基于时间序列模型SARIMA的犯罪预测研究

基于时间序列分析的犯罪预测是公安情报工作的重要办法之一。利用2005年2月～2013年12月我国某北方大型城市的一般伤害、抢夺和抢劫3类犯罪案件数量数据,建立了SARIMA时间序列预测模型,并进行了验证。结果表明一般伤害案件的数量存在周期性波动,且没有明显的增减趋势,预测效果较好(PRMSE为11.95%,MAPE为10.92%)。抢夺案件的数量具有周期性波动且在2008年前后存在明显的增减趋势,通过数据处理,将抢夺数据的增减趋势与周期性分别进行了研究,得到了相对较好的预测效果(PRMSE为17.08%,MAPE为13.53%)。抢劫案件的数量不具有明显的周期性波动,难以利用SARIMA进行预测。研究结果可以应用于一般伤害和抢夺类犯罪的趋势预测,为犯罪打击提供宏观决策支持。     

成都市城区空气污染指数的时间序列分析

根据成都市城区2001～2005年的大气污染监测资料,获取和分析成都市空气污染指数.采用时间序列分析方法,对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验.结果表明:成都市空气污染状况具有夏季较好、其他季节较差的季节性变化规律.采用时间序列分析大气污染状况是可行性的.     

基于时间序列的市场需求预测模型研究

在研究时间序列预测模型的基础上,提出了组合预测模型,并对模型参数进行了优化处理.用于预算未来某时期内市场供求趋势,从而为企业的决策提供依据.     

基于时间序列模型的预估控制算法

提出一种具有反馈修正的，基于时间序列模型ＣＡＲＭＡ的单值预估控制算法，对这种算法下闭环预估控制系统结构和稳定性进行了分析，对各种预估控制算法的鲁棒性进行了仿真对比。反馈修正的引入，使闭环预估控制系统的鲁棒性有很大的改善，使这种算法更适合于工业应用。     

张家川地区胆结石发病率的时间序列预测模型

在讨论时间序列模型基本方法的基础上,通过分析甘肃张家川地区胆结石的发病率数据序列的特征,建立了ARIMA数学模型,并用SPSS软件进行时间序列建模的最小二乘法参数估计图检,并进行预测值与实验值比较.从预测结果来看,发病率呈现平稳且伴随周期性发病状况.     

时间序列平稳性检验

对于一个时间序列的分析首先要判断是否是平稳时间序列,即看它的均值和方差是否随时间的变化而变化,且自相关函数是否与时间间隔有关而与所处的时刻无关。通常,大多数时间序列是非平稳的。因此,首先要检验平稳性,然后再将非平稳时间序列转化成平稳时间序列。在时间序列分析中,为检验序列的平稳性,经常要用到一阶差分,二阶差分,有时为选择一个合适的时间序列模型还要对时间序列数据进行对数转换或平方根转换等。从时间序列数据和时间序列模型2方面来阐述时间序列平稳性的检验,共介绍4种检验法。在实际中可以将这些方法与实际背景相结合来判断时间序列的平稳性。     

时间序列分析模型构建与MATLAB实现

主要讲述了时间序列分析的基本思想,模型构建方法、过程及步骤,并通过假设的时间序列用MATLAB软件,实现了模型的定阶、模型参数的估计过程。     

基于多重时间序列模型的城市固定资产投资与GDP的动态关系

针对固定资产投资与GDP动态关系的研究,首先采用Granger Causality Test确定固定资产投资与GDP存在因果关系,建立了固定资产投资与GDP的多重时间序列模型,并用Q统计量检验模型的适应性;对模型分析得出,固定资产投资会推动GDP增长,且具有4~5 a的正向滞后作用;最后,分别应用该模型和ARIMA模型预测厦门市2000—2008年GDP值,结果表明,该模型预测误差比ARIMA模型低8%左右.     

基于小波的武汉市PM_(10)空气污染指数时间序列分析

以武汉市PM10空气污染指数时间序列为例,运用复Morlet小波进行了时间尺度分析,发现其具备340 d、180 d、50 d和18 d 4个变化尺度,尤其以340 d的尺度最为明显;运用db小波对研究对象的突变事件进行分析,同时结合气象资料对各季节的PM10突变事件分析,结果表明PM10污染事件多发生在春季和冬季,其成因与当时的气象条件有密切联系.     

时间序列分析方法的研究

时间序列分析方法是建立变形测量预测模型的主要方法．本文就变形测量中用AR模型建立变形预测模型的参数估计问题以及模型阶次问题进行了探讨，并指出在样本观测值有限的条件下，宜采用最小二乘法及动态数据(DDS)方法建立动态变形的预测模型．     

基于ARMA时间序列理论的建模及应用

介绍一种精度较高的时间序列短期预测方法,即带有周期性的ARMA模型。通过该数学模型的分析与研究,对时间序列整个变化的规律性做出近似描述,更准确的认识与了解到时间序列的结构与特征,进而达到最小方差意义下的最优预测。     

基于ARIMA模型算法的频谱时间序列预测分析

结合频谱时同序列的特点,选择ARIMA模型作为预测模型,通过ARIMA模型算法的流程分析,初步论证预测模型及预测精度的可靠性.     

一类双线性时间序列模型基于累积量的辨识

获得了一类双线性时间序列模型的二、三和四阶累积量所满足的差分方程,它们与线性平稳ＡＲＭＡ模型著名的Ｙｕｌｅ－Ｗａｌｋｅｒ方程相似,可看作是标准Ｙｕｌｅ－Ｗａｌｋｅｒ方程的推广,因此它们可用于双线性序列模型的辨识,并以一个数值仿真例子表明该方法是可行的。     

时间序列预测模型研究简介

在对时间序列预测模型的发展进行综述的基础上,就时间序列分析法的研究方法、理论意义、实际应用以及进一步的工作进行了阐述,使对该研究方向的理论、方法和应用有一个较清晰的了解。     

时间序列分形特征的判别

研究了判断时间序列是否具有分形特征的几个参数：庞加莱映射,李雅普诺夫指数,关联维数,功率谱及赫斯特指数,分析了它们各自的优缺点。认为：在已知动力学系统时,使用庞加莱映射和李雅普诺夫指数就能准确地判断该时间序列是否分形;在不知道动力学系统时,使用功率谱及赫斯特指数更好些。最后给出了分形在时间序列分析中适用的场合。     

基于时间序列的中国房地产价格走势预测

本文采用《2007中国统计年鉴》1998年第1季度至2009年第3季度的全国房屋销售价格指数,建立ARIMA模型,并对未来房价走势进行预测。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于时间序列分析的动态变形预报

对变形体的变形趋势做出预报,是变形监测的主要任务之一.时间序列分析能顾及各期数据间的统计相关性,通过建模实现变形体的动态变形预报.鉴于AR模型估计参数时有递推公式,且工作量小,故在介绍时间序列模型的基础上,结合变形监测实例,讨论了AR模型的建模过程,并采用AR模型实现了变形的动态预报.     

基于时间序列的城乡收入差距分析

本文以时间序列分析的基本方法为视角,考察了城乡收入差距。首先根据城乡收入数据,计算出两个收入的比值和差值,利用散点图将其描述出来。然后利用相关时间序列分析方法,对城乡收入及其差值和比值建立ARIMA模型,检验城乡收入是否以共同趋势变动。     

基于时间序列模型的河南省房地产价格研究

以SAS软件为工具,对2009年3月～2013年3月河南省郑州、洛阳和平顶山3个城市新建住宅价格指数序列进行了实证分析.通过比较AIC、SBC值和可决系数R2,拟合3个序列的最终模型分别是郑州的异方差AR（3）-ARCH（1）模型和洛阳、平顶山的以时间变量t为因子的残差自回归模型.预测结果显示,河南省的房价近期仍呈上升态势,郑州的上涨幅度最大,大约是1.4％ ～1.5％,洛阳约为0.5％,平顶山约为0.3％.