多维AR（p）与指数平滑组合预测算法的研究及应用

介绍了时间序列多维AR(p)模型和指数平滑模型的理论和方法，将这两种模型结合起来构成新的组合预测模型，并用于预测测井曲线．应用实例证明，多维AR(p)与指数平滑组合预测模型比单独用多维AR(p)预测模型有更高的预测精度．表明该组合预测模型是一种非常有效的预测新方法．     

用带时序子模块的系统动力学模型预测Brent原油价格

提出在系统动力学模型中加入时序自回归AR(p)子模块，并且自动确定每个AR(p)子模块的阶数p。带时序子模块的系统动力学模型既体现了因素问的横向因果关系，又体现了每个因素的纵向关系。建立欧佩克(OPEC)石油产量、世界GDP、煤炭产量与价格、天然气、需求量、供求差额、消费系数、非欧佩克石油产量、非欧佩克供求差额，石油库存和OPEC组织的期望油价共十一个因素影响下的Brent原油价格预测模型，模型的预测结果表明：在系统动力学模型中加入时序自回归AR(p)子模块的方法是可行的、有效的，并且能提高模型的预测精度。     

粗铜冶炼中铜锍品位的动态预测模式 —AR（p）与指数平滑最优组合法

提出了一种对铜锍品位进行预测的新方法 ,即以采集的现场数据为基础 ,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型 .AR(p)模型要求数据对象是平稳时间序列 ,而三次指数平滑模型的数据对象具有随机性 ,考虑到铜锍品位的波动性 ,将 2种模型按最小二乘原理 ,以组合预测误差平方和为目标函数 ,通过使误差平方和极小化来确定 2种预测方法的最优加权系数 ,建立了一种新的组合模型 ,其预测误差最小 .结果表明 ,在当时数据条件下 ,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高 ,这对指导生产具有实用意义 .     

基于Durbin-levinson估计的多维AR(p)过程的实证分析

基于Durbin-levinson算法对多维AR(p)过程的系数进行了推断,通过求解多维AR(p)过程的Yule-walker方程,给出了模型系数的矩估计,并介绍了模型定阶过程中的AICC准则,最后,利用ITSM2000程序对实际问题做了相关分析.     

汛期雨量长期预测建模分析

通过趋势分析、跳跃分析和周期分析对上海徐家汇站汛期雨量时间序列进行组成成分分析.在此基础之上,为了探究最适用于上海徐家汇站汛期雨量的长期预测模型,选择改进的周期均值叠加模型,自回归模型AR(p),门限自回归模型TAR,灰色模型GM(1,1),误差反向传播(BP)神经网络和径向基函数(RBF)神经网络建立长期预测模型.采用平均相对误差、均方根误差、确定性系数、合格率和特大值预测合格率这5项评价指标对比分析各模型预测效果.研究结果表明,徐家汇站汛期雨量时间序列的周期成分明显,不存在趋势和跳跃成分;综合5项指标,TAR模型对汛期雨量一般值的预测效果最优,对特大值的预测需要同时参考AR(p)模型和RBF神经网络.     

基于多模型集成的铁矿粉库存量预测方法

针对铁矿粉库存量预测问题,结合灰色系统模型与时间序列模型的优点,提出一种基于多模型集成的库存量集成预测方法.根据库存量历史数据,分别建立基于残差修正的等维新息GM(1,1)模型与自回归积分移动平均模型ARIMA(p,d,q);采用基于信息熵的方法对2种模型进行加权集成;分别采用单一模型与集成模型对铁矿粉库存量进行预测.仿真验证结果表明:集成预测模型实现库存量的准确预测,在3种模型中预测结果最好.     

非等间距GM(1,1)组合预测模型

根据灰色模型建模特点,利用等维灰色递补动态预测模型的方法建立了非等间距GM(1,1)预测模型。基于这些GM(1,1)预测模型给出了一类非等间距GM(1,1)组合预测方法。实例表明结果理想可靠,有较高的拟合和预测精度。     

两种改进的电力负荷灰色预测模型的应用

以本地区某县级电网的用电负荷的预测为例,对比分析了GM-Malkov模型和改进的等维递补灰色模型两种模型的预测结果和单纯的灰色GM(1,1)模型的预测结果。预测结果表明,灰色-Malkov链改进方法及中等维数的等维递补灰色预测模型的预测精度较之单纯的GM模型都有较大提高。     

基于WD-RSPA模型的水文时间序列预测——以马口站和深圳市为例

为了解决传统水文时间序列预测模型预测精度不高、未考虑实际噪声影响等问题,将小波消噪(Wavelet De-noise,WD)与秩次集对分析(Rank Set Pair Analysis,RSPA)方法耦合,建立基于小波消噪的秩次集对分析水文预测模型(WD-RSPA),并应用于马口站年总径流量以及深圳市年总降雨量预测。结果表明:当集合维数T=4时,coif3-RSPA模型预测马口站径流量的预测误差|e|=11.97%;T=6时,db5-RSPA模型预测深圳市降雨量的预测误差|e|=17.73%。相较于传统AR(1)模型和单一的RSPA模型,WD-RSPA模型更接近真实值,是一种切实可行的水文时间序列预测方法。     

GAR(2)模型的平稳域及参数估计

GAR模型为应用很广的一类非线性时间序列模型,AR模型为其特殊情况。本文给出了当系数为白噪声时GAR(2)的平稳域及相应的参数估计,并同时获得了多维GAR(1)的平稳性条件。     

基于卷积神经网络与门控循环单元的交通流预测模型

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器（encoder-decoder,ED）的卷积神经网络(convolutional neural networks,CNN)-门循环单元(gate recurrent unit, GRU)模型,简称ED CNN-GRU。首先使用CNN作为编码器,对交通流序列进行信息捕捉,再将上述信息通过GRU解码器进行解释并输出。实验证明,对比CNN、GRU单个模型,ED框架有效解决了误差的迅速累积问题。对比其他基准模型,CNN、 GRU模型对于交通流序列的特征提取及解释能力较为优秀。对于未来12个步长的交通流量预测任务,对比其他基准模型,单因素输入情况的ED CNN-GRU模型的均方根误差下降约0.344～6.464,平均绝对误差下降约0.192～0.425。对比单因素输入,多因素输入下ED CNN-GRU模型拥有更好的预测能力。证明了ED CNN-GRU模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型。     

基于多元回归模型的2010年上海世博会客流量预测分析

选取上海城市吸引力系数和上海世博会的吸引力系数等参数,利用多元回归模型定性对2010年上海世博会客流量进行了预测及分析.结果表明:利用多元回归模型对世博会客流量做的预测与以前常用的渗透率模型和引力模型相比有其自身的优越性,考虑因素更为全面.     

财政收入的组合预测

财政收入是政府宏观调控的重要手段，受众多因素的影响，应用组合预测方法来综合考虑多种因素预测财政收入，首先，根据财政收入的组成结构和随时间的变化规律分别建立回归模型与时间序列模型两个线性模型；然后根据财政收入时间序列建立了BP神经网络的非线性模型，最后在此基础上建立组合预测模型，对财政收入预测进行了有益的探索。     

枯季径流预报探讨

在分析研究流域气候特征及枯季径流来水规律的基础上,用水文方法分别建立了枯水期月径流预报模型。水文方法是利用水文序列资料建立自回归模型,用实测资料对预报模型进行了验证。     

企业项目投资的模糊信息决策模型

文中应用模糊集合论、概率论及多元统计相结合的思想方法，在考虑到影响企业经济效益的各种因素的条件下，以利润率为目标建立了企业项目投资的预测模型     

基于多元统计—神经网络的教学质量评估模型

给出了基于多元统计—BP神经网络的教学质量评估模型,先采用相关分析、主成分分析对其影响因子作评价和预处理分析,然后以BP神经网络模型作预测,并在Matlab中实现.结果表明,基于多元统计—BP神经网络的教学质量评估模型,既克服了在评估过程中的主观因素,又得到了满意的评估结果,具有广泛的适用性.     

煤炭价格预测模型及其应用

采用多元线性回归分析法和时间序列分析法建立了全国煤炭平均价格的预测模型，并将其较好地应用于2004年煤炭平均价格及其置信区间的预测。     

数控机床电主轴热误差的预测方法

为了减少电主轴的热误差,提高数控机床的加工精度,对于时变速度的主轴运转,分别采用多元自回归方法和遗传径向基函数神经网络方法建立电主轴热误差预测模型.根据2种模型对电主轴热变形产生机理的不同表述形式,比较二者的计算效率和拟合精度.研究表明:在相同温升变量的条件下,二者的收敛速度和运算时间相差无几;在预测精度方面2种建模方...     

基于IOWA算子的安徽省物流需求组合预测

使用安徽省1988-2011年物流货运量的历史数据,分别采用多元回归、多项式拟合回归及指数曲线回归预测方法建立了安徽省物流需求的预测模型.在此基础上,建立了基于IOWA算子的组合预测模型和预测误差评价指标体系,最后应用此模型对安徽省未来10年的物流需求进行了预测.结果表明,该组合预测模型可作为安徽省物流需求预测的有效工具.     

GM（0,N）模型在河流径流量预测中的应用

河流径流量的预测对水资源的优化调度管理具有重要的意义,传统的预测方法中原始数据的随机性对预测精度具有很大的影响。对GM（0,N）模型进行了研究,建立了以河流径流量为系统特征数据序列,年平均降水量和年平均饱和差为相关因素序列的GM（0,3）模型。通过模型预测数据和实测数据的对比,说明了GM（0,N）模型具有较好预测效果;同时,为了证明GM（0,N）模型的优点,对比了其预测结果与线性回归预测模型的结果。