桂林市汽车销售量的时间序列预测模型

选取1999年1月到2007年3月桂林市各季度的汽车销售量原始数据,在SPSS系统下,运用滑动求和自回归(ARIMA)方法及非参数方法建立桂林市汽车销售量时间序列模型ARIMA(p,d,q),从模型识别、参数估计、适应性检验和实际拟合4个方面来确定模型的参数(p,d,q),并对模型的预测效果进行检验。结果表明,ARIMA(0,2,2)模型能够较好地包含桂林市汽车销售量的发展趋势,该模型对2007年2季度至2008年2季度汽车销售量的预测值与实际值的误差小,相对误差可以控制在3%以内。     

云模型在商品月销售量预测中的应用

针对营销企业商品月销售数量变化不定的难点,提出了基于云模型的商品月销售量的预测方法。根据云规则发生器计算云模型的数字特征值和所需数目的云滴,来预测未来商品月销售数量。云模型预测解决了预测数据的模糊性和随机性问题。实验结果表明,和基于时间序列季节预测方法相比,采用云模型预测的结果更准确,对企业的销售预测具有现实意义和参考价值。     

汉江安康站最大径流量的动态预测模型研究

用平稳时间序列的ＡＲＭＡ（ｐ，ｑ）模型分析法，分析了汉江安康站１９４３年到１９９５年共５３年最大径流量的水文资料，建立了陕南汉江安康站最大径流量的中短期动态预测数学模型。经对１９９６年和１９９７年的最大径流量进行预测，结果与实际相吻合。     

利用样条函数建立季节性时间序列的预测模型

用B样条函数最小二乘法的非参数回归与时间序列相结合的方法建立了季节性时间序列预测模型. 利用滑动平均估计季节项,再利用B样条函数非参数回归估计长期项和周期波动,对于随机项建立ARMA模型,最后对某产品需求量进行了实例分析. 结果表明该方法有较高的预测精度.     

重载预测模型及RC连续梁桥结构反应分析

为了解我国车辆交通量和车载水平的非平稳变化对公路桥梁承载力的影响,利用大量实测重载数据,分析了重载时间频度与荷载集度的非平稳特性,分别基于季节时间序列和RICE极值外推理论,建立了非平稳重载交通量预测模型和荷载极值模型,以实际重载交通流分布进行某实桥有限元模型加载,分析非平稳重载作用下桥梁的内力变化.研究结果表明：重载产生的跨中弯矩约为中国规范的1.21～1.55倍,美国规范的1.13～1.45倍.交通量增加后,跨中弯矩和支座负弯矩最大增幅分别为10%和22%,梁底混凝土的应力增大,最大增幅为14%.总体上,重载交通的非平稳增长使得主梁内力增加,但梁底混凝土应力大小未超出规范限值;重载在桥面的纵、横向空间分布特性对结构的内力影响较甚,在选取内力控制截面时应予以考虑.     

基于SAS的非平稳时间序列分析及实证研究

采用季节指数趋势法,对具有季节变动的非平稳时间序列(以某电脑公司的实际季度销售记录为例),利用统计分析系统SAS进行分析,并对该公司2009年的销售情况进行了预测.与公司2009年度前三个季度的实际销售数据进行对比,拟合效果令人满意,证明该方法实用有效.     

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．     

基于时间序列模型的商业企业销售量预测方法研究

预测是企业管理的一个重要职能,在如今激烈的商业竞争下,如何根据现有的数据预测未来并制定适宜的策略是企业成败的关键。本文在研究商业企业销售量时间序列的基础上,结合季节变动分析方法,建立商业企业年销售量预测模型,并在此基础上对商业企业实际销售预测给出的指导性建议。     

汉宽安康站最小径流量的动态预测模型研究

本文用平稳时间序列的ARMA（p,q)分析法,分析了汉江安康站1943年-1996年共54年的最小径流量的水文资料,建立了陕南江汉安康站最小径流量的中短期动态预测数学模型,经过1997年的最小径流量进行预测,结果与实际相吻合。     

煤炭价格预测模型及其应用

采用多元线性回归分析法和时间序列分析法建立了全国煤炭平均价格的预测模型，并将其较好地应用于2004年煤炭平均价格及其置信区间的预测。     

一类新的预测模型及其应用

对时间序列的一类预测模型进行了研究,把灰色模型与BP神经网络模型组合建模,通过实例分析取得好的效果。     

组合式神经网络企业产品销售量预测方法

采用回归分析法,去逼近预测模型中具有时间增长趋势的离散数据,用其逼近误差进行人工神经网络学习和训练,输出预测误差,然后对回归模型进行动态补偿,以实现对企业产品销售量进行组合预测。其预测结果比单一的回归分析法和线性规划法计算精度要高,表明组合式人工神经网络对预测企业产品销售量具有良好的适应性。     

新能源电动车销量预测模型的应用

随着新能源电动车(乘用车)的使用越来越普及,对其销售预测的研究尤为重要。首先采用指数平滑预测方法对其进行销量预测;考虑到新能源电动车销售量呈现季节性变化,将季节变动指数融入灰色预测中,给出了基于季节变动指数改进的灰色预测模型;为了进一步提高预测精度,引入IOWA算子,将指数平滑预测与改进的灰色预测相组合,给出了基于IOWA算子的组合预测模型;最后通过实例仿真验证了模型的可行性和有效性,为发展新能源汽车提供基础资料。     

一类组合预测模型及其应用

基于GM( 1 ,1 )模型、GM ( 2 ,1 )模型和ARMA模型 ,建立了一类组合预测模型 ,通过实例分析取得了好的效果。     

网络态势预测的广义回归神经网络模型

网络态势预测作为网络态势感知的必要环节, 能够加强网络管理员对网络状态的认知与理解,为威胁分析和网络规划提供决策支持。在分析现状以及预测方法的基础上, 讨论了反向传播、径向基、反馈等神经网络模型用于预测的特点与优势,提出了网络态势预测的广义回归神经网络模型GRNNSF, 给出了GRNNSF模型的网络设计原则以及网络态势预测方法。基于真实数据集的实验,验证了GRNNSF模型的准确性和时效性,与其他神经网络模型相比,能更准确地预测网络态势的发展趋势。     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。论文提出采用时间序列ＡＲ模型进行趋势预测。将现场测得的非平稳振动序列通过ＡＲＩＭＡ模型和标准化处理,转化成标准正态平稳时间序列。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进行验证,计算结果表明ＡＲ模型能够很好地拟合振动信号时间序列并取得了一定的预测精度,可以达到预测要求。     

装载机销售量的二次拟合Verhulst直接模型研究

研究了装载机销售量的二次拟合Verhulst GM(1,1)直接模型,该模型不需要累加生成和累减生成,适合于等间距数据建模,也适合于非等间距建模。计算实例表明,该预测模型有更好的适应性和更高的精度,使用方便,值得推广。