首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
基于ARIMA与信息粒化SVR组合模型的交通事故时序预测   总被引:4,自引:0,他引:4  
该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。  相似文献   

2.
介绍求和自回归移动平均模型ARIMA(p,d,q)的模型拟合方法,利用SAS统计软件实现模型的拟合。采用时间序列分析方法,对湖北省1978~2013年人均GDP的数据进行分析。通过对数据平稳性检验、模型参数检验、白噪声检验等分析,建立了ARIMA(1,1,0)时间序列模型,并对未来十年的湖北省人均GDP数据进行预报。  相似文献   

3.
道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。
  相似文献   

4.
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。  相似文献   

5.
道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。  相似文献   

6.
对1978-2011年重庆市生产总值时间序列进行分析,研究发现四阶差分之后,数据趋于平稳;四阶差分序列的自相关系数一阶截尾,最终建立时间序列ARIMA(1,4,1)模型,并测算残差平方和,但ARIMA模型的残差序列存在自相关,对拟合效果产生了影响;基于时间序列ARIMA(1,4,1)模型研究的基础,进一步采用线性神经网络对序列进行学习和仿真计算,结果表明:神经网络的模拟效果优于ARIMA时间序列的模拟效果.  相似文献   

7.
国内生产总值的预测模型   总被引:1,自引:0,他引:1  
运用自回归求和滑动平均ARIMA(p,d,q)模型对我国周内生产总值时间序列进行分析,结果表明ARIMA(2,2,5)模型可以提供较准确的预测效果,可以用于未来的预测,预测的结果可作为经济决策者的参考依据.  相似文献   

8.
本文利用时间序列分析线性模型中求和自回归移动平均模型(ARIMA)和统计学软件SPSS,选用1947-2014年新生儿人口数据为参考数据序列,通过参数检验与残差分析验证ARIMA模型在人口预测分析上的可靠性.模型的拟合与实证分析说明时间序列分析在人口预测问题上的有效性,可对中国婴儿潮做短期预测.本文还对2015年到2030年新生儿人口数进行统计分析,预测第四次婴儿潮的到来.这将给社会计划生育、教育、交通等方面提供重要参考数据.  相似文献   

9.
时间序列预测模型及其应用   总被引:4,自引:0,他引:4  
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.  相似文献   

10.
交通流预测是智能交通系统的一项重要研究内容。本文考虑路网的复杂性,使用多元时间序列模型建模,针对贵阳市省医路口2016年4月上下游交通流数据:首先建立ARIMA模型,采用Ljung-Box方法对模型效果进行检验,模型未能通过显著性检验;然后根据车辆的基本通行规律,构建多元时间序列ARIMAX模型,第一步利用主成分回归建立上下游交通流回归模型,第二步对模型残差进行ARIMA建模,得到的ARIMAX模型能够通过LB检验;最后利用预测误差绝对值均值和预测误差百分比绝对值均值进行模型性能评价,构建的ARIMAX模型均优于ARIMA模型。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号