ARIMA模型在居民消费价格指数预测中的应用

将ARIMA模型应用于居民消费价格指数的拟合和短期预测中,采用2001年1月至2013年10月中国居民消费价格指数的月度数据,借助EViews 6.0软件对数据进行拟合分析,建立了乘积季节ARIMA(5,0,6)(1,1,0)12模型,并讨论了模型的准确性,对未来中国居民消费价格指数进行了预测,该模型具有较高的理论与实际价值。     

油气田产量预测的一种功能模拟模型

论述了油气田开发系统的非线性特征，特别是描述系统变化的产量指标在整个开发过程中的非线性．认为油气田累积产量随时间呈不对称“Ｓ”型有限增长；并基于不对称有限增长信息的微分方程，提出了一种预测油气田产量的功能模拟模型及其相应的参数求解方法．同时，文章还对油气田产量兴衰的四个阶段，以及油气田瞬时产量和年产量的关系进行了研究．模型从系统辨识理论和控制论的观点出发，从时间流中考察油气田产量系统的非线性特征，具有多功能性．它不但可以预测油气田的累积产量、瞬时产量和年产量，而且可以预测油气田的可采储量，同时还可以预测最高瞬时产量、最高年产量及其发生时间与相应时刻的累积产量，还可预测年产量与瞬时产量兴衰过程的时间界线．经实例验证表明，模型具有很好的适用性和有效性．     

ARIMA模型在设备故障预测中的应用

介绍了ARIMA建模的理论与方法,将SPSS统计软件中Time Series模块应用到设备故障预测中去.以机械的故障率为研究对象建立ARIMA(p,d,q)模型,并利用实际生产数据进行验证,取得理想结果,为企业制定合理的维修计划提供有效的决策信息.     

控制论方法在油气田产量规划中的应用

油气田产量规划可以采用线性规划及动态规划方法 ,但是在实际应用中有很大的难度。根据系统理论 ,应用控制论方法建立了油气田开发产量规划状态模型 ,并给出了其求解方法。对某油田产量数据进行了拟合 ,建立了该油田产量状态模型。应用矩阵检验表明 ,该模型完全能控。确定了该油田产量规划的控制变量 ,得到了产量状态模型的系统特征方程。     

控制论方法在油气田产量规划中的应用

油气田产量规划可以采用线性规划及动态规划方法，但是在实际应用中有很大的难度。根据系统理论，应用控制理论方法建立了油气田开发产量规划状态模型，并给出了其求解方法。对某油田产量数据进行了拟合，建立了该油田产量状态模型。应用矩阵检验表明，该模型完全能控。确定了该油田产量规划的控制变量，得到了产量状态模型的系统特征方程。     

油气田产量递减灰色系统模型的建立及预测

本文根据灰色系统理论与油气田产量变化规律的相似性特点,针对油气田产量递减许多因素的不确定性,建立了油气田产量递减的灰色预测模型。通过油气田实例,进行灰色预测模型与油田常用的几种产量递减模型的对比分析得出,灰色模型预测的相对误差之和最小、均方差之和最小的,关联程度最高。结果表明：该灰色理论预测方法计算简单、精度高,结果可靠,可以在油气田产量预测方面进行推广。     

ARIMA模型在重庆市能源消耗量预测中的应用

能源是人类赖以生存和发展的重要物质基础,对经济的快速发展和人们生活水平的大幅度提高起着无可取代的作用,随着经济的发展人们对能源的需求日益增多,由于地球上的资源是有限的,对未来能源消耗量的准确预测显得尤为重要;运用ARIMA模型对《2013重庆市统计年鉴》中重庆市1981-2012年能源消耗量数据进行分析,结果显示:ARIMA(2,3,2)模型预测未来的结果较为准确,为重庆市资源消耗量提供了可靠的依据。     

ARIMA模型在河南全社会固定资产投资预测中的应用

采用求和自回归移动平均模型(ARIMA),对《新中国五十年统计资料汇编》及《2006年河南省统计年鉴》提供的河南省全社会固定资产投资额数据进行分析.结果显示,ARIMA(1,1,5)提供了较为准确的预测结果,此模型可为河南省全社会固定资产投资提供可靠的参考数据.     

ARIMA模型在我国人均生活能源消费量预测中的应用

本文以我国1983年～2005年的人均生活能源消费量数据为基础,建立了ARIMA(2,2,0)模型,检验结果表明,ARIMA(2,2,0)模型对原始数据序列有着较好的似合效果,模型的预测效果良好,可用于短期内我国人均生活能源消费量的预测。在此基础上,对我国2006年～2011年的人均生活能源消费量作了预测,最后给出了结论及建议。     

三种预测油气田产量数学模型的比较

系统地介绍了三种预测油气田产量的数学模型 ,即逻辑斯蒂模型、胡 -陈 -张模型和 Wang- Li模型 .从数学模型的建立、模型的特点及适用范围对这三个模型进行了分析 ,可为油气田的实际生产选择适宜的预测模型提供了依据     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

ARIMA模型在同业拆借利率预测中的应用

中国银行间同业拆借利率（CHIBOR）是我国货币市场上最早市场化的利率,文章选择隔夜拆借利率为研究对象并建立ARIMA模型对其进行短期预测，并取得了理想的短期预测效果，从而确定了适合我国同业拆借市场的利率预测模型．研究结果不仅可以帮助金融机构对金融产品合理定价，防范风险，也可以帮助央行准确估计CHIBOR走势，达到既定货币政策目标。     

交通量时间序列ARIMA预测技术研究

实时准确的交通流量预测是智能运输系统实现的前提和关键。随着预测时间间隔的进一步缩短，交通流量的不确定性越来越强。作为时域分析方法之一的ARIMA模型，以其理论基础扎实、操作步骤规范、分析结果易于解释的优点，成为时间序列分析的主流方法。文章结合SPSS软件对该预测技术进行研究，并利用某高速公路交通量调查序列进行实证分析。     

民航客运量的ARIMA模型与预测

介绍了求和自回归移动平均(ARIMA)模型的一般表达方式,并提供了使用该模型进行建模和预报的一般过程,最后以某条航线的实测数据为例,进行实证分析,得到了8步的短期预报结果,其相对误差为0．08．     

GDP时间序列的ARIMA模型研究

在经典计量经济学建模过程中,通常假定经济时间序列是平稳的,而且主要以某种经济理论或对某种经济行为的认识来确定计量经济学的模型理论的关系式.然而在经济领域中,许多时间序列数据不是由平稳过程产生的,基于此,研究了国内生产总值GDP随时间位移而持续增长的特性,确定了模型的自回归阶数,建立了ARIMA模型,并对ARIMA模型进行了检验,确定了模型的平稳性与模型自回归影响的持久性.     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

季节ARIMA模型在我国肺结核发病率预测中的应用

目的探讨应用季节ARIMA模型对我国肺结核发病率进行预测的可行性.方法对我国2005年1月-2010年12月肺结核逐月发病率建立季节ARIMA模型,并对预测效果进行评价.结果 ARIMA（3,1,0）×（0,1,1）12模型很好地拟合了既往数据,对2011年1月-9月发病率的预测值符合实际发病率变动趋势.结论季节ARIMA模型能很好地模拟我国肺结核发病率的变动趋势,将其应用于肺结核发病率预测是可行的.     

乘积ARIMA模型的建立及应用

ARIMA模型作为统计预测中的一种重要模型,被广泛运用于各个领域中。本文在非季节性及季节性ARIMA模型的基础上介绍了乘积ARIMA模型的一般表达式,提供了建立这类模型及使用其进行预报的一般过程,并以某超市月顾客量数据进行了实例分析。分析结果表明,当一时间序列不仅含有季节性成分,还混有非季节性成分时,用乘积ARIMA模型的预测精度较高。但该模型只适用于短期预测。