时间序列平稳性检验

对于一个时间序列的分析首先要判断是否是平稳时间序列,即看它的均值和方差是否随时间的变化而变化,且自相关函数是否与时间间隔有关而与所处的时刻无关。通常,大多数时间序列是非平稳的。因此,首先要检验平稳性,然后再将非平稳时间序列转化成平稳时间序列。在时间序列分析中,为检验序列的平稳性,经常要用到一阶差分,二阶差分,有时为选择一个合适的时间序列模型还要对时间序列数据进行对数转换或平方根转换等。从时间序列数据和时间序列模型2方面来阐述时间序列平稳性的检验,共介绍4种检验法。在实际中可以将这些方法与实际背景相结合来判断时间序列的平稳性。     

时间序列非平稳检测方法的对比分析

对比分析了检测时间序列是否平稳的两种方法:一种是基于简单的统计方法检测时间序列非平稳性的run-test(简称RT)方法(考虑了3种典型方法:均值RT、方差RT和标准差RT),另一种是利用动力非平稳检测的图示方法(space time-index,STI)。通过分析人工生成的已知平稳性的时间序列和实际湍流时间序列,对比了两种方法在时间序列非平稳检测上各自的优劣:RT方法简单、高效,但精确度低;STI方法精确度高,但复杂、低效。同时,分析了3种不同的RT方法对不同类型时间序列的平稳性检测能力,表明方差RT方法最适用于湍流时间序列非平稳性检测。     

时间序列非平稳检测方法的对比分析

对比分析了检测时间序列是否平稳的两种方法: 一种是基于简单的统计方法检测时间序列非平稳性的run-test (简称RT)方法(考虑了3种典型方法: 均值RT、方差RT和标准差RT), 另一种是利用动力非平稳检测的图示方法(space time-index, STI)。 通过分析人工生成的已知平稳性的时间序列和实际湍流时间序列, 对比了两种方法在时间序列非平稳检测上各自的优劣: RT方法简单、高效, 但精确度低; STI方法精确度高, 但复杂、低效。同时, 分析了3种不同的RT方法对不同类型时间序列的平稳性检测能力, 表明方差RT方法最适用于湍流时间序列非平稳性检测。     

时间序列分析技术在GDP增长预测中的应用

综合运用了判别时间序列平稳性的方法，建立了1952-2004年中国GDP的时间序列模型。为了消除虚假回归，利用单位根方法检验了时间序列的单整阶数；在判别差分序列的平稳性之后，利用AIC和SC准则判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q))；然后用OLS法对时间序列模型的回归参数进行了估计，对估计模型进行了白噪声检验，并对通过检验的回归结果进行了分析。     

中国股市日内成交量序列建模及预测研究

首先研究上证指数日内高频成交量时间序列的统计特征,包括平稳性、自相关和 长 记 忆 性,然后我们通过对剔除日内周期趋势的成交量序列建立 ＡＲＭＡ 模型,并分别结合 ＡＲＣＨ 类模型和 ＡＲＦＩＭＡ 模型消除模型的异方差和长记忆性．我们的实证分析结果表明在消除日内周期项、异方差和长记忆性后建立的时间序列模型比原始序列的时间序列模型有更高的预测精度．      

基于高频数据的时变VaR建模和预测研究

提出了VaR时间序列动态预测的方法.首先以上证综合指数和深证综合指数日内分钟数据为基础,根据不同方法计算出每日VaR值,然后给出了VaR时间序列的统计特征,包括平稳性和长记忆性,最后对VaR序列建立ARMA模型和ARFIMA模型,并比较了两种模型预测效果.我们的结果表明:1)基于德尔塔正态法的VaR序列其ARMA模型预测效果好于历史模拟法和蒙特卡洛模拟法的预测效果;2)尽管VaR序列存在长记忆性,但所有VaR序列的ARMA模型预测效果好于ARFIMA模型的预测效果.     

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。     

动态数据系统的时间序列建模策略

传统的基于相关性分析方法进行建模的局限性和"危险性"主要表现在:估计的样本自相关是非常坏的估计,经常会有大的方差,彼此之间是高度相关的,可能给出原来序列结构一个完全失真的图像,不能较准确和全面地反映系统特性。提出了基于动态数据系统的时间序列建模方法,将时间序列看作是随机系统对不相关的或相互独立的"白噪声"输入响应的一种实现方式。对平稳时间序列,以自回归滑动平均模型为基本模型,并以额值为1递增拟合,用F检验判断拟合的改善程度,最后用残差分析判断模型的适用性。对非平稳序列,需先分离出确定性趋势,对剩余平稳随机部分建模分析。用该方法对隧道位移监测数据建模分析,预测与实测吻合较好,表明该方法具有适用性好、精度高且便于编制程序实现等优点。     

基于Steger算子的非平稳信号瞬时频率估计方法

针对传统的非平稳信号时频分析中瞬时频率估计方法在适应性、抗噪性和精度等方面存在的问题,提出一种基于Steger算子的非平稳信号瞬时频率估计方法;先将一维非平稳信号经时频分析得到二维时频分布图,对其进行Gaussian函数卷积平滑滤波以增强瞬时频率脊线,然后构造Hessian矩阵求取瞬时频率脊线中心,最终根据瞬时频率脊线与时频分布图位置关系,计算得到瞬时频率。结果表明,基于Steger算子的非平稳信号瞬时频率估计方法对时频分布图适应性强,抗噪性优异,瞬时频率误差率小于5%,瞬时频率估计精度较高。     

面向离合器接合过程控制的不确定性估计

为解决非平稳随机循环载荷等不确定性因素造成的变速离合器接合过程平稳性问题,提出了面向离合器接合过程控制的不确定性估计方法。以某5t装载机V型工况重载后退作业离合器接合过程为研究对象,通过对其扭转振动方程降阶处理,在构建非平稳随机循环载荷不确定项参数表达与离合器接合摩擦转矩时变模型的基础上,得到离合器接合过程主从动端转速差的不确定性表达。通过变速器参数标定、台架试验及数值仿真,结果表明该方法可实现离合器接合平稳特性分析及不确定项阈值估计。所提出的不确定性估计方法对类似强不确定性离合器接合的鲁棒控制器设计具有参考价值。     

关于ARMAV（n,m）模型的建模

在一维长自回归模型比较参数法建模的基础上,根据相同观测数据所对应的适用ARV(p)模型与ARMAV(n,m)模型两者传递函数相等的原理,给出了ARMAV(n,m)模型的建模方法。     

基于形态拟合的时间序列距离计算

针对现有的距离度量方法度量准确度低且计算效率低的问题,提出了基于形态拟合的距离度量算法.该算法使用滑动聚集平均近似方法对序列进行分段降维处理,计算降维后的分段序列的动态弯曲路径,并计算处于动态弯曲路径上的分段序列之间的欧式距离,以所有分段序列的欧式距离的累积值作为最终的距离计算结果.实验表明基于形态拟合的距离度量算法具有度量准确度高且计算效率高的优点.     

壳模型湍流时间序列长度的概率分布

将Gledzer-Ohkitani-Yamada模型中的阵发混沌时间序列划分为不稳定周期部分的时间序列和阵发部分的时间序列,分别研究了各个壳的2类时间序列长度概率分布的特点.概率分布基本统计量的结果表明,惯性区各壳的概率分布随壳数振荡变化;而耗散区各壳的概率分布几乎相同,随着可调参数δ的增大,各壳的概率分布显著偏离高斯分布,这可能是速度结构函数相对标度指数对于K41标度律偏离的隐性原因.     

基于多通道小波卷积神经网络的路面异常检测算法

为了保证路面质量和行人与驾驶员的安全,提出了一种利用传感器时序多变量信号数据进行路面异常检测的算法.针对行驶过程中需要结合多种传感器信号在不同尺度对路面特征进行分析的问题,提出结合小波卷积网络和多通道网络技术,实现路面异常检测.首先,在多级小波变换间加入卷积神经元网络,从多个尺度分析单个传感器信号的局部连续性;然后,构建多通道神经网络,将多个传感器信号分别作为不同通道的输入,计算多个信号相结合的特征向量;最后,使用多层感知机根据多通道小波网络的输出实现路面异常检测.实验结果表明,该检测算法相对于传统的时间序列分类方法,同时考虑了多尺度分析、信号局部连续性和多变量信号的结合,在分析多变量时序信号数据时,具有更低的误检率和漏检率,更高的F1值.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

时间序列分析系统设计

设计了时间序列分析系统,并介绍了该系统的组成模块及其功能,可以广泛用于经济、社会、信息等领域。     

旅游客流量预测的模糊时间序列模型--以黄山风景区为例

以黄山风景区1979－2004年的年度旅游人数数据为训练集,运用模糊聚类算法客观地分割论域,然后建立了一种模糊时间序列的加权模型以充分利用观测样本的初始信息。通过对传统的模糊时间序列模型与基于模糊聚类算法的加权模糊时间序列模型两种预测结果均方误差的比较,可见基于模糊聚类算法的加权模糊时间序列模型不但具有更高的预测精度而且也具有更好的稳定性。     

非平稳时间序列的线性预测

本文研究非平稳正态时间序列的线性预测问题。导出非平稳正态序列的递推预测-平滑公式。对于讨论同一问题的某些文献的结论进行了分析,指出该文的结论对非平稳序列并不适用。