时间序列分析在我国财政收入预测中的应用

介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及SAS实现.将ARIMA模型应用于我国财政收入的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型.     

ARIMA模型在太原市全社会固定资产投资预测中的应用

采用Eviews软件系统中的时间序列建模方法对太原市的固定资产投资总额资料进行了分析，建立了ARIMA模型。结果显示ARIMA（2，1，3）模型提供了较准确的预测效果，可用于未来的预测，为太原市全社会固定资产投资的预测提供了一种方便实用的方法。     

基于ARIMA模型的我国粮食产量时间序列分析

本文介绍求和自回归于移动平均模型ARIMA（p,d,q）的建模方法。基于1978-2009年我国粮食生产总量的数据分析与预测,并用Eviews软件完成建模过程。通过两个模型预测效果的比较,结果表明,平滑ARIMA模型比ARIMA模型预测的准确度大大提高。     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.     

基于ARIMA模型的国内生产总值预测

本文通过对1952年以来的各年度GDP数据进行数学建模,利用ARIMA模型对年度GDP进行了预测。实验结果表明：ARIMA模型对GDP年度数据预测的一步预测相对误差可以保持在3%以内,具有较高的预测精度。     

对国家财政用于社会福利支出的预测分析

文章运用SAS软件系统中的时间序列建模方法对国家财政用于社会福利支出建立了ARIMA模型，并做了预测分析，得到了较高的预测精度，为国家有关部门用于社会福利支出的预测提供了一种方便实用的方法．     

基于ARIMA建模的重庆市第三产业产值预测

随着经济的快速发展,第三产业的产值对经济的促进作用越发显得举足轻重,采取自回归求积移动平均法(ARIMA)模型在重庆市2013统计年鉴分析的基础上对第三产业的总值进行了ARIMA建模并进行预测,结果显示,ARIMA(1,2,2)模型对重庆第三产业产值提供了较为准确的预测结果,有较好的拟合程度,可用于未来的预测.     

基于多元时间序列的交通流预测模型

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。     

基于ARIMA模型的人民币汇率预测与分析

对2015年8月11日汇改之后的人民币兑美元汇率进行分析,建立ARIMA(14,1,0)模型,残差检验证明该模型是合理的。利用模型ARIMA(14,1,0)对2016年3月10日至2016年3月23日的人民币汇率进行预测,预测结果基本接近实际值,相对误差控制在0.5%以内,并且前5天的平均误差为0.2%。预测结果再次表明,ARIMA(14,1,0)模型完全适用于美元/人民币汇率的建模,特别是对短期范围内汇率的预测是切实可行的。     

乘积ARIMA模型的建立及应用

ARIMA模型作为统计预测中的一种重要模型,被广泛运用于各个领域中。本文在非季节性及季节性ARIMA模型的基础上介绍了乘积ARIMA模型的一般表达式,提供了建立这类模型及使用其进行预报的一般过程,并以某超市月顾客量数据进行了实例分析。分析结果表明,当一时间序列不仅含有季节性成分,还混有非季节性成分时,用乘积ARIMA模型的预测精度较高。但该模型只适用于短期预测。     

基于ARIMA模型的福州市雷暴日趋势分析

在分析ARIMA(p,d,q)预测模型的基础上,以福州市1961-2006年的雷暴日为时间序列基础,通过对该序列进行平稳性分析、差分处理、自相关、偏自相关系数计算与绘图、ARIMA建模、参数估计、假设检验及模型预测,将ARIMA模型运用在雷暴日的趋势分析上.研究结果表明,ARIMA能很好地拟合计算出未来短时段内的数据,...     

矿井涌水量时间序列ARIMA预测模型

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

SARIMA模型的建模及其信贷预测分析

对自回归单整移动平均季节模型(SARIMA模型)的原理,以及建模思想进行诠释.指出在经济数据中普通存在的季节性问题,并在ARIMA模型基础上提出SARIMA模型.通过对中国人民银行的月度信贷总量资料的建模及预测分析,得到良好的效果.SARIMA(1,1,0)(1,1,1)12模型这一短期预测模型及其短期预测的结果,可为中国人民银行进行信贷政策的制订提供依据.     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

我国货币市场国债回购利率预测模型研究

选择国债回购利率为研究对象,分别建立了ARIMA及GARCH模型并比较了这两种模型的预测能力。结论表明:使用传统的ARIMA模型,模型ARIMA(0,1,1)配适得较好,如使用GARCH模型,以模型GARCH(2,3)适配效果较好。此外,虽然GARCH模型的预测置信区间的波动性比ARIMA模型要小,但ARIMA模型的预测置信区间要更小一些因此预测能力比GARCH模型更强。     

短时间序列集的一种预测调和方法

由于互联网以及大数据产业的高速发展,各行业产生了大量的短时间序列数据。因此,对这些数据进行分析进而预测其未来趋势成为了重要的生产和管理的手段。短时间序列以单个序列的观测数量少为特征,是时间序列分析的一个难点。如果预测对象是短时间序列数据集,就可以利用其总量的预测值去调节各分量的预测值。文章提出了一种时间序列的预测调和方法,并通过此方法去调节ARIMA模型对一个短时间序列数据集的建模预测结果,与ARIMA的预测结果相比,调和后的预测精度得到了提高。     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

“十三五”时期中国粮食产量的预测研究

从中国粮食产量的历史趋势中找出规律,寻找适当模型为政府进一步制定相关的农业改革政策提供参考。以1949—2014年中国粮食产量数据作为建模样本,运用EViews 6.0,建立中国粮食产量的ARIMA模型。建立了ARIMA)0,1,1(模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。模型预测效果显著,具有现实意义。     

AR IMA模型对中国健康保险的预测研究*

目的从中国健康保险的历史趋势中找出规律,寻找适当模型分析健康保险的可持续发展状况。方法以2006年1月至2015年11月中国健康险保费收入数据作为建模样本,运用EViews7.0,建立中国健康保险的ARIMA模型。结果建立了ARIMA(1,1,1)(1,1,1)~(12)模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。结论样本外预测依然呈现历史规律,未来趋势性正面影响和季节性反面影响更加显著。