利用Klobuchar模型和载波平滑伪距观测值模型分析电离层变化

在GPS测量中,电离层延迟是一个比较重要的误差来源.对于单频接收机,由广播星历中提供Klobuchar模型参数进行电离层延迟改正;对于双频接收机,采用载波平滑伪距观测值计算电离层延迟改正.利用深圳市连续运行卫星定位参考站系统的双频观测数据,分别用Klobuchar模型和载波平滑伪距观测值两种方法计算深圳市5个CORS站上的电离层延迟值,对两种模型计算的电离层延迟值进行比较,分析深圳市电离层延迟的周日变化规律.     

基于ARIMA模型的安徽省城乡收入差距的预测

根据1978～2012年安徽省城乡居民收入的时间序列数据,运用ARIMA模型,用SAS软件进行拟合,对安徽省城乡居民收入差距情况进行分析,给出了2013～2015年安徽省城乡居民绝对收入差距的预测值。结果显示城乡居民收入差距会继续扩大。     

ARIMA模型在吉林省第三产业总产值预测中的应用

借助于计量经济学软件Eviews5.0,利用吉林省1952-2006年第三产业总产值数据,建立了ARI-MA(2,1,3)模型,并对未来几年的吉林省第三产业总产值进行了预测和分析,以期为吉林省第三产业的规划和决策提供依据.     

基于ARIMA模型的包头市全社会用电量短期预测

通过分析包头市2017—2021年全社会用电量月度数据,运用时间序列的分析方法建立合适的模型,从而达到对包头市未来用电量短期预测的目的.模型预测结果显示：包头市全社会用电量服从ARIMA(2,(1,12),0)模型,利用ARIMA(2,(1,12),0)模型预测包头市未来的短期用电量切实可行,能更好地为电力行业制定短期电力政策提供有力的参考.     

ARIMA模型在江苏省GDP预测中的应用

对江苏省1978至2013年GDP时间序列进行分析,建立了ARIMA(4,2,2)模型,经过验证可知该模型具有较好的短期预测力,可作为江苏省制定经济调控政策、经济发展目标提供决策参考。     

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ARIMA模型的城市公共自行车需求量短期预测方法研究

预测在城市公共自行车的研究中占重要地位,对站点未来需求量进行分析和预测,可为管理者提前分配自行车和用户合理制定出行方案提供依据. 本文采用自回归求积移动平均（ARIMA）模型,对公共自行车高峰时段的需求量时间序列进行拟合和预测,并与基线法（Baseline）预测误差比较,结果显示对于不同站点类型的预测,此模型的预测值与实际值的平均相对误差均低于Baseline预测方法. ARIMA模型的预测精度相对较高,且预测结果可信,可为城市公共自行车管理和使用提供预测的理论与方法.     

基于ARIMA乘积季节模型的我国工业品出厂价格指数（PPI）预测

以乘积季节模型为理论基础,采用2006年1月至2018年12月的PPI月度数据,借助EVIEWS8.0软件,对数据进行逐期差分和季节差分消除趋势性和季节性,通过指标对比,建立了ARIMA(3,1,0)(1,1,1)24模型,并对PPI从2019年1月到6月的走势进行了预测,结果表明,该模型对PPI的短期预测具有较高的精度,可以为相关经济政策的制定提供参考。     

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。     

一种新的基于ARIMA模型的粮食产量预测

粮食产量研究是解决我国现阶段粮食经济所面临问题的有效途径.利用1949—2011年的粮食产量原始数据,建立最优的ARIMA模型,运用该模型预测粮食趋势产量.仿真分析表明:所建立的改进ARIMA模型的预测精度高于传统ARMA模型,而且训练数据越长,预测模型拟合误差越小.     

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。     

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.     

中国纺织品服装出口ARIMA模型分析

利用协整自回归移动平均模型分析了我国纺织品服装出口变化规律，对未来几年中国纺织品服装出口总额变化趋势进行了预测．     

ARIMA模型在广西短期电力负荷预测中的应用

阐述了疏系数ARIMLA(p,d,q)模型的建立方法,提出了适用于广西区普通日电力负荷预测的数据预处理方法,利用建立的动态ARlMA(p,d,q)模型顺利完成了对广西区普通日电力负荷(每日24个点,正点采集)的预测.全年日预测精确度均达到95%以上.     

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ARIMA误差修正的混合预测方法

由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。     

ARIMA模型法分析网络流量

网络流量是网络规划设计、仿真、保证服务质量以及网管的重要参考因素.利用ARIMA模型法,在研究网络流量具有成长性、非平稳性的基础上得到了更为实用的结论.通过分段平均、取自然对数、一次差分可以把具成长性、非平稳性的网络流量变换为一个短时相关的平稳时间序列.通过对实际流量数据的分析,表明该方法计算量小、算法易于实现,可为网络建设的中、长期规划提供有效的预测手段.     

基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数,建立了基于ARIMA的物价指数预测模型。实验结果表明,该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内,因此该模型拟合效果较好,预测值接近实际值。最后,应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。