基于多尺度主成分分析的 ＡＲＩＭＡ 原油价格预测方法

石油作为“工业芯片”,原油价格波动会对全球的经济与政治安全造成影响,准确地预测原油价格未来信息一直备受 各方关注。 提出基于多尺度主成分分析(ＭＳＰＣＡ)的 ＡＲＩＭＡ 原油价格预测方法,考虑原油期货价格与现货价格之间的相关 性,采用原油期货价格和现货价格序列组成的二维数据作为原始数据,数据经过 ＭＳＰＣＡ 后利用 ＡＲＩＭＡ 进行预测。 该方法利 用了小波变换的多尺度分析能力,ＰＣＡ 的降维统计能力和 ＡＲＩＭＡ 模型对非平稳时间序列的预测能力,实验证实该预测方法 优于经典 ＡＲＩＭＡ 方法和 Ｈｏｌｔ′ｓ 指数平滑法,有效地提高原油价格预测精度。     

神经网络在原油期货价格预测中的应用

为了提高原油期货价格预测的准确性,分析了原油期货价格时间序列的特点和规律,采用一种改进的BP神经网络建立时间序列预测模型,对布伦特原油期货价格进行了预测研究.结果表明BP神经网络具有良好的自组织性和自适应性,有很强的学习能力和抗干扰能力,用BP神经网络对原油期货价格进行预测是行之有效的.     

基于遗传BP神经网络的三七价格预测

为提高三七药材价格的短期预测准确性,利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化,建立了基于BP神经网络的三七药材价格预测模型.采用连续K月三七价格的滚动预测方式,对下一个月进行预测.通过三七价格时间序列自回归分析确定K值为2,以连续2个月的三七价格作为BP的输入变量,预测其后一个月的三七价格,并对三七价格的BP神经网络模型和传统时间序列预测模型ARIMA进行分析比较.实验结果表明:遗传算法优化的BP神经网络具有更高的预测精度,且比ARIMA模型对价格骤变情况更敏感.     

基于ARIMA模型的兰州市商品房价格分析与预测

以2001-2010年兰州市商品房价格数据为基础,利用SPSS软件对商品房价格进行时间序列分析,综合各种条件确定了最佳的ARMA模型。最后利用所建模型对兰州市商品房价格进行了预测。实证分析的结果表明：ARIMA模型在商品房价格分析与预测方面,是一种精度较高且切实有效的模型。     

跳跃因素下原油期货定价模型的理论研究及实证分析

依据我国原油期货的特点，对带有跳跃性因素的原油期货定价模型进行研究.首先利用随机微分方程法推导出模型的解析解及模型参数的估计公式，其次对2019, 2020年我国上海原油期货合约价格进行实证分析，结果表明带有跳跃性因素的原油期货定价模型的预测能力较好，证明了该模型的合理性与实用性.该研究对我国原油期货的定价提供了一定的理论和实证分析依据.     

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Python的瓦斯浓度ARIMA预测模型构建及其应用

针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

国际原油期货价格与现货价格动态关系研究——基于WTI原油实证检验

从期货价格与现货价格的动态关系入手,借助协整检验、向量误差修正模型、格兰杰因果检验以及脉冲响应、方差分解等方法,以WTI原油为例,定量分析了国际原油期货市场的价格发现功能。结果表明,WTI原油期货价格与现货价格存在长期均衡关系。期货合约初期WTI原油现货市场具有部分价格发现功能,但随后将减弱并最终趋于消失。WTI原油期货市场在价格发现过程中起主导作用。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.     

基于奇异谱分解的猪肉价格组合预测

通过奇异谱分析方法分解猪肉价格,采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测;同时选择ARIMA,SVM和BP神经网络作为基准模型,把组合模型预测的结果与所选的基准模型预测结果进行对比,得到了组合模型预测结果总体上优于基准模型预测结果的结论。通过DM检验,进一步验证了结果的可靠性。预测结果表明,SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络3种基准模型的预测能力分别高出7.97%、72.79%、67.64%     

基于Matlab的多尺度主元分析在过程监控中应用

提出一种新的基于Matlab的多尺度主元分析方法(MSPCA)，即综合主元分析去除变量间关联、小波分析提取测量决定性特征和可去除测量自相关性的优势，用于多变量统计过程的监控，用MSPCA进行过程监控，不仅能提高侦察决定性交化的能力，而且能提高自相关测量监控的效率，同时还可以提取反常操作特征信号，算例测试表明，与普通PCA方法相比，MSPCA方法在过程监控中比较有效。     

时间序列模型在婴儿潮分析中的应用

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.     

基于奇异谱分析的桥梁索塔锚固区应力分析

工程结构的实时应力监测数据可以反映其自身的安全状态.针对苏通大桥北索塔锚固区下部首节钢锚箱的应力时间序列具有潜在的随温度呈周期振荡变化的特征,引入奇异谱分析方法,并加以改进,从原序列中提取出趋势成分和周期成分.再利用ARIMA模型对振荡序列有着良好的分析预测能力,对趋势及周期主分量进行预测,最后对分项预测结果加和校正.结果表明,与纵向的传统ARIMA模型及横向的基于粒子群优化算法的支持向量机(PSO-SVM)模型相比,上述所提方法的预测结果最为接近实测序列,该模型在工程结构应力健康监测中具有一定的应用价值.     

基于时间序列ARIMA模型的高职高专院校生师比预测

为促进高职高专教育的教学质量提高和可持续发展,提出一种基于时间序列ARIMA模型的高职高专院校生师比预测法.简要介绍了时间序列ARIMA模型,并探讨了初始数据的平稳化过程,利用自相关系数和偏自相关系数分析了模型参数的选择过程,利用该模型对高职高专院校生师比进行预测.结果表明:未来几年内高职高专院校生师比呈上升趋势,2020年将达到20.32∶1,超出合格标准。该结果为师资队伍建设及制定招生计划提供理论参考.     

基于SARIMA模型的电离层总电子含量短期预报

针对电离层总电子含量(total electron content,TEC)序列呈现周期性特征,采用季节时间序列(seasonal ARIMA,SARIMA)模型对TEC序列进行预报分析。利用JSCORS 2010年的GPS双频观测数据计算的VTEC序列为样本数据建立模型,实验结果表明:VTEC序列建立合适的季节ARIMA模型,并运用该模型进行短期预测,预测值与实测值变化趋势一致,短期预报的平均相对精度可达89%,但预报精度会随预报长度的增加而减小。     

考虑外生变量的基于分数差分的石油价格部分线性自回归预测模型

利用分数差分和部分线性自回归模型对WTI现货价格序列进行了建模和预测研究.首先通过分数差分消除了WTI现货价格序列中的长记忆性,得到一条短记忆序列.然后,利用部分线性自回归模型对其进行建模,其中,参数部分考虑石油价格,非参数部分考虑外生变量,即世界供应量,并进行了实证研究.研究结果表明:基于分数差分的部分线性自回归模型能较好地解决石油价格预测这一问题,而引入外生变量后,进一步增强了模型的解释能力,弥补了模型对外界影响因素忽略的缺陷,预测精度较高.