非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度.当初值的精度较差时,更宜采用阻尼最小二乘法.而且本文给出实例的MATLAB程序,并利用t统计量检验出:阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优.     

线性时间序列模型与双线性模型的识别研究

根据线性模型的特点，在推广的高阶矩概念的基础上，将高阶矩应用于系统的结构辨识问题中。介绍了用最小二乘原理估计高阶矩参数以及判定参数置信区间等内容。     

多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，由此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系     

时间序列AR模型参数的积分求解法

基于对时间序列实质的分析，提出了旨在减少序列的随机误差影响以及提高拟合精度的ＡＲ模型参数的积分求解法．重点讨论了ＡＲ（１）模型及ＡＲ（ｐ）模型参数的积分求解法，并与最小二乘法在计算机上进行了仿真比较．结果表明，采用积分求解法所得的ＡＲ模型参数的估计精度比最小二乘法的高．     

关于多维时间序列AR(p)模型的最小二乘估计及若干平稳性的探讨

本文给出了多维时间序列AR(p)模型的最小二乘估计,并对若干平稳性进行了探讨。     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

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。     

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.     

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。     

基于季节时间序列模型的网络流量实证分析

针对CERNET上的一段网络流量数据,基于季节时间序列相关理论,对其进行实证分析,对数据进行预处理、模型的适应性检验、平稳性检验、白噪声检验及模型预测．通过经验和实际的理论操作,充分显示了季节时间序列在处理网络流量这种带有周期性性质数据中的优势．     

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.     

误差为线性过程时回归模型估计的均方相合性

对于回归模型Ｙｎｉ＝ｇ（ｘｎｉ）＋εｎｉ为随机误差,用ｇｎ（ｘ）＝∑ｉ＝１Ｗｎｉ（ｘ,ｘ１,…,ｘｎｎ）Ｙｎｉ估计ｇ（ｘ）,在误差是一个弱平稳线性过程时,获得了ｇｎ（ｘ）的均方相合性及一致均方相合性。     

生存保险投保期限的选择模型

当购买生存保险时,投保人需要选择投保期限,在单位保费收益与单位保费购买风险的和为目标函数的情况下,讨论了在给定年龄x和安全载荷ρ的条件下,如何选择投保期限才能使得目标函数达到最大值.     

金融时间序列的趋势路径的提取

传统的金融时间序列认为趋势项是确定性的函数 ,本文对此提出一种新的模型 ,并且设计了分段最小二乘方法和两个算法提取出趋势路径 .并将此方法应用于上证指数开市以来至今的数据 ,拟合效果较好     

随机时间序列分析技术在齿轮点蚀疲劳寿命预测中的应用

在已进行的齿轮点蚀疲劳寿命预测计算模型的研究基础上，应用随机时间序列分析技术分析处理计算模型中随时间变化的因素，从理论上解决了齿轮寿命预测中的难点，建立了齿轮点蚀疲劳寿命预测的方法系统。     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．