水稻纹枯病流行程度的模型预测

根据水稻纹枯病发生与危害程度的调查资料,经与各诱病因素的相关性分析,组建成早、晚稻纹枯病的长期预测模型。经1990～1994年的应用检验,预测准确率达80％以上。     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

居民消费价格指数的ARCH模型及实证分析

本文根据居民消费价格指数时间序列（CPI）数据本身的特点,建立了CPI的自回归模型、一到三阶ARCH模型。比较各个模型参数,得到CPI短期预测最优模型为自回归一阶ARCH模型。预测效果图表明：自回归一阶ARCH模型在预测趋势突变时会有一定的滞后性。     

中国社会消费品零售总额的预测模型

用自回归、移动平均、自回归移动平均模型(ARIMA)拟合分析2002年1月到2008年8月中国社会消费品零售总额,建立预测消费品零售总额的疏系数乘积季节模型,并用该模型预测2008年6~10月的社会消费品零售总额和2009年月度消费品零售总额.模型预测误差率都在0.03以内,估计值与真实值吻合,拟合效果能达到预期的目的.     

基于遗传算法的双线性模型在大坝安全监测预报中的应用

文章提出了实用自相关系数图确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法。通过实例表明,由于双线性模型实际拟合和预测过程中产生的残差信息进行反馈矫正,保证了模型高的拟合精度和稳健的预测性能,与门限自回归模型比较,双线性模型比门限自回归模型具有更好的预测精度。     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均（ARIMA）时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明：相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。
     

股市预测的一个随机时间序列模型及其实证

给出了将非平稳时间序列转化为平稳序列构建自回归模型的步骤和方法.将这一方法具体运用于上证指数的预测,并证实该方法与实际吻合很好.最后讨论了该方法运用于股市波段预测应注意的问题.     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。     

基于小波的加外生变量部分线性自回归模型在石油价格预测中的应用

利用小波函数结合引入外生变量的部分线性自回归模型对WTI现货价格序列进行建模研究,并与部分线性自回归模型和加外生变量的部分线性自回归模型进行比较分析,结果表明：结合小波且加外生变量的部分线性自回归模型的预测精度较高,在石油市场价格预测中有较高的准确性.     

基于NIRS的马尾松苗木根部含水量预测模型

【目的】马尾松是我国南方主要造林树种,其根部水分含量是评价树木活力的重要指标。本研究构建了一种基于近红外光谱(near infrared spectroscopy,NIRS)的马尾松苗木根部含水量预测模型。【方法】首先采集根部近红外光谱数据,然后利用可变加权堆叠自动编码器结合支持向量回归构建预测模型。可变加权堆叠自编码器用来逐层提取与输出相关的特征,支持向量回归根据自编码器生成的特征实现了含水量更精确预测。【结果】与其他常用模型的结果相比,提出的模型在马尾松苗木根部水分预测中可以达到最佳性能,校正集中决定系数达到0.970 8,均方根误差为0.635 8;预测集中决定系数达到0.941 3,均方根误差为1.027 0。【结论】基于近红外光谱技术, 可变加权堆叠自动编码器与支持向量回归相结合可实现马尾松苗木根部含水量准确预测。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于时序预测与异常检测的烟草违法销售预警

为提升烟草市场监管水平，通过某烟草专卖局的协作调研和历史销售数据，构建基于深度自回归网络(Deep auto regression network, DARN)和季节性自回归差分移动平均模型(Seasonal auto regression integrated moving average, SARIMA)的混合预测模型。然后以预测销量为基础进行异常检测，设计了烟草商户违法销售预警模型。实验表明混合预测模型较单个模型预测误差均有改善。预警模型在测试集上达到50%查实率，满足市场监管预警基本要求。     

人口增长率的非参数自回归预测模型

针对传统的人口增长预测模型不能理想地捕获我国人口增长率数据的非线性性特征，本文基于局部线性非参数估计理论，对我国建国以来的年人口增长率建立了非参数自回归NAB．（1）模型，并对2000年-2003年的年人口增长率进行了预测，计算结果表明，相对于参数自回归模型而言，非参数自回归模型能够很好地解决人口增长预测这一非线性问题，预测精度较高．     

基于云模型的厦门保税船用燃油需求短期预测

为了准确预测厦门保税船用燃油需求量,首先,构建厦门保税船用燃油需求云模型,预测供需平衡条件下2020年厦门保税船用燃油需求量。选取外贸集装箱吞吐量、集装箱吞吐量、厦门GDP 3个指标作为输入变量,构建logistic回归预测模型。对厦门保税船用燃油需求量进行预测,将两种模型的预测结果与2020年厦门保税船用燃油实际值进行比较,结果显示,基于云模型的厦门保税船用燃油需求预测比logistic回归预测模型更精确。最后,选择云模型对2021年厦门保税船用燃油需求量进行预测。     

空间自回归模型在水库边坡位移预测中的应用

针对传统位移监测很少考虑不同测点之间相互作用的问题,基于经济学领域空间计量学基本理论,研究了空间自回归模型在边坡位移预测中的应用。以某工程高边坡外观位移数据为例,对边坡的位移状况进行预测,并与传统的自回归积分滑动平均模型相比较。结果表明:(a)在空间自相关系数较为显著的条件下,运用空间自回归模型可以较为精确地预测边坡变形状况,且优于传统模型;(b)空间自回归模型相较于传统模型参数更加简洁、考虑的影响因素更全面,可以同时对空间所有测点位移进行估计。     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

服装品牌产品销售预测

通过建立产品销售预测模型,为服装品牌企业的产品管理提供决策依据.对现有预测工具进行比较分析后,选择SQL Server 2008软件的解决方案,运用时序算法,构建ART(自动回归树)模型.以案例品牌历史销售数据为基础,通过所构建的模型得到销售预测回归公式.通过模型验证了预测数据与实际数据的误差在可接受范围内,证明所构建销售预测模型的可行性.同时,基于所构建的模型建立案例品牌销售预测流程并提出产品管理策略.     

融合空间自相关的空间数据预测模型

空间数据具有空间自相关的特性,使多元线性回归模型不适合于空间数据预测;空间自相关模型由于考虑了空间信息,可以用于空间预测,但时间耗费较大。为此,在研究多元线性回归模型的基础上,把空间信息加入到输入变量中,再把新的输入变量输入到多元线性回归模型估计模型参数,最后进行空间数据预测。实验结果表明,该方法能取得与空间自相关模型几乎相同的预测效果,且计算代价更小。     

基于不确定时间序列分析的中国居民消费水平预测

合理地预测中国居民消费水平可以为国家经济建设、运营和发展提供决策的依据。选取国家统计局网站上公布的1992—2021年居民消费水平的数据进行实证研究,通过不确定时间序列分析构建预测模型,并通过残差图的特征解释使用不确定时间序列分析代替概率时间序列分析的原因,利用不确定假设检验来检测不确定自回归模型与数据的匹配度,结果表明模型构建与数据匹配良好。     

年营业额的自回归预测

通过建立齐性方差的自回归模型(包括线性模型和非线性模型)和异方差的线性自回归模型,并选择出“最优”模型,对南通隆盛机电有限公司的年营业额进行预测。