车速的时间序列分析模型

基于高阶统计量方法,建立连续车流地点车速的时间序列分析模型.由于高阶累积量方法能够处理非高斯、非最小相位、非因果的时序数据,故由其辨识的时序模型具有更广泛的适用性.此外,连续车流地点车速具有非独立性特征,时间序列模型在相当大程度上蕴含了这些信息.仿真算例是成功的,实例计算与实际是一致的,从而说明该模型与方法是正确的.     

基于ARMA时间序列理论的建模及应用

介绍一种精度较高的时间序列短期预测方法,即带有周期性的ARMA模型。通过该数学模型的分析与研究,对时间序列整个变化的规律性做出近似描述,更准确的认识与了解到时间序列的结构与特征,进而达到最小方差意义下的最优预测。     

基于MATLAB的混沌时间序列算法对材料腐蚀行为的预测

采用混沌时间序列模型,用MATLAB语言编程,分析材料的工业大气腐蚀失重试验数据的时间序列变化规律,进而预测出未来时段的腐蚀量.一致性检验结果表明,预测模型的计算值与实际测定值非常接近.而且可进一步预测试样的腐蚀趋势.实际预测结果表明,材料腐蚀量的混沌预测法相对准确而有效.对比灰色理论模型,本模型可得到较好的预测效果.     

基于时间序列的水量分析模型

本文利用时间序列的分解，结合洞庭湖城陵矾水文站2006年10月至2009年2月的月平均水位，对数据序列的长期趋势、循环因素、季节因素以及随机波动进行了分析。     

时间序列中一种新的参数检验法

应用图模型方法来讨论古典的双线性模型BL(1,0,1,0),将BL模型表示成混合图,运用通常的图模型推断算法提出了一种新的参数估计和检验法.     

时间序列预测模型及其应用

预测预报是时间序列分析的应用之一，人们根据大量的观测数据对系统进行分析，主要原因是为了能够预测出系统在未来的特性，以便对系统的特性进行处理或控制．文章给出了自回归-滑动评价混合模型（ARMA模型）、平稳序列模型、差分序列模型（ARIMA模型）三种时间序列预测模型，并给出了具体的例子．     

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。     

非线性位移时间序列分析模型的进化识别

引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的岩土结构变形非线性动力学演化特征的进化识别算法·设计了能自动确定输入时步长度以及非线性动力学模型结构和参数的分步进化方案,对非线性时间序列分析模型的结构和参数进行全局最优搜索·将该方法用于三峡永久船闸高边坡开挖变形的预测分析,取得了满意的效果,提供了一个有效的岩土工程设计与施工的分析工具·     

特征轨迹设计技术及MATLAB实现

介绍了MIMO系统特征轨迹设计方法的基本思路和算法，以示例方式说明了有关算法的MATLAB语言实现和系统设计的步骤，同时指出目前流行的MATLAB环境语言使得频率域设计变得轻而易举，这为该方法在我国控制工程界的推广提供了便利。     

太原市月降水量时间序列分析

文章根据1995-2009年太原地区的月降水量数据,进行时间序列分析,建立了太原市月降水量时间序列模型,并预测了未来12个月的降水量情况,为准确预测太原市月度降水量数据提供了参考.     

青岛市大气污染时间序列分析预报方法研究

根据青岛市大气污染监测资料,采用时间序列分析方法,建立多种预报模型,有原序列周期外延法、均生函数周期外延法,均生函数逐步回归法以及自回归预报法等,最后提出一种综合预报模型。连续预报试验表明,综合预报模型优于任何个别预报模型,有较好的预报能力。利用马尔可夫模型对污染状态（轻、中、重）进行了分级预报试验,也获得良好的效果。     

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。     

时间序列分析的小波方法

本书介绍了时间序列的小波基统计分析方法、离散小波变换理论和算法，给出了时间序列处理技术的算例。为了便于读者自学，本书以附录的形式给出了书中练习的答案，更为方便的是书中所提供的网站，使读者很容易得到书中使用的时间序列、小波和SP编写的软件。     

回归模型与时间序列在大坝变形监测中的应用

对大坝监测的GPS数据,利用回归分析和时间序列的方法建立了大坝形变模型,并进行数值模拟。结果表明误差为AR（1）的回归模型优于普通的回归模型,而且优于一般小波方法的非线性回归模型。     

时间序列分析的历史发展

阐述了时间序列分析的发展历程：早期自然科学主要应用单纯的描述性分析;差分、指数和滑动平均等基本概念推动了统计性时序分析的发展;以Fourier级数为基础的周期图方法是频域分析的核心内容;时域分析经过了从AR（2）模型、AR（4）模型→AR（s）模型＋MA（h）模型→AR-MA（s,h）模型→ARIMA模型→ARCH、ARCH族模型的漫长过程.     

基于Box-Jenkins方法的中国年度GDP时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国1966-2006年的年度GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARMA模型,本文也通过模型对中国2007-2010的年度GDP进行了预测.模型实证分析的结果表明:在GDP时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

时间序列预测模型研究简介

在对时间序列预测模型的发展进行综述的基础上,就时间序列分析法的研究方法、理论意义、实际应用以及进一步的工作进行了阐述,使对该研究方向的理论、方法和应用有一个较清晰的了解。     

黄淮海平原历史旱涝灾害的时间序列分析

选用全国自然灾害历史数据库中黄淮海平原地区的旱涝灾害等级数据，运用时间序列分析方法，建立了该地区旱涝灾害的自回归－－移动平均混合模型（ＡＲＭＡ模型），并根据所建模型对旱涝灾害进行了后验预报，结果表明，用ＡＲＭＡ模型做年际旱涝变化趋势预报是有潜力的。     

时间序列分析方法的研究

时间序列分析方法是建立变形测量预测模型的主要方法．本文就变形测量中用AR模型建立变形预测模型的参数估计问题以及模型阶次问题进行了探讨，并指出在样本观测值有限的条件下，宜采用最小二乘法及动态数据(DDS)方法建立动态变形的预测模型．     

沪深A股综合指数的时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国沪、深A股综合指数的2000～2009年月收盘数据序列进行建模分析,验证了沪、深A股综合指数月收盘数据的时间序列特性,研究并选择了这两个序列的最佳ARMA模型,本文也通过模型对2010年的综合指数进行了预测.模型实证分析的结果表明：在股市综合指数时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.