Pattern Recognition of Non-Stationary Time Series with Finite Length

Introduction Time series and signals to be analyzed by using auto- regressive models are usually treated as stationary or non-stationary only in terms of mean[1]. In fact, most series are, unfortunately, somewhat non-stationary, es- pecially in terms of a…     

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％.     

Auto-Regressive Models of Non-Stationary Time Series with Finite Length

To analyze and simulate non-stationary time series with finite length, the statistical characteristics and auto-regressive (AR) models of non-stationary time series with finite length are discussed and studied. A new AR model called the time varying parameter AR model is proposed for solution of non-stationary time series with finite length. The auto-covariances of time series simulated by means of several AR model sare analyzed. The result shows that the new AR model can be used to simulate and generate a new time series with the auto-covariance same as the original time series. The size curves of cocoon filaments regarded as non-stationary time series with finite length are experimentally simulated. The simulation results are significantly better than those obtained so far, and illustrate the availability of the time varying parameter AR model. The results are useful for analyzing and simulating non-stationary time series with finite length.     

灰主成分分析研究及其应用

针对主成分分析方法对于具有时间序列数据的处理存在的不足,根据灰系统中数据具有时间序列的特性,将灰色系统思想与经典主成分分析相结合,提出一种新的模型,即灰主成分分析。时间序列分析不仅可以从数量上揭示某一现象的发展变化规律,还可从动态的角度刻画某一现象与其他现象之间的内在数量关系及其变化规律。灰色系统理论通过序列的生成和开发,致力于现实规律的探讨,而数理统计则致力于统计历史规律的研究。将两种方法的优点结合到一起,用于解决时间序列问题,并利用面向对象程序设计的方法进行了系统实现。将该方法应用到我国国债风险指标的综合评价中,突出了新的时间序列数据对整个数据的影响性,分析结果能够为决策者提供有价值的决策依据。实验结果表明,采用灰主成分分析的效果更优越,能较真实地反映出时间对于样本数据的影响。     

F检验临界值和模型定阶

模型类型选择和模型适用性检验是时序建模的两个基本问题。时序模型适用性检验的核心是模型阶数确定问题。本文以统计学中的F检验和AIC准则为基础,推导出模型定阶F检验临界值。用它定阶简便实用。举例计算表明其结果和其他定阶方法相一致。     

基于ARMA模型的股票开盘价分析及预测

以建设银行2018年1月2日至2019年12月26日的每个股票交易日开盘价的时间序列为研究对象，通过差分方法对原始序列进行平稳化处理，再采用AIC和HQ最小准则确定原始序列所满足的ARIMA模型.为了检验该模型的效果，利用模型对建设银行短期的股票开盘价进行预测，结果表明预测值与实际值较吻合，短期误差较小.     

基于ARMA模型的股票开盘价分析及预测

以建设银行2018年1月2日至2019年12月26日的每个股票交易日开盘价的时间序列为研究对象,通过差分方法对原始序列进行平稳化处理,再采用AIC和HQ最小准则确定原始序列所满足的ARIMA模型.为了检验该模型的效果,利用模型对建设银行短期的股票开盘价进行预测,结果表明预测值与实际值较吻合,短期误差较小.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

Fuzzy Mathematics for Raw Silk Size Control

With photographing and experiments, this paper divides the cocoon layers into three categories according to their colors, establishes three-color membership function based on fuzzy mathematics, constructs fuzzy sets which satisfy the range of size control by using the ordinary set and attached frequency of threecolor cocoons combination, then achieves the ordinary sets of range of size control by choosing λ-cut. Under these ordinary sets, each end does duality relative level, then sets up relative matrix and overall sequence and finds the membership function to judge whether the size control is mormal.     

制丝工艺CAD系统软件设计

论述了制丝工艺ＣＡＤ系统的新配置、软件工艺流程及系统文件与数据库结构设计方法．用１８个文件（包括８个数据库文件和１０个程序文件）编译成对应的ｆｏｘ文件．所设计软件可执行茧质调查数据录入、自动缫丝工艺设计及相应的煮茧工艺设计等任务,并给出茧质调查数据分析结果,可生产等级生丝产品的规格及全套煮茧、缫丝工艺单     

利用长丝的结构参数计算长丝芯吸速率的方法

通过有捻长丝织物芯吸速率的测试，利用一元线性回归方法，发现有捻长丝织物芯吸速率与长丝细度的平方根和捻度之商间存在着较好的线性关系。因此该回归方程可作为计算长丝织物芯吸速率的一个经验方式。     

北京市地铁7号线地质沉降数据的时间序列分析

本文运用时间序列方法,构建模型对北京市地铁七号线(九龙山站到大郊亭站)建设过程中地质沉降的数据进行分析,并对未来地质沉降的走势进行了预测.文章主要分为以下三个部分:第一部分是本文所用的模型介绍,包括时间序列AR(P)模型、Yule-Walker方程对模型的参数估计、AIC定阶、白噪声检验.第二部分,对原始数据进行分析,并对数据进行伸缩变换,去除趋势项,建立了AR(2)模型.根据所构建的模型,对未来的地质沉降做出预测.第三部分是本文的结论.     

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。     

基于张量多线性PCA的多变量时间序列模式匹配

提出基于张量多线性PCA的多变量时间序列模式匹配方法,通过张量多线性PCA对多变量时间序列进行低维重构并获得其模式表示,然后利用Frobenius范数设计模式间的相似性度量.在四组公开的多变量时间序列数据集上进行实验,结果表明该方法的匹配准确率较高,时间开销较少,且适用于各种规模的数据集.     

时间序列分析在居民消费水平指数预测中的应用

该文利用SAS统计软件对我国1978-2009年的居民消费水平指数数据进行分析,分别建立了ARIMA模型和Auto-Regressive模型,并给出了反映各个模型拟合精度的AIC值和SBC值,进而确立了一个反映居民消费水平指数变化规律的较优模型.最后,利用该模型对2010年到2014年的全国居民消费水平指数进行了预测.结果表明ARIMA((2),2,0)模型在短期预测中达到了较高的精度.     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

绣球花科中国溲疏属小花溲疏组的数量分类

测定了中国小花溲疏组（Ｓｅｃｔ．ｍｅｓｏｄｅｕｎｔｚｉａ Ｓｃｈｎｅｉｄ．）内９种及６变种的４０个形态特征并进行了数量分类分析,通过聚类分析、主成分分析和特征性状的相关分析,对该组组下等级划分、种的归属及种间亲缘关系作了全面研究,结果表明：（１）小花溲疏组可划分为３个系,即小花溲疏Ｓｅｒ．Ｐａｒｖｉｆｌｏｒａｅ Ｚａｉｋｏｎｎ．）、粉红溲疏系（Ｓｅｒ．Ｒｕｂｅｎｔｅｓ Ｚａｉｋｏｎｎ．）及伞房溲疏     

液压位置系统的时间序列分析

本文讨论了用CAR时间序列模型来辨识液压系统的阶和参数。文中提出了AIC定阶准则和辅助变量法结合,来确定模型阶和参数的方法,进一步根据估计参数的渐近正态性确定模型的子阶和时滞。文中应用该方法辨识了液压位置系统的阶和参数。仿真和实测阶跃响应比较,证明得到的辨识模型是有效的。     

基于图像分析的堆浸铀矿石颗粒参数辨识

采用数字图像处理技术对铀矿石颗粒参数进行测量,并确定铀矿石块度分布.首次将图像引导滤波器应用于矿石图像滤波,较好地滤除了图像噪声和保持矿石边缘细节信息.采用基于最大类间后验交叉熵准则的PCNN图像分割算法分割矿石图像,减少了矿石粘连现象.为了解决第一次分割后矿石粘连现象,采用基于凹点匹配的数字图像切割算法对粘连的矿石图像进行第二次分割,能有效分离粘连矿石图像.采用基于形状特征的颗粒参数测量法测量颗粒参数,提高了颗粒参数的测量精度,得到了矿石块度的统计分布图.实验数据表明,该方法测量误差较小,能满足实际需求.      

建筑能耗分析用气象数据的构成研究

建筑能耗分析需要首先构成有代表性的全年气象数据，气象数据可以根据一定规则从以往数据中选取，也可以用以往数据建立气象数学模型，生成可以代表未来的气象数据。对F检验法与AIC准则建模进行了比较，表明F检验法建模是合理的，用F检验逐步回归法建立了13维疏系数混合回归气象数学模型，对模型残差进行了残差独立性、正态性及零均值检验，结果表明模型是成功的，并且维数增高可以为模型提供更多的信息，用所得模型构成了建筑能耗计算用气象数据。