均生函数在水文时间序列回归分析预测中的应用

回归分析已广泛地应用于水文预报工作中,以何标准选定因子的估计值则成为影响预测值的一个相当重要的因素。详细地介绍了均生函数在水文时间序列回归分析预测中的应用,即对水文时间序列作差分变换,计算相应的均生函数,并采用双评分准则（CSC）建立最优回归模型;同时根据周期延拓性确定回归模型中选定因子的估计值,并作多步预测,为中、长期预报作业提供了一种切实、有效的方法和途径。     

Lorenz系统昆沌解序列可预报性的统计检验

利用Lorenz简化热对流模式产生了吸引子区域内的混沌解序列,对截取的序列进行了平稳性和正态性检验.按照3种情形分别选取样本,并应用统计预报中的ARMA模型、多元线性回归模型、多项式回归模型和均值生成函数模型等作出预报.比较分析表明所选取方程组产生的混沌解序列,呈现非周期、非平稳、非正态特性等极不规则的分布,导致几种统计模型对于两个不稳定平衡状态间的不确定的突变情形基本失去了预报能力,系统行为几乎无法预测,其根本原因在于系统的混沌特性.但在某一不稳定平衡状态内,序列段呈现振幅不断放大的准周期振荡,具有一定的规律性,几种统计模型预报的效果较好,说明在应用统计方法进行预报的前提下,系统行为存在着局部时段的有限的可预报性.     

吉兰泰盐湖卤水动态变化趋势及预测

利用灰色和周期外延预测模型格自的优点,提出了灰色与周期外延相结合的灰色－周期外延组合预测模型,对吉兰泰盐湖中具有人表性的６个观测孔的卤水动态变化进行了模拟,该模型可广泛应用于地下水动态预测和其它序列的预测中。     

可公度信息预报方法用于洪水灾害的试验研究

采用可公度信息预报方法对５４种模拟洪水序列进行数值试验，结果表明：当序列具有周期时，可公度性可以识别出序列的周期，试验序列的信息量越大，周期越严格，识别率越高。该法可以在灾害性洪水长期预报中试用，并给出发布预报的准则。     

两种改进的GM(2,1)模型及其在船舶横摇预报中的应用

实时准确地预报船舶横摇运动是目前船舶运动研究的一个重要课题,对于提高船舶的耐波性和适航性具有重要的意义.灰色GM(2,1)模型有2个指数分量,能反映出序列摆动的运动情况,但预测精度仍然不足.因此在GM(2,1)模型对非线性复杂横摇运动进行建模及预测的基础上,基于误差补偿的思想,用周期外延和神经网络2种方法分别对灰色模型进行改进.仿真结果表明,灰色-周期外延组合预测模型和灰色-BP神经网络组合预测模型均能准确有效地预报船舶横摇运动,进一步提高灰色模型的预测精度,为船舶减摇控制打下了良好基础,具有实用价值.     

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。     

基于通用钟差模型的北斗卫星钟预报精度分析

卫星钟差参数的预报精度直接影响卫星导航系统的服务性能.影响卫星钟预报精度的因素有很多,其中钟差序列的建模质量是一个很重要的影响因子,只有最能反映星载原子钟自身物理特性和运行状态的模型才能获得更高的卫星钟预报精度.本文分析了北斗系统钟差序列的特性,提出了一种通用的钟差模型,该模型同时包含线性项、周期项和随机项,并且利用了AR模型对随机项进行建模,给出了周期项和AR模型参数的确定方法,该模型还能够根据实际星载钟特性进行退化与扩展.本文还给出了基于该模型的卫星钟预报方法,最后利用北斗实测数据进行了卫星钟预报精度分析试验,试验结果表明:所提出的通用模型能够最大限度地拟合钟差序列,从而大大提高卫星钟的预报精度,特别是针对一些稳定度较差的星载钟,实现了6 h预报精度2 ns,12 h预报精度5.5 ns.     

区域降水组合预报的研究

在短期自忆气候模式的基础上，着重考虑了区域性降水特点，组合均生函数时序模型，构造了区域降水预报模式，计算结果表明中气它能滚动制作月，季，年降水，且具有相当好的预报能力。     

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.     

Lorenz系统混沌解序列可预报性的统计检验

利用Lorenz简化热对流模式产生了吸引子区域内的混沌解序列，对截取的序列进行了乎稳性和正态性检验．按照3种情形分别选取样本，并应用统计预报中的ARMA模型、多元线性回归模型、多项式回归模型和均值生成函数模型等作出项报。比较分析表明：所选取方程组产生的混池解序列，呈现非周期、非乎稳、非正态特性等极不规则的分布，导致几种统计模型对于两个不稳定平衡状态间的不确定的突变情形基本失去了预报能力，系统行为几乎无法预测，其根本原因在于系统的混沌特性。但在某一不稳定平衡状态内，序列段呈现振幅不断放大的准周期振荡，具有一定的规律性，几种统计模型预报的效果较好，说明在应用统计方法进行预报的前提下，系统行为存在着局部时段的有限的可预报性。     

时间序列在地下水位预测中的应用

本文利用时间序列建立了一个趋势回归模型、虚拟参数的季节模型和时间序列分析的统计预测模型.该模型能够很好地分离出时间序列中的趋势成分,且能够很好地刻画它在各个年度周期内部光滑的季节成分.该文将地下水位统计数据进行了消除趋势成分及消除季节影响的处理,再将新得到的数据进行平稳化、零均值化处理,并利用时间序列的自相关函数、偏自相关函数的性质,最终确认了适当的时间序列模型.以北京市1990~1994年共60个月份的地下水位统计数据为实例进行分析,确定此模型为ARMA(1,4)模型.通过对数据的计算,可预测出北京市1995年地下水位值.     

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。     

应用时间序列分析法进行棉红铃虫中长期数值预报的研究

本文以时间序列分析法组建棉红铃虫数值预报模型,将棉红铃虫种群数量变动的时间序列分解为周期项和随机项,采用逐步回归周期分析和平稳随机序列分析方法分别提取其周期项和随机项,经迭加后应用于中长期数值预报,经初步验证,效果尚好。     

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.     

关于平稳时间序列预报方法的两点注记

在应用平稳随机时间序列预报方法中,为检验实际序列是否满足平稳性,需要验明相关矩阵的正定性.本文就判定一个矩阵的正定性提供一个简明的充分条件,它便于实际应用.当所得时间序列不满足平稳性时,本文通过讨论得出;宜于用自相关拟合函数,而不宜对序列加以通常的处理后再用平稳法.平稳随机时间序列预报方法是气象和水文等预报中的一种常用方法.但实际出现的时间序列是否满足平稳性是需要事先进行检验的,否则预报结果可能与实际情况有较大的出入.检验实际序列是否满足平稳性,需要验证相关矩阵的正定性.本文就判定一个矩阵的正定性提供一个简明的充分条件,它在实际中便于使用.当所得时间序列不满足平稳性时,通常采取先除去长期趋势,再除去周期而把余项作为平稳时间序列处理.本文通过讨论得出;这几种处理方法的最终结果是自相关的特例,就计算量看,与直接用自相关求预报方程的计算量差不多,因此这时宜于用自相关拟合线性函数,而不宜对序列加以处理后再用平稳法.     

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．     

一种动态数据序列组合预测模型法

文章综述了灰色模型、谐波分析和时序分析的基本原理和建模方法 ,分析了各种模型的适用性与局限性 ,在此基础上提出了基于上述 3种基本建模方法的组合模型法。组合模型有效地融合了各种基本建模方法的特色与优势 ,弥补了单个基本模型的缺陷与不足 ,尤其适用于对非平稳性动态数据序列的建模。仿真结果表明 ,组合模型法能有效地提高数据序列的预报准确度。     

径向基函数神经网络在地下水位预报中的应用

本文在介绍径向基函数神经网络原理的基础上,研究径向基函数神经网络模型在地下水位预报中的应用,以吉林西部地区为例,应用其1990-2012年的月平均地下水位数据,建立径向基函数神经网络模型。为进一步证明预报结果的准确性,把预报结果与自回归模型的预报结果进行比较。结果表明:径向基函数神经网络模型能很好地进行地下水位预报,同自回归模型相比,径向基函数神经网络模型预报的精度更高,预报结果更具有准确性。     

基于AR模型的低轨卫星大气密度建模与预报

研究了采用时间序列分析进行低轨卫星大气密度的建模与预报。通过对低轨卫星历史和当前的大气密度进行时间序列建模、频谱分析,可以获得未来数个轨道周期内大气密度的预报模型,并结合GRACE卫星加速度计反演的大气密度数据进行了详细分析。研究结果表明:GRACE卫星一个轨道周期内的密度预报模型是以轨道角速度和时间表示的最高次数为2的傅里叶级数。与三维密度模型相比,这种密度预报模型仅与历史的大气密度有关、所需模型参数少,可为今后在卫星定轨和轨道预报工作中大气密度的建模和预报提供新的思路。     

基于诱发因素响应与BP神经网络的滑坡位移预测预报

三峡库区地质灾害有滑坡、崩塌、泥石流、塌陷、地面沉降、地裂缝等,其中主要以滑坡为主.为深入研究滑坡的变形特性,建立滑坡位移与其影响因素之间的预测预报模型,本文以三峡库区白家包滑坡为例,基于时间序列分析方法,提取滑坡趋势项位移及周期项位移.针对趋势项位移,采取多项式拟合,针对周期项位移,选取库水位、降雨量、月间库水位变化量、2个月累计库水位变化量、当月降雨量、两月降雨量作为周期项位移的影响因子,建立周期项位移与影响因子之间的BP神经网络预测预报模型.最终基于时间序列的加法模型,将趋势项位移与周期项位移进行叠加,即为预测位移.研究结果表明,该预测预报模型基本反映了滑坡累积位移的整体趋势,具有一定的工程意义.