青岛市大气污染时间序列分析预报方法研究

根据青岛市大气污染监测资料,采用时间序列分析方法,建立多种预报模型,有原序列周期外延法、均生函数周期外延法,均生函数逐步回归法以及自回归预报法等,最后提出一种综合预报模型。连续预报试验表明,综合预报模型优于任何个别预报模型,有较好的预报能力。利用马尔可夫模型对污染状态（轻、中、重）进行了分级预报试验,也获得良好的效果。     

水库中长期水文预报模型研究（Ⅱ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了3个基于径流及其影响因子的成因统计关系的预报模型,分别为投影寻踪回归、时间序列—马尔可夫分析、非线性动力系统学以及神经网络模型,这些模型为有效进行水文对象的中长期预报提供了坚实的基础。     

水库中长期水文预报模型研究（Ⅰ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了7个基于径流及其影响因子的成因统计关系的预报模型,重点介绍了其中的多维混合回归、模糊分析、门限回归模型,这些模型为有效地进行水文对象的中长期预报提供了坚实的基础。     

枯季径流预报探讨

在分析研究流域气候特征及枯季径流来水规律的基础上,用水文方法分别建立了枯水期月径流预报模型。水文方法是利用水文序列资料建立自回归模型,用实测资料对预报模型进行了验证。     

灰色线性回归组合模型在沉降监测中的应用

为了在贫数据条件下准确预报中长期沉降值,采用线性回归方程和指数方程的组合方式,通过适当配置模型的某些参数来获得新的生成序列函数模型．结合工程实际算例进行预测,并和实际观测数据比较,取得了较好的效果,验证了灰色线性回归组合模型应用于沉降监测预报的可行性．通过其残差与回归分析模型和灰色预测GM（1,1）模型残差相比较,证明该模型在沉降预报中优于回归分析模型和灰色预测GM（1,1）模型．     

广西GDP的时间序列模型的建立与实证分析

综合运用了判别时间序列平稳性的方法,利用单位根方法检验时间序列的差分阶数;利用自相关函数图和偏相关函数图判别时间序列模型的自回归阶数(AR(p))和滑动平均阶数(MA(q)),建立广西GDP的时间序列模型.再利用TSP软件采用OLS法对时间序列模型进行回归分析与显著性检验,并对通过检验的回归结果进行分析与预测.     

北京市生活用水年预报模型

采用偏最小二乘回归方法建立了用水量与影响因子之间的回归方程,利用AR模型对各影响因子进行外延预测,将预测的因子值分别代入3个回归模型,通过比较分析挑选出了预报精度最高的回归模型,并利用此回归模型对2003~2010年的北京市年生活用水量进行了预测.结果表明:北京市年生活用水量和前3 a的各项影响因子所组成的回归方程,能够很好地预报出预留年份的年生活用水量;2003~2010年北京市年生活用水量呈明显增长趋势.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

黄水沟年均流量非平稳序列混合模型的建立与预报

本文将黄水沟水文站历年年均流量Q（t）序列分解为趋势、周期、平稳函数项和噪声项，建立了非平稳时间序列混合模型，对建模年限内的Q（t）序列作了模拟检验，对建模年限未来2年的Q（t）值作了预报；预报结果符合国家水文情报预报规范要求，可供生产实践参考。     

高炉炉温预报方法研究

由于合理的高炉炉温是高炉稳定生产的重要因素之一,所以对高炉炉温控制方法进行探讨,并针对实际生产过程中各个钢铁企业对高炉炉温预报方法,分析得出对高炉炉温预测的有效方法是利用回归模型,时间序列模型、神经网络模型进行数值预报,由高炉专家系统进行宏观炉温发展趋势预报,多种方法相结合,才能达到较高的预测准确率。     

时间序列在变形监测中的应用

详细介绍了时间序列的基本原理以及时间序列建模中的数据预处理、模型选择、模型定阶、模型参数的确定及模型的可靠性等建模步骤,并给出了时间序列的预报公式.最后用时间序列分析处理了某市的某-边坡沉降观测数据.通过对结果的分析,得出时间序列分析用于简单的时序预测具有较好的效果,9期预测误差的绝对值均小于0.18 mm.其建模过程...     

海洋水文预报方法研究

海洋水文预报是对一定海域未来一定时段内的水文状况作出的预测和通报,是海洋环境预报的重要内容。文章结合工作实际,通过对水文预报中＂经验统计预报＂和＂数值预报＂理论的论述,提出海流数值分析预报、回归分析预报和海浪预报的基本方法。     

最小二乘回归支持向量机对非线性时间序列预测的试验分析

利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月～2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月～2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果.结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度.资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感.     

裂隙－岩溶含水系统非线性随机模型的应用

以湖北省阳新县鸡笼山铜金矿区裂隙－岩溶含水系统为例，应用时间序列分析方法，分析矿坑涌水量时间序列的水文特性，揭示了时间序列的形成机制和内在规律，建立了适用于该舍水系统矿坑涌水量时间序列的开环门限自回归模型，并应用于该矿区矿坑涌水量的预测．     

裂隙—岩溶含水系统非线性随机模型的应用

以湖北省阳新县鸡笼山铜金矿区裂隙－岩溶含水系统为例，应用时间序列分析方法，分析矿坑涌水量时间序列的水文特性，揭示了时间序列的形成机制和内在规律，建立了适用于该含水系统矿坑涌水量时间序列的开环门限自回归模型，并应用于该矿区矿坑涌水量的预测。     

丹东城区SO_2污染的模型拟合与试报分析

针对丹东城区SO2污染的实际情况与气象因子的关系,用小波分析理论研究SO2污染浓度时间序列的年变化规律和突变特性,建立SO2污染的偏最小二乘回归预报模型并在实际预报中进行模拟、试报及预报效果检验.结果显示,SO2污染浓度时间序列的年变化规律和突变特性与实际值的变化规律基本相同,模型拟合值与实际值的变化趋势基本一致;与现行预报模型相比,预报误差有所减小,精度进一步提高,模型更符合丹东城区SO2污染的实际情况,预报模型可以用于各季SO2浓度预报.     

时间序列预测模型及其应用

预测预报是时间序列分析的应用之一，人们根据大量的观测数据对系统进行分析，主要原因是为了能够预测出系统在未来的特性，以便对系统的特性进行处理或控制．文章给出了自回归-滑动评价混合模型（ARMA模型）、平稳序列模型、差分序列模型（ARIMA模型）三种时间序列预测模型，并给出了具体的例子．     

预测地铁施工中地表变形的动态系统方法

提出了基于自回归（AR）模型对时间序列统一建模的新观点和方法,可大大减少计算量,并在微机上编程实现,以实例对动态模型与静态模型分别作了应用比较,结果表明,时间序列分析动态模型是系统分析的重要方法,是统计预测中的高级预测方法,预测精度高,用途广泛,而静态模型适合于内插,不适合于外推预报。     

局部反馈函数联接网络及其应用

结合时间序列分析提出了一种具有局部反馈回路的函数联接网络（ＬＲＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报，对网络扩展函数选取，初始权集的设定，以及网络结构选择和学习算法进行了研究，同时，通过对模拟数据和机切削颤振数数据的建模与预报，将其与常用的时间序列模型（ＡＲ，ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行比较，研究结果表明该方法是可行和有效的。     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.