时间序列线性建模

本文对序列的特点，时间序列的相关分析法，Ｐａｎｄｉｔ－Ｗｕ建模方法以及ＡＲ统一建模思路进行了讨论，结合实例进行了比较。     

时间序列神经网络动态建模研究

采用一种改进的时间序列神经网络用于过程系统的动态建模。该网络将输入变量的时间序列数据作为网络输入，同时以系统的脉冲响应系数为时间序列输入数据的权值，赋予神经网络模型一定的物理意义，从而使神经网络模型获得更好的外延性，能够更好地表达系统的动态特性。     

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。     

双线性时间序列建模在工程中的应用

采用“反复残差法”可对一些较为简单的双线性时间序列进行拟合，建立相应的双线笥差分模型。机床爬行是一种非线性自激振动现象，通过对试验结果的观察，发现机床爬行表现出双线性特征，实测信号的建模及其非线性特征分析说明双线性时序分析为研究机床爬行等工程中出现的非线性现象了一个有用的工具。     

基于时间序列的市场需求预测模型研究

在研究时间序列预测模型的基础上,提出了组合预测模型,并对模型参数进行了优化处理.用于预算未来某时期内市场供求趋势,从而为企业的决策提供依据.     

平稳随机时间序列的状态空间建模

在已知平稳随机时间序列样本数据的情况下,论述了如何采用正交投影算法和正交奇异值算法建立随机时间序列的状态空间模型和状态矢量估计,这种数学建模方法对于船舶机舱中的系统数学模建有很大的帮助。     

基于神经网络的压缩感知观测序列建模

首先阐述了信号处理的热点———压缩感知技术的基本理论框架,并且分析了压缩感知中观测序列的相关特性,接着将BP神经网络应用于非线性时间序列建模与预测中,相应地提出了加入观测序列建模预测后的CS理论框架,基于此框架,给出了实验仿真的结果,得出结论:利用神经网络对压缩感知观测序列进行建模预测可以进一步减少观测序列的传输量,并且具有很高的预测精度。     

基于时间序列分析的火灾数据研究

本文介绍了时间序列分析及其建模思想,并基于全国2004-2008年1-12月火灾起数建立时间序列模型,进行火灾趋势分析及提出控制时间和控制建议。     

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．     

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.     

基于时序建模的仿真系统精度检测方法

系统仿真实验可以用来测试武器系统的性能,为了使得仿真测试正确可靠,需要对仿真的精度进行检测,时间序列建模分析是可行的方法。本文针对飞行模拟器仿真系统进行仿真系统的精度检测,首先对飞行模拟器输入与实际飞行系统相同的控制参数,比较两系统的输出飞行参数值,得到误差序列,然后对误差序列进行时间序列建模,来检测仿真系统的精度并进行稳定性检验。实验表明该方法能够有效判断仿真系统是否符合精度要求。     

离散时间序列上的代数模型

主要研究离散时间序列上的代数模型.对于不能对角和不满秩的时间序列矩阵,运用指数对数的可逆变换及相关的列变换化为满秩可对角的时间序列矩阵,从而找到代数多项式模型.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

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。     

一种金融时间序列区域分割方法的研究

金融时间序列指描述不同金融产品诸如股票、汇率与基金等的时间序列.它与金融市场中人类的各种经济活动密切相关,呈现出复杂多变的状态.为了从海量的金融数据中发现有价值的,可用于投资的信息,大量学者采用数据挖掘来对金融时间序列作数据提取和处理.由于金融时间序列具有高噪声、非平稳性、潜在的周期性等特性,如果直接在金融时间序列的原始数据的基础上进行数据挖掘,会导致结果失败或是取得不理想的挖掘效果.而在数据挖掘前能对原始数据进行数据清洗、数据集成等预处理,数据挖掘质量将达到更好地效果.作为金融时间序列的一个重要分支,股票时间序列预测方法通常采用分段线性表示PLR(Piecewise Linear Representation)进行时间序列的预处理.但是PLR算法存在采用单一的拟合误差作为阈值,分段效果不太理想,算法本身的通用性,时间复杂度等性能都有待提高等缺点.本文提出了金融时间序列区域分割方法,该方法在定性和定量上都优于传统的分段线性方法.     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

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.     

广义模糊时间序列模型模糊区间划分研究

在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.     

基于变换的时间序列相似性分析

为了解决时间序列相似性比较问题,采用从时间序列的直观特征分析入手进行定义的方法,定义了具体的基于变换的时间序列的相似性,并分析了良好的时间序列变换函数所应具备的性质,讨论了一些有代表性的基于变换的时间序列相似性的定义和分析方法,对这些方法的基本思想加以提炼和总结,并讨论了这些方法的优、缺点,为基于变换的现代时间序列分析方法研究提供了较为完整的成果概览。同时,提出了借助变换函数来对时间序列的相似性进行定义的方法,为进一步做好时间序列相似性的比较工作提供了具体方向和理论依据。     

基于时间序列模型的职工平均工资预测

以时间序列模型为基础,对未来中国经济发展和工资增长的形势进行分析,经过合理的假设和筛选,确立工资的6个影响因素,继而引入国家效应、企业效应和个人效应3个影响因子。运用SPSS的相关性分析,对影响山东省职工年平均工资的因素进行分析,分别研究了国家效应、企业效应和个人效应与该地区年平均工资的关系,进一步运用SPSS,综合分析这3个因素对该地区平均工资的影响。最后,通过综合国家效应、企业效应和个人效应这3个因素建立的时间序列自回归模型,得到2011—2035年山东省职工年平均工资的预测值。通过时间序列的自回归模型预测值与实际值的Sequence Plot曲线,证实模拟效果较好,预测值符合模拟趋势。