基于ARIMA模型的中国消费者价格指数时间序列分析

依据CPI能反映与居民生活有关的商品和劳务价格变动的宏观经济指标,借助EVIEWS软件,采用1990年1月至2009年11月中国消费者价格指数的月度数据,建立乘积季节ARIMA时间序列模型,并分析了中国消费价格指数随时间推移的变化规律。研究结果表明:中国消费者价格指数的发展变化情况具有明显的趋势性和季节性。根据这一结果,结合现实提出建议,希望政府能在制定政策时要遵循客观的原则。     

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.     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上,使用人民币／美元的日汇率值进行实证研究,建立相应的ARIMA模型和EGARCH模型并进行预测和评价。研究结果表明,EGARCH模型的预测结果较ARIMA模型理想,适合描述人民币／美元汇率的变动趋势。     

基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

基于ARIMA模型的我国粮食产量时间序列分析

本文介绍求和自回归于移动平均模型ARIMA（p,d,q）的建模方法。基于1978-2009年我国粮食生产总量的数据分析与预测,并用Eviews软件完成建模过程。通过两个模型预测效果的比较,结果表明,平滑ARIMA模型比ARIMA模型预测的准确度大大提高。     

基于时间序列的中国房地产价格走势预测

本文采用《2007中国统计年鉴》1998年第1季度至2009年第3季度的全国房屋销售价格指数,建立ARIMA模型,并对未来房价走势进行预测。     

基于云模型的时间序列预测

在日常生活中广泛存在着各种时间序列数据,发现时间序列知识、对时间序列进行预测正成为数据挖掘与知识发现的重要内容.首先提出了基于云模型的时间序列预测机制,该机制以云理论为知识表示的理论基础,提出了两种预测知识:准周期变化规律和当前趋势,并综合两种不同粒度的预测知识实现了时间序列的预测.然后着重于运用云模型进行知识表达、定量数值与定性知识的转换以及综合不同时间粒度的知识进行时间序列预测.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

一种基于衰减系数的混沌时间序列预测法

为提高加权一阶局域模型的预测精度,提出一种改进型混沌时间序列预测方法.该方法用衰减系数和时间延迟修正向量距离公式,调节邻近点与中心点的相关性,同时,只用邻近点中与预测值相关性最大的分量进行线性拟合.利用该方法对Henon混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测混沌时间序...     

基于Angstrom-Prescott模型和空间插值的山东省月太阳辐射再估算

基于Angstrom-Prescott模型和空间插值法构建了山东省各地的月太阳辐射估算方法,并利用山东省3个国家站（济南、莒县和福山）和菏泽、聊城、淄博及青岛的辐射观测数据验证了估算方法的准确性。首先利用山东省3个国家站1992年—2015年的辐射与日照百分率观测数据,采用最小二乘法拟合得到不同月份Angstrom-Prescott模型系数并以2016年观测数据验证。其次,分别使用不同空间插值法对菏泽、聊城、淄博和青岛进行太阳辐射估算并根据结果选择最优空间插值法。最后,将该方法与其他文献方法进行对比分析。2016年国家站的月太阳辐射估算结果显示其月平均σMRE约为3.5%,σ_RMSE在17 MJ/m²~24 MJ/m²,因此该A-P系数具有较高的准确性。在菏泽、聊城、淄博及青岛4站的估算中选定误差最小(σ_MRE约为7.22%,σ_RMSE约16 MJ/m²~69 MJ/m²)的最小曲率法作为最优空间插值法。与其他文献方法对比的结果表明,基于Angstrom-Prescott模型和空间插值法估算月太阳辐射准确度较高,可应用于其他区域月太阳辐射的估算。     

基于Angstrom-Prescott模型和空间插值的山东省月太阳辐射再估算

基于Angstrom-Prescott模型和空间插值法构建了山东省各地的月太阳辐射估算方法,并利用山东省3个国家站（济南、莒县和福山）和菏泽、聊城、淄博及青岛的辐射观测数据验证了估算方法的准确性。首先利用山东省3个国家站1992年—2015年的辐射与日照百分率观测数据,采用最小二乘法拟合得到不同月份Angstrom-Prescott模型系数并以2016年观测数据验证。其次,分别使用不同空间插值法对菏泽、聊城、淄博和青岛进行太阳辐射估算并根据结果选择最优空间插值法。最后,将该方法与其他文献方法进行对比分析。2016年国家站的月太阳辐射估算结果显示其月平均σMRE约为3.5%,σ_RMSE在17 MJ/m²~24 MJ/m²,因此该A-P系数具有较高的准确性。在菏泽、聊城、淄博及青岛4站的估算中选定误差最小(σ_MRE约为7.22%,σ_RMSE约16 MJ/m²~69 MJ/m²)的最小曲率法作为最优空间插值法。与其他文献方法对比的结果表明,基于Angstrom-Prescott模型和空间插值法估算月太阳辐射准确度较高,可应用于其他区域月太阳辐射的估算。     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

基于时间序列的区域物流网络演化模型的实证分析

为探究区域物流网络产生发展过程的内在规律,首先分析了区域物流网络结构的演化机理、过程和阶段.然后,借鉴评估产业集中度的赫芬达尔指数和区域分布非均衡系数两个参数,构建区域物流网络的时间序列演化模型,以此为工具分析区域物流网络内物流量在各节点分布的离散度和均衡性,从而揭示了物流网络演变及物流枢纽产生的过程.最后,以湖北省为例分析了其演化过程和状态,结果表明武汉物流区域中轴辐式物流网络结构明显,而荆宜和襄十两个物流区域处于低水平的均衡状态.     

混凝土碳化深度随机时间序列预报模型

抛开多因素回归的研究方法,根据碳化速度系数序列自相关函数和偏相关函数载尾和拖尾的变化规律,对水灰比ｍ（Ｗ）／ｍ（Ｃ）∈「０．４０,０．６５」的混凝土碳化深度采用随机时间序列方法进行分析,确定了碳化深度的ＡＲＩＭＡ（１,１,０）预报模型。经检验,该预后模型精度高、规律性好、应用范围广。