共查询到18条相似文献,搜索用时 125 毫秒
1.
孙颖 《哈尔滨师范大学自然科学学报》2021,37(4):56-60
基于1999~2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)12模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施. 相似文献
2.
3.
传统的ARIMA模型和马尔科夫模型在降水量预测中具有一定的偏差和不稳定性,为此建立了基于加权马尔科夫链修正的ARIMA组合模型.阐述ARIMA模型,并讨论了加权马尔科夫链修正预测值的方法.在此基础上,构建出基于加权马尔科夫链修正的ARIMA组合模型,将其应用于地区降水量的预测中,并利用相关数据进行实证分析.将组合模型和... 相似文献
4.
针对人民币对美元汇率问题,以2015-01-05—2017-12-20这段时间内的人民币对美元汇率为样本数据,建立了合理的ARIMA模型.结合自相关、偏相关系数图以及单位根检验判断原序列是非平稳时间序列,一阶差分后的序列是平稳时间序列.结合SIC等指标选择出最优的ARIMA(1,1,2)模型.运用该模型进行汇率预测,为企业和投资者的决策提供了可靠的依据. 相似文献
5.
提出一种卫星导航系统与气压高度计的高度数据融合算法. 利用ARIMA(autoregressive integrated moving average)模型信号降噪技术对卫星导航系统和气压高度计的高度信号进行降噪处理. 建立高度测量系统的状态方程和量测方程,并结合卡尔曼滤波对高度数据进行第1 次融合,再利用递推加权最小二乘法对高度数据进行第2 次融合,得到精度更高的飞行高度信息. 实测数据分析结果表明:该算法所获得的高度信息与气压高度计、卫星导航系统相比,标准差降低一半以上,有效地提高了测量精度,可满足飞行器对高度测量信息的要求. 相似文献
6.
讨论了带有缺失值的2007年1月至2013年2月的海南旅游总收入的数据,利用不同处理缺失值的方法对数据进行整合,得到海南省旅游总收入服从季节ARIMA模型,并由此对海南旅游总收入趋势进行有效预测. 相似文献
7.
8.
9.
基于多元回归模型的甘肃省CPI影响因素分析 总被引:1,自引:0,他引:1
以1999~2010年甘肃省CPI及影响因素的数据为基础,应用多元线性回归方法建立了甘肃省CPI的回归模型,并对其进行理论阐述和分析检验,得出该模型的校正可决系数R珚2=0.998 4,说明模型与数据的拟合度很高;通过运用方差分析和数据模拟检验方法对甘肃省CPI的回归模型进行了实际检验,结果显示该模型的精确度达到了99.462 6%,可用于甘肃省CPI的预测. 相似文献
10.
机载高分辨率SAR图像数据建模 总被引:1,自引:1,他引:0
目前对高分辨率陆地合成孔径雷达图像数据特性尚缺乏充分研究. 该文提出K-S检验的改进方法并设计组合假设检验,验证高分辨率农田合成孔径雷达图像数据与球不变随机向量模型的相容性,提出一致区域概念对数据进行局部化处理,以简化数据的高阶统计特性分析. 实验表明,K-S检验改进算法对不独立样本数据具有良好的健壮性,农田的高分辨率合成孔径雷达图像数据与球不变随机向量模型是相容的. 通过对农田数据的分析验证了一致区域概念的合理性,并确定了给定数据集的一致区域空间尺度. 相似文献
11.
12.
对我国2004年社会消费品月度零售总额分析预测 总被引:4,自引:1,他引:3
依据1993年1月~2003年10月,近11年共130个月的零售额数据,利用ARIMA模型,对我国2004年社会消费品月度零售总额进行分析预测,结果证明我国2004年社会消费品月度零售额总体上将持续增长,但各月之间存在明显的季节性变化和差异。 相似文献
13.
电网频率建模旨在对其随机波动特性建立数学模型,形成特征描述、统计分析以及轨迹预测能力,是基于电网频率判据的数字取证中一项重要的研究子课题。该文首先揭示了现有自回归模型的不足,并基于该模型对实际观测得到的电网频率参考信号数据集进行统计分析,分别用差分整合移动平均自回归(autoregressive integrated moving average,ARIMA)模型和两种基于马尔科夫链的模型进行建模,进而求解模型各项参数。对比实验表明: ARMA (2,4)模型在理论上对华中电网频率具备最优的描述性能,而马尔科夫链模型因考虑到实际场景下频率分辨率的局限性,更适用于模拟从待测文件中提取的电网频率。 相似文献
14.
15.
该文提出一种子集AR模型辨识算法,该方法采用模拟退火随机搜索算法,对模型的回归项子集进行优化辨识,克服“组合爆炸”问题,简化计算。文中还讨论了基于该算法的人口死亡率建模和预报问题。 相似文献
16.
17.
18.
提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高. 相似文献