基于ARIMA和SVM混合模型的流感新增病例预测

常见的传染病预测模型需要大量数据作为支持如灰色模型、人工神经网络模型、通径分析模型.对于突如其来的大规模传染病,其数据量小、预测结果亟待使用的特点对预测工作的准确度和速度提出了双重要求.针对2009年美国爆发的甲型H1 N1流感新增病例的少样本数据集,优化ARIMA模型,建立一种对未来流感新增病例数的预测模型,使得该模...     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

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.     

基于ARIMA模型的国内生产总值预测

本文通过对1952年以来的各年度GDP数据进行数学建模,利用ARIMA模型对年度GDP进行了预测。实验结果表明：ARIMA模型对GDP年度数据预测的一步预测相对误差可以保持在3%以内,具有较高的预测精度。     

基于Hadoop框架和ARIMA算法的气象预测系统研究

对气象数据挖掘和ARIMA预测算法进行分析,构建了基于Hadoop的气象数据挖掘平台,并在该平台上设计实现了基于ARIMA算法的气象预测系统.实验结果表明,该气象预测系统具有易扩展性、易维护性和对海量气象数据的高效管理特性,实现了气象预测功能.     

基于ARIMA模型的滑坡位移预测

利用斜坡累积变形—时间曲线的建模分析,可以获知当前滑坡的变形发育阶段、预测滑坡未来发展趋势,是滑坡灾害预警预报的基础.滑坡累积位移是关于时间的变量,往往具有非平稳性,通过差分得到平稳的时间序列过程,建立差分自回归移动平均模型(ARIMA模型).以三峡库区某滑坡为研究对象,对累积位移采取等时距差值处理后,建立了适用于该滑坡的ARIMA时间序列模型对滑坡累积位移进行分析预测.通过比较2014年1月至5月该斜坡位移的实测值与预测值,得平均预测误差为3.2%,结果表明,所建立模型能满足预测要求,计算过程容易实现,在滑坡累积位移短期预测中具有一定的适用性.     

基于ARIMA模型对上证指数的预测

股票价格涉及很多不确定因素,且各个因素之间的相关关系错综复杂, 因此要从理论上彻底弄清楚股市的变化机理十分困难.然而股市是一个运动的、特殊的系统, 它必然存在着规律.以上证综合指数为例,利用EVIEWS软件对其股票价格建立ARIMA模型,提出了股票价格序列的一步向前静态预测方法,用于股票价格序列的建模及股价短期预测,希望为企业和投资者在进行相关决策时提供有益的参考.     

基于ARIMA模型的国内旅游人数预测研究

以我国1985—2005年各年的国内旅游人数为例,运用计量经济学软件Eviews建立时间序列模型ARIMA(p,d,q),并对未来五年内国内旅游人数做出预测,结果表明预测结果满足精度要求,具有较强的实用性。     

基于ARIMA乘积模型的国民经济GDP预测研究

本文采用国家统计局网站1992年至2016年的季度GDP数据资料,先后采用全部及部分数据对比建模并预测。首先利用全部数据资料,借助Eviews软件,对季度GDP数据进行平稳性检验,逐期及季节差分,建模,指出其不足,其次考虑我国GDP指标的核算方法以及数据公布方法的改革,并依据已选模型进行CHOW稳定性检验结果,截取2004年至2016年的季度GDP数据资料建立模型,并通过对比指标MAPE等,筛选出最优模型;最后对我国2017年的季度GDP进行预测,预测结果表明所选模型能较准确地反映我国季度GDP的变化规律。     

基于ARIMA的GDP预测模型的构建及应用

为了准确预测山东省“十二五”期间GDP增长趋势,本文通过分析山东省1978～2012年GDP数据,构建了基于ARIMA模型的GDP预测模型.结果表明,ARIMA(2,2,2)模型能够较好地拟合山东省1978～2012年间GDP变化,在此基础上对山东省2013～2015年GDP进行了预测,结果依次为59 613.02,69 204.16,80 328.56亿兀.     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

基于ARIMA模型的我国GDP短期预测

国内生产总值(Gross Domestic Product,简称GDP)常被公认为衡量国家经济状况的最佳指标,因此对GDP的预测越来越受到政府和公众的关注.由于影响GDP的因素有很多,而且这些因素间又常常存在多重共线性,所以准确找出影响GDP的重要因素并进行建模比较困难,而且经济数据常常是自相关非平稳的,因此本文采用ARIMA模型来拟合1991年到2010年的GDP数据并预测GDP.结果表明ARIMA(1,1,1）能较好拟合GDP数据,预测表明我国经济发展势头良好.     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

基于ARIMA模型的甘肃省能源消费预测

本文利用时间序列分析的ARIMA模型对甘肃省1985-2007年的能源需求总量进行了实证研究,结果表明甘肃省能源需求总量在做短期预测时ARIMA（0,2,1）模型是合理的,本文在此基础上做了预测,并得出来相应结论。     

ARIMA和Prophet模型在艾滋病发病预测中的应用

根据国家疾病预防控制局提供的2013年1月至2019年10月艾滋病发病数的相关数据,分别建立ARIMA(0,1,1)×(0,1,1)₁₂乘积季节模型和Prophet模型,并对两种模型的预测效果进行对比.结果表明,两种模型均能很好地预测我国艾滋病的发病人数以及变化趋势,其RMSE分别为345.46、328.88,且Prophet模型的预测效果更优.     

基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

基于ARIMA模型的余额宝收益率的预测

选取2013年5月30日—2016年7月27日期间的余额宝收益率数据,进行数据处理并建立ARIMA模型,从而预测出余额宝在2016年7月28日—2016年8月21日期间的收益率。通过实际结果与预测结果之间的对比,确定了在允许误差范围内该模型的有效性。