基于时间序列疏系数模型的太阳辐射年际变化趋势预测

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。     

时间序列模型在我国财政收入分析中的应用

利用全国1978年至2005年间的28个财政收入数据,选择四个时间序列模型和一个混合指数函数—AR模型进行拟合。依据AIC准则、BIC准则和MAPE准则分别对模型预测精度进行评价,选择恰当模型。以2006、2007和2008年的数据作为检验数据验证模型的预测效果,进一步证实ARMA模型预测效果较好。     

基于EMD的AR建模

自回归(Autoregressive,AR)模型是常用的平稳序列的拟合模型之一.不同于传统趋势的曲线拟合方法,文章利用经验模态分解方法(Empirical Mode Decomposition,EMD)得出序列的趋势,然后再进行建模.通过运城市某年的每日最高气温的数据,建模结果表明:与传统的建模方法比较,基于EMD的AR模型在拟合效果和预测效果上要更好.     

北京市地铁7号线地质沉降数据的时间序列分析

本文运用时间序列方法,构建模型对北京市地铁七号线(九龙山站到大郊亭站)建设过程中地质沉降的数据进行分析,并对未来地质沉降的走势进行了预测.文章主要分为以下三个部分:第一部分是本文所用的模型介绍,包括时间序列AR(P)模型、Yule-Walker方程对模型的参数估计、AIC定阶、白噪声检验.第二部分,对原始数据进行分析,并对数据进行伸缩变换,去除趋势项,建立了AR(2)模型.根据所构建的模型,对未来的地质沉降做出预测.第三部分是本文的结论.     

语音识别中ARMA模型的研究

在用线性时间序列模型拟合语音数据时(例如用AR模型拟合),模型阶数越高,参数个数越多,统计计算时误差越大.本文在理论上对ARMA(1,q)模型的参数估计进行了推导,在数值计算上,得到了ARMA(1,0)模型的参数估计并对模型进行拟合,解决了用AR模型拟合语音数据时,统计计算时误差较大的问题.     

我国外汇储备规模的影响因素分析与实证检验

我国的外汇储备一直是一个令人关注的问题。本文通过分析影响我国外汇储备规模的各种因素,运用回归分析方法建立了我国外汇储备模型,并且运用历史数据进行实证分析和拟合检验,其效果十分显著,这说明所建立的模型是能够充分体现我国外汇储备的数量关系,最后针对我国外汇储备的实际提出了规模管理的一些政策建议。     

基于小波分析和GARCH模型的人民币汇率实证研究

文章把小波多分辨分析理论和去噪理论引入人民币/港元汇率时间序列,通过小波理论对时间序列进行了滤波去噪.然后建立了AR(1)-GARCH(1,1)拟合模型,同时检验了其波动序列不具有明显的杠杆效应,其标准抖动序列服从正态分布.最后说明结合小波滤波去噪后,提高了对波动率的预测精度.     

基于时间序列分解的海面变化预测

对吴淞站1955～2001年月平均潮位序列采用时间序列分解方法进行分析,采用奇异谱分析方法提取长期趋势,采用比率平均法和剩余法分别提取季节因素和循环变化,应用乘法模型拟合试验的效果良好.以1955～1996年数据为基础,建立长期趋势的自回归(AR)模型,对1997～2001年间进行了预测试验,并以该时段实测数据作为验证.试验结果表明月均序列预测值的最大相对误差不超过±10%,年均序列预测值的相对误差最大不超过±4%.这一系列方法的综合运用可适用于较长期的海面变化预测.     

粗铜冶炼中铜锍品位的动态预测模式 —AR（p）与指数平滑最优组合法

提出了一种对铜锍品位进行预测的新方法 ,即以采集的现场数据为基础 ,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型 .AR(p)模型要求数据对象是平稳时间序列 ,而三次指数平滑模型的数据对象具有随机性 ,考虑到铜锍品位的波动性 ,将 2种模型按最小二乘原理 ,以组合预测误差平方和为目标函数 ,通过使误差平方和极小化来确定 2种预测方法的最优加权系数 ,建立了一种新的组合模型 ,其预测误差最小 .结果表明 ,在当时数据条件下 ,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高 ,这对指导生产具有实用意义 .     

我国外汇储备与广义货币供应量关系的分析

我国的外汇储备规模大、增速高，已经成为影响国民经济发展的重要因素，越来越引起人们的关注。运用我国广义货币供应量（M2）和外汇储备的时间序列数据进行分析，构建关于广义货币供应量的计量模型，最后得出广义货币供应量对外汇储备产生的正向影响，即我国接下来几年外汇储备还会不断增加。但规模庞大的外汇储备对我国宏观经济运行存在一定的负效应，因而，有针对性地提出了一些政策建议。     

基于X-12-ARIMA和AR-GARCH模型的房价波动研究

以SAS软件为工具,以2007年1月至2015年6月北京市新建住宅价格指数序列为样本,构建时间序列模型进行实证研究.结果表明,基于X-12-ARIMA模型和AR(2)-GARCH(1,1)模型的复合模型是拟合房价的最优模型.房价序列存在明显的季节特征和典型的波动聚集性,X-12季节调整方法和异方差模型显著有效,拟合相对误差不超过0.4%.对房价的短期预测表明,近期内房价仍保持3%~5%的增长态势,且外部因素对房价的影响程度远远大于房价自身的波动冲击力.     

基于溶解氡数据和长短期记忆网络的地震预报

溶解气氡浓度异常为可靠地震前兆,通过对历史观测数据进行建模,预测溶解气氡未来趋势,是快速检测溶解气氡浓度异常、研究震-氡机制的前提。溶解气氡浓度数据为典型的时间序列数据,传统的时间序列预测技术主要为自回归(AR)方法和自回归滑动平均(ARMA)方法。这些方法以线性方法为主,其拟合精度有限。采用目前最流行的深度学习技术长短期记忆(LSTM)模型对姑咱地震台、西昌地震台和雅安地震台一段时间内连续观测的溶解气氡日观测数据集溶解气氡浓度数据进行建模,采用90%的数据作为训练数据训练LSTM网络,10%的数据作为预测数据,采用均方根误差评价指标来评价模型的效果。在三种数据集上,LSTM的预测误差均方根误差均明显低于AR和ARMA方法。该结果表明,LSTM的预测精度高于传统的AR、ARMA方法。     

基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

基于组合预测模型的我国天然气需求预测

在世界能源低碳化的要求下,天然气以其碳含量优势成为低碳能源的重要组成部分,天然气需求预测也随之成为焦点.运用多项式趋势面分析法与GM(1,1)灰色预测法对原始数据序列进行处理,并将两模型下处理后的数据以及二氧化碳排量数据拟合回归方程建立组合预测模型,随后以我国2003—2011年人口、GDP、天然气消费量及二氧化碳排量数据作为原始数据序列进行实例分析,通过残差检验发现,该组合预测模型的预测精度在99.96%以上,属于较好的预测模型,预测数据可靠.最后,运用该模型对2012—2018年我国的天然气需求量进行预测.     

GPS系统SA误差模型的分析和建立

将采集的GPS数据进行处理，获得GPS的误差数据，使用非平稳时间序列数据的建模方法对其进行分析，首先通过直观检验方法判断误差数据具有非平稳特性，而后对误差数据进行一次差分处理，得到差分数据序列，通过系数检验方法证明此数据序列是平稳的。使用平稳信号建模方法确定差分数据序列的模型结构、类别、阶数以及模型系数，建立了AR(2)模型。最后对此模型进行检验，结果表明此模型的效果较好。     

灰色马尔科夫模型在我国病毒性肝炎发病率预测中的应用研究

为科学、准确的预测我国病毒性肝炎的发病趋势，利用灰色马尔科夫模型对我国2000-2016年病毒性肝炎发病率进行拟合，对2017-2019年发病率数据进行预测，并与灰色GM(1,1)预测模型比较以检验模型拟合与预测效果.结果表明，2000-2016年我国病毒性肝炎发病率的灰色马尔科夫模型拟合的平均相对误差为3.06%,灰色GM(1,1)模型拟合的平均相对误差为11.96%;2017-2019年灰色马尔科夫模型预测的平均相对误差为2.05%,灰色GM(1,1)模型预测的平均相对误差为13.47%.灰色马尔科夫模型比灰色预测模型的预测结果更准确，模型精度更优，是我国病毒性肝炎发病率预测效果较为科学、准确的预测模型.     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

基于最大Lyapunov指数的市场出清电价预测

应用相空间重构和最大Lyapunov指数的计算方法对市场出清电价序列特性进行判定.依据最大Lyapunov指数预报模式,构建基于一种新的出清电价预测模型.对某电力市场1999-01-01-1999-08-31的电价进行混沌时间序列判定,采用最大Lyapunov指数预报模型和AR(2)模型进行预测.研究结果表明:采用最大Lyapunov指数预报模型预测所得市场出清电价预测值与实际值的平均绝对误差率为7.234 7％,最大绝对误差率为17.017 5％;采用AR(2)模型预测预测所得市场出清电价预测值与实际值的平均绝对误差率为5.540 8％,最大绝对误差率为11.830 0％;总体上,最大Lyapunov指数预报模型预测结果的精度略比AR(2)模型预测结果的精度低,但绝对误差率大于6％的时点数少于AR(2)的预测数,这表明应用最大Lyapunov指数对出清电价进行预测具有可行性.     

基于时间序列模型的收视率研究

收视率是指在某个时段收看某个节目的目标观众人数占总目标人群的比重,以百分比表示。收视率的高低能够反映出节目的观众喜爱程度以及节目所具有的社会影响力。本文采用2006年中国电视收视年鉴中的全国收视数据,以工作日及节假日收视率为研究对象,利用SAS统计软件做时间序列分析,并进行预测。结果显示,节假日收视率数据能够较好的拟合ARIMA(1,2,(1,4))模型,工作日收视率数据则利用ARIMA(1,2,(1,4))模型和AR(1,4)模型拟合结果都较好,但是相对而言ARIMA(1,2,(1,4))拟合效果最好。