企业经济分析中季节性数据的统计预测

本文论述了季节性数据的常用预测方法,提出了变动周期振幅的季节性数据的统计预测方法,给出了一个预测实例.     

企业经济分析中季节性数据的统计预测

本论述了季节性数据的常用预测方法，提出了变动周期振幅的季节性数据的统计预测方法，给出了一个预测实例。     

组合灰色神经网络模型及其季节性负荷预测

对于季节性时间序列具有增长性和波动性的二重趋势性,提出了季节性预测的组合灰色神经网络模型,研究了同时考虑两种（非线性）趋势的复杂季节性预测问题,给出了一个应用实例,为季节性预测提供了一种新的、有效的方法。     

基于改进SARIMA-LSTM的海上风速预测方法

为了提高海上风速预测的精度,提出了一种基于局部加权回归的周期趋势分解(STL)改进的季节性差分自回归移动平均模型(SARIMA)和长短时记忆(LSTM)神经网络的海上风速预测方法.首先通过STL分解原始风速时间序列,提高SARIMA模型季节性差分步长的准确性,再使用SARIMA模型对观测的风速序列数据进行预测,得到预测值以及预测值与观测值之间的残差;然后用残差样本集训练长短时记忆神经网络并对残差进行预测;最后将两部分得到的预测值求和得到风速序列的预测值.选定3个不同地点分别进行仿真实验并与改进前方法进行比较,结果表明改进后模型的预测精度更高,误差更小.     

青藏块体河西地区断层变形预测研究——以金塔南场地为例

采用青藏块体河西地区中具有季节性时间序列特征的金塔南场地的变形监测数据,依据单个预测模型各自的特点,选用灰色模型和灰色时序组合模型对该组数据建立预测模型。研究结果表明:灰色模型能很好地描述季节性时序的宏观发展趋势,时间序列模型能很好地描述季节性时序的周期性微观趋势。灰色时序组合模型结合了两者的优点,适用于季节性时间序列的变形分析与预测,预测结果可靠性较高。     

季节性时序模型X-11方法及其应用研究

本文对X-11方法作了分析，利用这些分析结果，可以对其他的季节性时间序列进行分析预测。对用X-11进行预测的方法进行了分析，并提出了补充两端数据进行预测的方法，通过实例说明，这种预测方法精度较高。     

航线流量组合预测模型研究

航线客流量的预测是航空公司收益管理的重要基础.通过对时间序列法、增量法、回归分析方法、神经网络法等常用航线客流量预测方法进行分析和比较,在时间序列预测模型和神经网络预测模型的基础上,引入组合预测法,建立了支线客流量组合预测模型.通过实证分析,比较了3种模型的预测结果,验证了所提出的组合预测模型的有效性.     

基于时间序列的季节性气温预测研究

气温的变化受风速、湿度、日照时数等因素的影响,可以通过分析这些因素预测气温的变化情况。考虑到气温序列中存在季节特性,采用 One-Hot 编码方法提取气温序列中的季节性信息,并作为随机森林模型的输入特征,对月平均气温进行拟合与预测。由于模型构建时涉及众多超参数,文中利用随机搜索和网格搜索两种算法优化模型中的超参数。结果表明：考虑季节性的随机森林模型拟合效果优于简单随机森林模型,预测数据变化趋势与实际观测基本一致,拟合精度可以达到 96.14%。经两种方法对超参数寻优之后,模型拟合精度可以达到 96.45%。     

季节性冻土区路基高边坡变形多因素时变预测模型

为了研究季节性冻土区路基在各种影响因素作用下的运营质量,本文对路基高边坡进行沉降变形预测研究。鉴于当前路基变形各种预测模型均有其适用范围,总体预测波动性较大,精度较低,提出了一种基于支持向量机的季节性冻土区路基高边坡变形多因素时变预测模型。依托季节性冻土区路基观测系统,在分析相关监测数据的基础上,对季节性冻土区路基高边坡变形特征及其热稳定性影响因素进行分析,并总结主要因素对高边坡路基变形的影响规律。借助该周期性变化规律采用支持向量机理论构建了变形多因素时变预测模型。实验结果表明:本文模型在预测精度上较当前预测模型在预测精度上有所提高,可为岩土工程建设提供重要的参考依据。     

基于季节性AR（P）模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象。文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平稳序列,且序列具有明显季节性（月份）变化的特性。为此尝试建立季节性AR（P）模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。     

基于时间序列趋势模型的研究与应用

该文针对呼叫中心话务量预测的问题,分析比较了目前常用的预测技术和方法,根据对实际话务量数据信息的分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测,预测的结果表明该趋势模型能较全面地达到所要求的拟合效果和精度,从而较好地解决呼叫中心的呼入话务量的实际预测问题。     

基于监测时序分解再重构的混凝土拱坝位移预测组合模型

针对混凝土拱坝变形机理的复杂性与测值的高度非线性,为提升模型的预测能力,提出了一种融合残差有效成分的混凝土拱坝变形预测组合模型。鉴于统计模型无法有效联系筑坝材料性能演变对大坝变形的影响,结合有限元方法计算水压分量进而构建混合模型;同时,考虑到混合模型残差序列的混沌与周期性特征,应用集合经验模式分解(EEMD)将其解构为具有不同时域特征的本征模态分量,进一步综合粒子群优化的极限学习机(PSO-ELM)和季节性差分自回归积分滑动平均模型(SARIMA)模型对所解构的高频与低频信号分别建模预测,据此构建了变形组合预测模型。工程实例分析表明,较常规监控模型,所建组合模型拟合与预测能力更优,有效验证了所建模型的合理性与可行性,可为大坝变形监测数据分析与预测提供新的技术支撑。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

国内外雾预报技术研究进展

大雾是引起低能见度的主要天气现象.提高雾的预报技术水平是确保交通安全的重要措施.从统计和数值预报两个方面,回顾了过去几十年来国内外在雾预报技术上的主要研究进展,并总结了各种方法的特点及存在的缺陷.在某些情形下,新统计方法的应用提高了雾的预报准确率,但仍然无法摆脱统计方法本身的缺陷.相比较而言,数值模式在大雾预报方面具有更广泛的应用和更大的潜力.在目前的计算机水平下,使用高分辨率的一维雾模式与中尺度天气模式相结合的方法,在一定程度上可以提高雾的预报准确率,该方法在大雾易发区的机场及高速公路沿线具有重要的应用价值.随着计算机能力的不断提高,包含大雾形成和演变的各种复杂过程、具有先进资料同化过程的高分辨率三维雾模式,以及集合数值预报系统将是未来的发展方向.     

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。     

最优化权值组合法用于大气质量中长期预测的研究

以华北某市1986～2000年各季度的降尘月均值监测数据为例，采用最优化理论，对大气质量的中长期数值预测方法进行组合研究，并与一些单一预测方法结果进行对比，旨在寻找既可以达到较高的精度要求又可以避免应用大量参数的组合预测模型．     

基于上下文生成对抗网络的时间序列异常检测方法

时间序列的异常检测是网络服务保障、数据安全检测、系统监控分析等应用中所依赖的一项关键技术。为解决在实际场景的时间序列异常检测中由于时间序列上下文的模糊性、数据分布的复杂性以及异常检测模型的不确定性所带来的异常检测结果的有效性、合理性、稳定性等不足的问题,本文提出了一种新的基于上下文生成对抗网络的时间序列异常检测方法AdcGAN。首先,通过处理历史数据,提取用于生成时序数据的条件上下文;然后,采用条件生成对抗网络的设计策略,使用条件上下文,构建上下文生成对抗网络,实现对任意时刻数据的条件分布预测,同时AdcGAN采用Dropout近似模型不确定性,使用概率分布代替点估计作为预测结果;接着,从观测的差异(用期望偏差表示)和模型的不确定性(用预测方差表示)两个方面来衡量异常;最后,提出基于数据统计信息的异常阈值自动设置方法,减少手动调节的参数量。实验结果表明,与同类基准算法进行对比,在NAB数据集中的47个真实时序数据上,本文提出的AdcGAN可以有效地检测出时序数据中的异常,在大多数评价指标上都优于其他基准方法,并且具有更好的稳定性。     

基于Copula函数的径流随机模拟

随机模型的核心问题是构建联合分布或条件概率分布.建立了基于Copula函数的一阶非平稳时间序列模型,即季节性CAR(1)模型,并与季节性AR(1)模型进行比较.以宜昌站月径流模拟为例,研究了季节性CAR(1)模型的实用性.结果表明,所建模型能较好的模拟原序列的统计特性,尤其是偏态特性、非线性相关性和概率密度特征的保持上,为水文水资源随机模拟研究提供了一种新的途径.     

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。