基于陆基GNSS的电离层时间序列预报研究

为讨论不同时间序列模型对电离层垂直总电子含量(VTEC)的预报效果,在平静电离层条件下,采用载波相位平滑伪距法解算单站上空的电离层VTEC值,分别利用自回归积分滑动平均模型(ARIMA)与Holt-Winters指数平滑模型进行逐站建模,通过时长为9 d的样本序列实现3 d预报,并对预报值进行系统评估.结果表明,时间序列模型能够较好地反映预报期内的电离层VTEC变化情况,均方根误差均值不超5 TECU.此外,Holt-Winters乘法模型的预报值偏差最大,加法模型次之,ARIMA模型在11个测站的相对精度都高于Holt-Winters指数平滑模型,且其均方根误差峰值最小,具有最高的预报精度.     

GDP的时间序列模型的建立及应用——以兰州市为例

GDP是人们了解和把握一个国家或地区宏观经济运行状况的有效途径。文章在介绍时间序列的基础上,利用Eviews统计软件及非参数统计方法,对兰州市1978--2010年的GDP数据进行实证分析,建立了ARIMA（1,1,4）模型。检验表明,该模型具有较好的预测效果,利用该模型对兰州市未来5年的GDP进行了预测。     

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。     

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.     

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。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

时间序列分析法与边坡位移预报

将边坡位移｛ｘｔ｝看成是一系列时刻ｔ１，ｔ２，ｔ３…，ｔｎ得到的时间序列，采用时间序列分析方法，对其进行模型识别、参数估计、位移预报．由于该法认为时间序列是一随机过温，可以通过概率分布函数对其取值的规律性作统计描述，能体现边坡位移预报的随机性和不确定性，从而突破传统的边坡位移预报的确定性分析方法．计算结果表明：该法预报精度高，可靠性强，考虑因素全面，是一种行之有效的方法．     

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.     

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。     

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.     

ARIMA与指数平滑在区域高等教育规模预测中的比较研究

文章利用在校学生数作为区域高等教育规模指标,建立了基于四川省高等教育在校学生数据序列的ARIMA和指数平滑预测模型,并进行了比较,得出最优模型为ARIMA（2,1,5）模型;用此模型对四川省2013—2015年高等教育在校学生数做出了预测。结果表明,四川省高等教育在校学生数在近三年内仍会增长,但增长速度趋于缓慢,到2015年末,四川省高等教育在校学生数约为1163100人。     

城市生活垃圾产量的组合预测

引入一种新的预测垃圾产量的方法——组合预测方法,该法能够综合利用不同预测方法提供的信息提高预测精度。结合厦门市1996～2008年的垃圾产量,分析不同预测方法的预测精度,并预测5年后的垃圾产量。通过研究发现：单一预测模型中,线性回归法和年增长率法的预测结果偏小,误差较大,灰色理论GM（1,1）的预测结果偏大,误差较小,基本在10%以内;组合预测模型的预测精度高于单一预测模型;厦门市城市生活垃圾年平均增长率约为10%,低于国民生产总值和社会消费品零售总额年平均增长率,高于城镇居民消费性支出年平均增长率。     

基于社会经济指标影响的电力系统月度负荷组合预测模型

电力负荷受到多种因素影响,用负荷历史数据进行负荷预测结果往往不准确.考虑社会经济指标的影响,采用无偏灰色预测模型与偏最小二乘模型相结合的方法对月度电力负荷进行预测.首先通过无偏灰色理论的方法预测各社会经济指标,然后针对社会经济指标与电力月度负荷的变化特点进行偏最小二乘建模.最后拟合出负荷与各指标之间的线性关系式.实例证明,该组合预测模型具有较高精度.     

确定性时间序列模型及ARIMA模型的应用

本文根据2003年1月至2008年8月西安市社会消费品零售总额的月度数据,建立了确定性时间序列模型和ARIMA模型。借助于MATLAB及SAS软件,对西安市2008年9月至2009年12月社会消费品零售总额进行分析预测,并将两种模型的预测效果进行比较,从而探索出比较合适的短期预测方法,旨在阐明这些模型在经济预测领域中的广泛应用。     

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.     

遗传算法在高校图书馆信息流通量预测中的应用

本文结合遗传算法具有全局最优性和并行性特点,利用遗传算法多变量MGM（1,n）模型参数进行优化,构建了基于遗传算法的MGM（1,n,q）模型.以吉林省某高校图书馆流通部统计1996-2008年的图书流通信息量为例,对模型进行了验证.结果表明,基于遗传算法MGM（1,n,q）模型优于MGM（1,n）模型;MGM（1,n）模型优于GM（1,1）模型.     

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.     

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.