时间序列分析法在预测未来GDP中的应用

时间序列分析法是根据已得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。本文是以郑州市的GDP为例,并运用ARMA模型预测法对未来5年郑州市GDP进行预测。     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

浙江省人均GDP时间序列模型的建立与预测

人均GDP是各级政府和学术界经常使用的主要指标之一,科学预测人均GDP有着十分重要的意义.文章建立了浙江省人均GDP的时间序列模型,并预测了2008-2012年浙江省人均GDP的发展水平,说明了浙江省经济将在未来4年继续保持高速发展.     

时间序列模型在我国财政收入分析中的应用

利用全国1978年至2005年间的28个财政收入数据,选择四个时间序列模型和一个混合指数函数—AR模型进行拟合。依据AIC准则、BIC准则和MAPE准则分别对模型预测精度进行评价,选择恰当模型。以2006、2007和2008年的数据作为检验数据验证模型的预测效果,进一步证实ARMA模型预测效果较好。     

时间序列分析技术在GDP增长预测中的应用

综合运用了判别时间序列平稳性的方法，建立了1952-2004年中国GDP的时间序列模型。为了消除虚假回归，利用单位根方法检验了时间序列的单整阶数；在判别差分序列的平稳性之后，利用AIC和SC准则判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q))；然后用OLS法对时间序列模型的回归参数进行了估计，对估计模型进行了白噪声检验，并对通过检验的回归结果进行了分析。     

模糊时间序列预测在动态经济系统预测中的应用

研究适合于动态经济系统的预测方法,对指导我国现阶段的经济工作有很大的意义。为尽可能地减少对动态经济系统预测的偏差,将模糊数学的理论应用于预测过程中,应用模糊时间序列预测方法,解决带有模糊信息的动态预测问题,使所得出的预测结果能够更加符合现实的需要。     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

神经网络在时间序列预测中的应用

将人工神经网络的ＢＰ模型应用于非线性时间序列预测,并将预测结果与传统预测方法的预测结果进行比较,表明神经网络预测方法具有明显的优势。     

基于时间序列分析的货运周转量预测

基于重庆市统计局的实际统计数据,通过对实际样本数据进行预处理,确认重庆水运货运周转量序列为平稳非白噪声序列。在此基础上,通过对1995-2009年重庆水运货运周转量的数据分析,利用时间序列分析方法建立了ARMA预测模型,结果显示该模型具有较好的预测效果,对重庆水路货物运输工作及水运的发展决策有一定的参考价值。     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.     

时间序列在地下水位预测中的应用

本文利用时间序列建立了一个趋势回归模型、虚拟参数的季节模型和时间序列分析的统计预测模型.该模型能够很好地分离出时间序列中的趋势成分,且能够很好地刻画它在各个年度周期内部光滑的季节成分.该文将地下水位统计数据进行了消除趋势成分及消除季节影响的处理,再将新得到的数据进行平稳化、零均值化处理,并利用时间序列的自相关函数、偏自相关函数的性质,最终确认了适当的时间序列模型.以北京市1990~1994年共60个月份的地下水位统计数据为实例进行分析,确定此模型为ARMA(1,4)模型.通过对数据的计算,可预测出北京市1995年地下水位值.     

基于改进神经网络的GDP时间序列预测

由于GDP时间序列具有线性和非线性的特征,神经网络(NN)方法和集成预测方法等在预测分析时可能产生较大误差.以GDP的年增长率作为神经网络的输入,建立基于BPNN的GDP预测模型.利用此改进BPNN模型对我国的GDP进行预测和验证,并分别与ARIMA-BP集成模型及BPNN模型进行比较.结果表明,改进的BPNN模型预测...     

基于PSOGA的LS-SVM模型在时间序列预测中的应用

使用PSO与GA结合的混合算法PSOGA对最小二乘支持向量机(LS-SVM)模型的参数进行了优化,搜索到更优的参数,提高了模型的时间序列预测精度.在Mackey-Glass、Lorenz时间序列上的实验结果表明:本文模型预测精度较高.     

指数平滑模型在山西省GDP预测中的应用

利用二次指数平滑模型,选取合适的平滑系数,对山西省GDP进行了预测,得到近期山西省年度GDP数据,并且得出此模型在近期预测中的效果较好。     

PM10浓度的时间序列模型及预测.doc

利用统计软件Eviews3.1对四川省宜宾市2004年7月1日到8月31日的PM10浓度时间序列数据进行了分析,建立时间序列模型,并对PM10浓度进行预测。结果表明,预测模型精度较高,残差最大值小于10%,预测结果与实际状况基本相符。     

长记忆时间序列适应性预测的应用

给出某市1973年1月至2002年12月每月食品消费价格指数时间序列，利用长记忆时间序列ARFIMA(0，d，0)模型的适应性预测公式预测了2003年1月、5月、10月、2004年3月、8月、2007年2月的食品消费价格指数．     

时间序列ARMA模型的贝叶斯分析

ARMA模型是时间序列分析中应用比较广泛的一种模型。本文采取贝叶斯估计法估计ARMA模型的各个未知参数,进而利用估计的参数对ARMA模型进行预测,最后对我们采取的贝叶斯估计法进行模拟仿真。     

非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

季节型趋势模型在供电量预测中的应用

应用季节型趋势模型，采用先定线性趋势和先定季节指数两种预测方法，对某市2002年供电量进行预测，其预测结果为电网发展规划和电力生产计划提供了重要的依据。