基于时间序列分析的负荷预测方法的比较研究

电力系统负荷预测是电力系统规划和经济运行的基础.趋势移动平均方法和指数平滑方法可以对区域内不同种类负荷时间序列建模,趋势移动平均方法是对负荷时间序列历史数据进行处理,建立趋势分量以及季节分量模型,对残差进行平稳性检验后建立ARMA模型;指数平滑方法是建立Holt-Winter季节乘法模型.Eviews、Excel等软件可获得负荷未来值,并对模型预测功能进行评价,分析两种时间序列方法的差异性,结果表明采用时间序列分析的方法可以取得较好的预测效果.     

ARIMA乘积季节模型对我国消费者信心指数的分析

消费者信心指数能够预测消费支出,对某些宏观经济指标也有较好的预测效果。本文运用Eviews6.0软件对2006.01—2011.12我国消费者心指数的统计数据建立ARIMA乘积季节模型。结果表明该模型适合预测我国的消费者信心指数而且预测精度较高,但只适合短期预测。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

基于EMD和SVM的铁路客运量分析研究

随着生活水平提高,铁路客运量的预测也越来越重要,铁路客运量数据非线性且非平稳,预测难度较大.为了使预测的结果更加准确,将经验模态分解模型与支持向量机模型进行组合,对铁路的客运量数据进行预测.首先运用经验模态分解模型将铁路客运量数据分解,提取前三个不同频率的平稳分量以及余项;然后使用支持向量机分别对其进行回归预测,在建立...     

采用机器学习算法的软件能耗感知模型及其应用

针对软件开发人员不了解代码的能耗,或者即使能测得软件运行时的能耗但由于缺乏对影响能耗的各因素了解的问题,在对4种机器学习算法实验的基础上,选用岭回归算法建立了以软件性能事件为特征的软件能耗模型。以收集的软件能耗测量值和软件性能事件数据作为训练样本,利用岭回归机器学习算法建立平均能耗模型,用平均能耗模型来预测其他软件的平均能耗;并在此基础上,利用软件运行的实时特征提出了实时的能耗模型。实验结果表明:以测量的能耗为基准,采用所提出的平均能耗模型对软件能耗进行预测的误差率在9%以内;与平均能耗模型相比,实时能耗模型的预测误差率更低。采用本文所提出的两种能耗模型,软件设计人员不需要对自己的软件进行测量和训练就可以较准确地估算出软件的能耗并能解释能耗产生的原因,最后根据预测结果对软件的能效进行优化。     

上证月平均收盘价走势的统计分析——基于ARMA模型

基于ARMA模型,对2000年1月至2014年3月上证月平均收盘价数据进行拟合,结合R和Eviews软件,用BIC准则进行模型的定阶,所选择的模型预测误差在可接受范围内,并根据最终模型进行趋势预测,结果显示未来五个月的月平均收盘价有上涨趋势.     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

中国社会消费品零售总额的预测模型

用自回归、移动平均、自回归移动平均模型(ARIMA)拟合分析2002年1月到2008年8月中国社会消费品零售总额,建立预测消费品零售总额的疏系数乘积季节模型,并用该模型预测2008年6~10月的社会消费品零售总额和2009年月度消费品零售总额.模型预测误差率都在0.03以内,估计值与真实值吻合,拟合效果能达到预期的目的.     

基于指数平滑法的京包线铁路客运量预测

铁路客运量预测是编制旅客运输计划的基础,也是铁路技术设备改造的重要依据。铁路客运量预测的方法有多种,利用时间序列法中二次指数平滑模型,结合京包线近几年旅客发送量调查数据,通过时间序列趋势变化分析,计算得出2012-2013年旅客发送量,为科学规划京包铁路发展提供理论依据。     

客运交通量预测模型构建与分析

客运量预测是在客运市场调查的基础上以及历年的客运统计数据为依据,采用科学的方法和手段,对未来一定时期内客运量的需求的变化趋势以及与之相关的各种因素的变化的影响进行分析、测算并做出预见和判断.通过对公交票价和市区人口数以及市区自行车保有量数据进行分析,利用多元线性回归方法建立了城市客运量的预测模型.其次又运用二次指数平滑法对某市下一年的客运量做出了科学的预测,同时建立客运量预测模型.并对两种预测模型的精度进行了比较,将两种预测模型下的拟合值与实际值进行了对比,进一步检验了模型的应用.     

河南省铁路客运量预测中影响因素的灰关联分析

铁路客运量预测是铁路旅客运输组织工作的重要基础和主要依据之一。从定性和定量两个角度出发,提出了铁路客运量预测的影响因素体系,并建立了铁路客运量多目标灰关联评价模型。该模型的应用,可以对各个地区的铁路客运量影响因素进行评价比较,并分析各种因素的影响程度,确定其层次结构及对客流的关联度,对于提高现有铁路运量的预测精度有着极其重要的现实意义。     

中国民航货运量的时间序列模型

主要运用时间序列分析的方法及EViews与SPSS统计软件对时间序列建立乘积季节模型,并搜集了中国1993年1月～2000年12月的民航货运量数据,对其进行分析.根据Box-Jenkins的建模方法,建立了中国民航货运量的模型,并对模型进行适应性检验.同时通过比较预测数据与预留数据间的差别,表明模型较为合理.     

基于粒子群优化偏最小二乘的铁路客运量预测

通过对1997—2012年铁路客运量的影响因素进行分析,建立偏最小二乘回归模型,并用实际的铁路客运量与预测值进行比较,检验出模型的预测误差较大.为了提高模型的预测精度,采取粒子群优化算法优化回归系数,得到一个新的模型.经检验,该模型的预测误差由原模型的3.04%降到1.01%.最后用该模型预测出2013—2014年的铁路客运量分别为210.970 5千万人和227.368 8千万人.     

基于ARIMA的乘积季节模型在桥梁拱座位移监测中的应用

桥梁拱座的位移变化直接影响桥梁结构的安全。提出了一种基于ARIMA乘积季节模型的桥梁拱座位移监测数据分析和预测的新方法,介绍了乘积季节模型建立的主要步骤和关键技术。结合某桥梁拱座径向位移的实际监测数据进行分析、预测,结果表明:使用本文方法建立的乘积季节模型能够准确预测桥梁拱座的位移趋势,且预测精度较高。     

欧亚商都购物人次时间序列预测模型

时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,文中采用1998~2002年的数据,应用时间序列分析中的ARIMA模型对欧亚商都2003~2004年的季节购物人次进行了预测,实际计算过程由Eviews软件的自回归移动平均模型ARIMA过程实现,结果与实际数据基本相符,本模型所取参数对欧亚商都购物人次的短期预测是行之有效的。     

基于最小二乘支持向量机的铁路客运量预测研究

基于2002年1月—2008年6月铁路客运量数据,建立了铁路客运量的最小二乘支持向量机预测模型.实验表明,最小二乘支持向量机适合铁路客运量预测,且具有较高的精度.     

铁路客运需求分析与短期客流预测研究

旅客对于铁路客运的需求直接决定了铁路自身的运输生产,对历史旅客需求规律的准确分析以及对未来短期需求的准确预测对旅客运输组织的优化极为重要。为此,提出了基于Prophet模型的铁路客运量需求分析方法和基于Seq2Seq-Attention与Prophet非线性组合模型的短期客流预测方法。前者可以从长期的历史数据中分解出普适整个数据的客流时间分布特征,从而对过去的客运需求规律做出分析;后者利用神经网络进行非线性组合,以求在不同规模的数据集上充分发挥Seq2Seq-Attention网络与Prophet模型各自的优势,做出更精准的客流需求预测。通过实例验证表明,使用Prophet模型将客流历史数据分解成多种时间分布类型数据后在整个数据集上的误差仅有6.68%,同时Seq2Seq-Prophet模型在数据集上的预测效果好于组成它的单模型和其余既有方法。     

我国三大产业增加值与水电、火电、核电发电量关系研究

文章研究水电、火电与核电发电量随时间变化的时序关系及各发电量与三大产业增加值的量化关系.利用国家统计局2000—2015年的电力年度数据,借助Eviews 6.0软件,建立Brown单参数指数平滑模型并对电力发展短期趋势进行预测;建立双变量弹性分析模型并预测三大产业增加值对水电、火电、核电发电量产生的影响;建立多元回归模型,发现水电、火电、核电发电量与三大产业增加值为正相关.     

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。