GM(1,1)模型的改进及其在火灾致死人数预测中的应用

为了弥补传统GM(1,1)模型在波动数据序列预测中误差较大的缺陷,采用一阶差分方法对初始数据序列进行改进,构建了一阶差分GM(1,1)模型。分别应用传统GM(1,1)模型和一阶差分GM(1,1)模型对2009—2016年火灾致死人数进行预测分析。结果显示,一阶差分GM(1,1)模型的预测精度高于传统GM(1,1)模型。     

一种准确预测无线局域网业务量的时间序列模型

在对随机选取的实际环境中的多组无线局域网业务量数据的研究过程中,发现无线局域网业务量具有明显的多重季节性．利用差分和特定间隔抽样对原始数据处理,从而验证了无线局域网业务量的季节性．并提出了一个能够准确预测无线局域网业务量的时间序列模型：乘积型季节ARIMA(0,1,1)(0,1,1)₁₂模型,通过迭代计算,将此模型转化成一个MA模型,并且利用MA模型的性质对模型参数作出估计．利用差分方程法,对随机选取的一段无线局域网业务量进行了预测．结果表明,此模型可较好地对无线局域网的业务量进行短期预测,且提前10步预测的平均相对误差仅为0.0401．     

国际黄金价格的基于分数阶差分的FAR预测模型

建立了国际黄金价格的基于分数阶差分的FAR预测模型,利用该模型对2005年3月至2011年11月的国际黄金价格月度数据进行了拟合,并对2011年12月至2012年4月的国际黄金价格月度数据进行了预测．实证研究结果表明：该模型的拟合和预测精度高于基于小波的FAR模型和单纯的FAR模型,可以为黄金投资者和生产者的决策提供帮助．     

ARIMA模型在房屋售价中的预测

时间序列分析方法是经济金融领域中的主要工具之一,通过描述历史数据对新值进行预测。文章运用ARIMA模型来实现对房屋平均售价的短期预测。对原始数据进行差分和季节差分,运用Eviews软件进行分析计算。结果显示预测值和真实值接近,在实际生活中提供可靠依据。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于差分算法的预测控制

针对参数可变的非线性模型,提出了一种基于差分算法的预测控制。利用神经网络依据系统的输入 输出数据建立预测模型,并利用差分算法对其进行滚动优化,从而提高控制系统的性能。最后,分别运用遗传算法 和差分算法实现滚动优化进行预测控制仿真,并对两种方法的仿真结果进行比较。仿真结果表明,采用差分进化算 法进行滚动优化的预测控制总体效果相对较好。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。     

ARIMA模型在交通事故预测中的应用

通过ARIMA模型分析了1970—1997年中国交通事故的十万人口死亡率时间序列的平稳性,用SPSS11.5软件拟合模型并作预测,结果表明,ARIMA模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列,预测较准,可以为政府和交通部门制定预防降低交通事故提供重要的数据支持.     

基于GARCH模型的波动率预测及应用

以中国石油（601857）股票2010年1月15日至2011年1月17日交易日收盘价格的实际数据为样本,建立了股票对数收益率波动率的GARCH模型,利用Eviews软件进行参数估计得到波动率的方程,并对波动率进行预测,从而得到基于GARCH模型预测波动率的欧式看涨期权的价格和风险值VaR的计算。     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

基于季节ARIMA模型的近海表层水温时间序列模拟与预测

基于1996—2007年逐月时间序列数据,采用季节ARIMA模型对连云港近海表层水温时间序列进行模拟,并依据残差不相关和简洁性原则确定模型的结构,建立最优预测模型ARIMA（1,0,1）（0,1,0）12。运用该模型对2008年逐月表层水温进行预测,预测值与实际值的变动趋势基本一致,且平均相对误差仅为3.5%。在此基础上对2009年连云港近海逐月表层水温进行预报,预报结果符合该海域表层水温的逐月变化趋势,表明模型用于近海表层水温预报是可行的。     

月径流序列的季节性ARIMA模型

基于月径流序列是一类周期性的非平稳时间序列的特点,本文建立了季节性ARIMA 模型.文中编制了电算程序,并应用于水库的月径流预报,获得了满意的结果.     

对时间序列的ARIMA调整与回归分析——以民航客运统计为例

以2003-2009年我国民航客运统计数据为样本,提出了采用ARIMA模型对时间序列进行预处理之后进行回归分析的研究方法。实证分析表明,ARIMA模型与回归分析相结合为基于月度数据的时间序列定量分析提供了一个有效的工具。     

基于ARFIMA模型的钢材价格预测研究

钢材价格的准确预测有利于施工企业拟定合理的材料采购策略。针对当前钢材价格的预测研究中均未考虑其价格变动的长记忆性,导致建模过程中有效信息丢失,预测误差增大。建立了考虑长记忆性的ARFIMA钢材价格预测模型,以青岛市2014年1月到2019年6月螺纹钢的价格为研究对象进行了钢材价格预测,并利用ARFIMA模型和ARIMA模型的预测值与真实值进行对比分析,实验结果显示：ARFIMA模型较ARIMA模型的钢材价格预测精准度提高了1.7%,且预测效果更稳定。     

乘积与自回归求和滑动平均模型在湖北省发电量预测中的应用

用自回归求和滑动平均 (ARIMA)模型将湖北省发电量数据外推 ,应用中位移动平均法 ,将其分解成趋势项和周期项 ,提出了乘积模型 .预测结果显示此方法简单有效 ,对于季节时间序列的辩识、预测有实用价值 .     

季节性时间序列预测方法选择

现实生活中大部分的经济数据不仅会随着时间的推移显示出一定的长期趋势,往往还会因为季节性因素而呈现出周期变化,因此,对于这种既具有倾向性变动趋势又有季节性变动的时间序列的预测就成为了统计预测的重要内容之一。因为预测方法选择的多样性,主要讨论温特线性与季节性指数平滑法,自适应过滤法和ARIMA模型拟合法这3种重要且比较典型的预测方法,通过比较3种方法的优劣,有助于在实际预测中预测方法的正确选择。     

乘积季节模型在软件老化评估中的应用研究

在需要长期运行的系统中,软件老化是一种常见的现象,现有基于时序分析的软件老化评估方法,大多基于简单的自回归或ARMA模型,没有充分考虑软件老化关键指标的非平稳性、季节性等特征。该文提出一种基于乘积季节ARIMA模型的软件老化评估方法。并通过实验表明,该方法能够较好地拟合季节性负载系统的软件老化趋势,并能做出准确的预测以支撑软件再生。