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。     

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 .     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

负荷预测的线性稀疏数AR预测模型

对时间序列线性ARIMA模型的建模和预测方法进行了总结,根据其特征提出了采用稀疏数AR模型代替ARIMA模型作为通用线性预测模型,并给出了模型搜索算法,使得时间序列线性预测模型的建模过程无需人的干预而能通过程序自动完成。     

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。     

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。     

ARIMA模型及其在时间序列分析中的应用

ARIMA模型是一类精度较高的时间序列短期预测模型,借助于计量经济学软件Eviews5.0对吉林省1980~2005年的全社会固定资产投资总额数据,建立了ARIMA(3,1,2)模型,并对未来几年吉林省全社会固定资产投资进行了预测分析,很好的解决了非平稳时间序列的建模问题.     

基于时间序列关系的GBRT交通事故预测模型

道路交通事故是道路交通安全水平的具体表现。在当前交通事故预测工作中,存在对数据中时间序列关系的挖掘不充分、预测的周期宏观、交通事故相关的影响因素考虑不全等问题。该文提出一种基于时间序列关系的梯度提升回归树(GBRT)交通事故模型。该模型对英国Leicester的2005?2015年每天的交通事故数、死亡人数、涉事的车辆数进行预测。实验结果显示,引入时间序列关系有助于提升模型预测精度。预测结果为交通管理部门的决策起到参考作用,建模方式为同类型预测问题的建模工作带来了积极的参考意义。     

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。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

Time-series analysis with a hybrid Box-Jenkins ARIMA and neural network model

Time-series analysis is important to a wide range of disciplines transcending both the physical and social sciences for proactive policy decisions. Statistical models have sound theoretical basis and have been successfully used in a number of problem domains in time series forecasting. Due to power and flexibility, Box-Jenkins ARIMA model has gained enormous popularity in many areas and research practice for the last three decades.More recently, the neural networks have been shown to be a promising alternative tool for modeling and forecasting owing to their ability to capture the nonlinearity in the data. However, despite the popularity and the superiority of ARIMA and ANN models, the empirical forecasting performance has been rather mixed so that no single method is best in every situation. In this study, a hybrid ARIMA and neural networks model to time series forecasting is proposed. The basic idea behind the model combination is to use each model's unique features to capture different patterns in the data. With three real data sets, empirical results evidently show that the hybrid model outperforms ARIMA and ANN model noticeably in terms of forecasting accuracy used in isolation.     

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。     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

中国能源消费的时间序列分析

对1978—2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较。模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度。     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

基于“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS（Automatic Identification System,船舶自动识别系统）数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型（Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型）,拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA（1,1,2）。“21世纪海上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA（1,1,2）模型对单一船型交通流的预测效果优于对混合船型交通流的预测。