基于时间序列季节调整的家用空调出口分析

家用空调出口量的数据序列中存在明显的季节效应,这会影响对家用空调出口整体趋势的分析及判断．针对这个问题,文章基于X—11模型对家用空调出口量的数据序列进行季节调整,消除其中的偶然因素,并利用SAS软件编程进行了实证分析．结果表明：2002年开始,我国空调出口量有非常显著的线性递增趋势,2008年下半年出现了明显的下滑,2009年初开始略有回升．     

基于SAS的非平稳时间序列分析及实证研究

采用季节指数趋势法,对具有季节变动的非平稳时间序列(以某电脑公司的实际季度销售记录为例),利用统计分析系统SAS进行分析,并对该公司2009年的销售情况进行了预测.与公司2009年度前三个季度的实际销售数据进行对比,拟合效果令人满意,证明该方法实用有效.     

基于进化算子的季节时间序列模型

目的对传统季节时间序列模型进行分析研究,提出一种新的季节时间序列模型。方法引入遗传与免疫算子,并结合电力产量序列和航空序列模型进行仿真试验。结果建立了一个新的时间序列模型。结论仿真试验结果证明了基于进化算子的季节时间序列模型是一种操作简便、易于实现的有效模型。     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

基于时间序列模型的商业企业销售量预测方法研究

预测是企业管理的一个重要职能,在如今激烈的商业竞争下,如何根据现有的数据预测未来并制定适宜的策略是企业成败的关键。本文在研究商业企业销售量时间序列的基础上,结合季节变动分析方法,建立商业企业年销售量预测模型,并在此基础上对商业企业实际销售预测给出的指导性建议。     

基于缺失数据的入境旅游人数时间序列分析

本文将时间序列分析方法用于1989年至2000年中国的外国人入境旅游人数的数据处理,结合Eiews软件给出了用此法进行外国人入境旅游人数的数据处理时模型的识别、定阶、参数的估计以及模型的检验和预报方法。另外,基于1991全年数据的缺失,本文采用了回归法和潜周期法对1991的数据进行了补充。     

基于最速下降的混沌时间序列参数估计和滤波

提出了从被加性高斯白噪声污染的混沌时间序列中同时估计混沌系统参数和滤除序列噪声的新方法．并假定产生非线性时间序列的模型已知,但相应的参数未知．这种新方法把对混沌时间序列的参数估计和滤波看作是一种最小化过程,并利用了最速梯度下降方法解决．数值模拟实验表明,新方法要优于现有的方法,是估计混沌系统参数和滤波的一种有效方法．     

时间序列季节调整技术比较研究

时间序列中有大量的具有季节性的数据,为去除数据中的季节性因素,更好的反应经济变化,比较目前流行的去季节性方法X-12-ARIMA和TRAMO/SEATS,虽然两种方法都是建模、季节调整和诊断的过程,但是在很多细节方面侧重点不同,以苏宁电器2005 ～2017年12年的季度销售量数据做实证研究,结果显示两种方法处理的苏宁...     

基于时间序列模型的预估控制算法

提出一种具有反馈修正的，基于时间序列模型ＣＡＲＭＡ的单值预估控制算法，对这种算法下闭环预估控制系统结构和稳定性进行了分析，对各种预估控制算法的鲁棒性进行了仿真对比。反馈修正的引入，使闭环预估控制系统的鲁棒性有很大的改善，使这种算法更适合于工业应用。     

基于ARIMA模型算法的频谱时间序列预测分析

结合频谱时同序列的特点,选择ARIMA模型作为预测模型,通过ARIMA模型算法的流程分析,初步论证预测模型及预测精度的可靠性.     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

带钢张力ARMA时序模型的时域特性分析

在文献［１］的基础上，运用随机过程理论，进一步讨论了带钢张力ＡＲＭＡ时序模型的三种主要时域特性：描述系统动态特性的Ｇｒｅｅｎ函数｛Ｇｊ｝，描述随机数字序列统计特性的自协方差函数｛Ｒｋ｝和偏相关函数｛φｋｋ｝，从不同的角度揭示了ＡＲＭＡ时序模型所表征的带钢张力系统的动态特性，为带钢张力ＡＲＭＡ时序模型的识别与参数估计奠定了基础     

桂林地区气温与降水量的时间序列预测模型

根据桂林地区2001～2010年各月平均气温和1987～2010年每年6月份降水量的实测数据,利用时间序列的季节指数法和线性外推法分别建立气温预测模型和降水量预测模型,再利用模型对桂林市2011年各月的气温和2011年9、11、12月的降水进行预测,得到比较理想的预测效果.     

Multi-Dimensional Traffic Flow Time Series Analysis with Self-Organizing Maps

The two important features of self-organizing maps （SOM）, topological preservation and easy visualization, give it great potential for analyzing multi-dimensional time series, specifically traffic flow time series in an urban traffic network. This paper investigates the application of SOM in the representation and prediction of multi-dimensional traffic time series. Ffrst, SOMs are applied to cluster the time series and to project each multi-dimensional vector onto a two-dimensional SOM plane while preserving the topological relationships of the original data. Then, the easy visualization of the SOMs is utilized and several exploratory methods are used to investigate the physical meaning of the clusters as well as how the traffic flow vectors evolve with time. Finally, the k-nearest neighbor （kNN） algorithm is applied to the clustering result to perform short-term predictions of the traffic flow vectors. Analysis of real world traffic data shows the effec- tiveness of these methods for traffic flow predictions, for they can capture the nonlinear information of traffic flows data and predict traffic flows on multiple links simultaneously.     

基于时间序列分析的应用服务器性能衰退模型

针对JUFrame应用服务器老化情况，设计了多种类型的客户请求程序和服务器端程序，记录了各种参数共计5类36个．对影响应用服务器中间件性能的主要指标“内存利用率”，采用时间序列分析方法建模，经采样数据的统计分析得出了自相关函数明显拖尾、偏自相关函数明显截尾的结果．模型的仿真结果表明，预测值与原始数据拟合良好，且可作为系统再生的依据，它适用于预测实际的运行系统．与其他软件老化预测方法比较，所提模型更切合系统的实际运行状况，有利于提高系统的可用率．     

非线性位移时间序列分析的遗传神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.