ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

组合模型在电力价格预测中的应用研究

电力价格同时具有线性和非线性规律,价格预测就符合收益最大,风险最小,满足供电的要求.当前传统的方法只能反映电力价格部分信息,从而导致电力价格预测精度不高.为了提高电力价格预测精度,提出一种基于ARIMA和RBF神经网络相结合的电力价格组合预测方法.首先采用ARIMA方法对电力价格的线性部分建模预测,然后采用RBF神经网络对电力价格非线性部分建模预测,最后利用三层结构的RBF神经网络将2种方法预测结果进行非线性组合,得到电力价格最终预测结果.实验结果表明,组合模型相对于单模型的预测具有更高的精度,组合模型发挥了2种模型各自的优势,在电力价格预测中具有广泛的应用前景.     

时序模型ARIMA在数据分析中的应用

时间序列是进行趋势分析的方法之一。随着大数据时代的到来,经济趋势、企业经营、市场预测和天气预测等常常需要进行预测和分析。本文对某知名化妆品公司2010年至2018年间的2122条股票数据,采用ARIMA模型进行趋势分析,预测未来的发展趋势。通过模型的拟合与效果考核,所得到的结果说明了应用ARIMA模型对股票进行趋势分析时,可以取得较好的预测效果。     

基于ARIMA和神经网络模型的城市燃气负荷预测

城市燃气负荷预测是城市天然气调配的重要环节。在对燃气负荷时间序列进行小波周期分析的基础上,建立燃气负荷的基于ARIMA的神经网络温度矫正模型,ARIMA模型对年周期数据进行平滑,有效去除了过去的短期影响;将大气温度作为神经网络的输入对ARIMA模型预测值进行修正。经过检验,该模型很好地揭示了燃气负荷时间序列的特征,预测效果较好。     

应用SARIMA模型预测主题词研究热度

随着科学技术的飞快发展,如何通过已有某主题词历史的研究情况预测未来该某主题词以此来判断某领域是否具有研究意义的问题已经变得越来越不可忽视.在本文中,利用主题词论文的发表数量来体现该主题词的研究热度.以往科技文献的预测模型没有统一的评判标准,导致结果的信服程度低;只是简单的考虑到某一时间范围均匀地减少,没有对具体到季节变化进行模拟,模型的准确度低;模型最优解参数难以确定,迭代周期长.本文以预测科技文献的发表数量为目的,运用时间序列预测的研究方法.通过分析前人的对于时间序列预测所题出的模型,根据科技文献的发表特点提出使用SARIMA模型进行预测.使用Python进行仿真实验,采用AIC作为评判模型的指标,采用图像初步判断模型参数范围与迭代进一步确定模型参数的办法,结果表明采用SARIMA模型得到的AIC指标为505.859相比于仅采用ARIMA模型得到AIC指标646.363表现良好.最后尝试将SARIMA模型拓展应用于其他领域,结果都表明SARIMA模型优于ARIMA模型.最后本文结论,在预测季节性数据的情况下,可以采用本文提出的实验过程,广泛应用在其他领域,表现出色同时具有实际意义.     

ARIMA模型在期货交易预测中的应用研究

求和自回归移动平均模型(ARIMA)在非平稳时序序列预测中有良好的效果,文章通过对原始数据进行简单平稳处理,在一定程度上达到减小预测误差,提高预测精度的目标。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

基于ARMA模型的联机时间序列数据分割算法

自回归移动平均(ARMA)模型近年来被广泛用于时间序列数据的预测、聚类以及相似性查找等.由于现实中的时间序列数据其底层生成机制与结构经常动态发生变化,因而对跨越较长时期的数据建立一个单一静态的ARMA模型并不合适.本文提出一种联机分割算法,首先对数据建立动态的ARMA模型,然后根据模型的预测信息与历史数据的特征信息,判断是否适合继续使用该模型描述后续数据,或者需要对数据进行分割,从而逐段建立ARMA模型.算法能够处理持续数据流,对仿真数据与实际数据的试验结果表明,本文所提出的算法是实用有效的.     

短期燃气预测的信息熵组合模型研究

城市燃气负荷量的预测对于智慧型城市智能化燃气系统来说具重要的作用并是富有挑战性的工作。针对本地区燃气负荷具有周期性特点,为提高预测精度,提出一种基于信息熵的ARIMA和BP神经网络并行组合模型预测方法。该方法在对原始数据进行离群点预处理的基本上,首先用ARIMA方法进行预测,将燃气负荷TS分解成为趋势性和季节性两种TS分别进行建模;然后在BP神经网络中采用差值训练方法对负荷量进行预测;最后在基于信息熵的原理下将以上两种方法进行组合,从而预测出未来数日的燃气日负荷量。以上三种方法的实验对比结果验证了燃气短期预测的信息熵组合模型的可行性与有效性。     

改进ARIMA模型在医药需求预测中的研究

为满足卫生部对三级医院库存周转率的要求,提出一种基于小波变换和相似性度量的线性改进模型。基于滑动窗口的数据流相似性原理检验原始序列,小波分解后,根据其线性特征分别搭建模型分而治之,小波重构综合各分量的预测值得到终值。仿真结果表明,该模型提高了突变节点处的预测精度,在模式和非模式集中有优秀的拟合效果和精准的预测效果,验证了该模型的有效性。     

二重趋势时间序列的灰色组合预测模型

神经网络、ARIMA等广泛应用于具有趋势变动性和周期波动性的二重趋势特征的时间序列预测,而这些单一的模型难以达到满意的预测效果。提出一种针对该特征的灰色组合模型,其基本思想是：从二重趋势时间序列中分离趋势变动项和周期波动项后,用灰色G（1,1）模型预测趋势变动项,引用BP网络和ARIMA的组合模型预测周期波动项,用乘积模型合成两部分预测值为灰色组合模型的最终预测值。实验表明：该灰色组合模型适应了二重趋势时间序列的特征,具有很好的预测效果。     

软件可靠性预测的ARIMA方法研究

对基于求和自回归滑动平均模型（ARIMA模型）的软件可靠性预测方法进行了研究,提出了将软件可靠性失效数据看作时间序列,通过建立相应的ARIMA（p,d,q）模型来进行预测的方法。对该方法的基本思想、模型表述、建模流程进行了详细介绍,并依据上述方法选用Musa经典数据集中的Project SS2中的数据进行了预测,结果表明预测的准确性较高,说明该方法适用于软件可靠性预测。     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

应用乘积季节ARIMA模型的话务量预测及结果分析

话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。进行了2008年7月到12月的全省及各地区月日均话务量的预测,并与网络实际运营结果进行了比较。所应用方法的一步预测值平均绝对百分比误差MAPE为1.382%,6步预测的MAPE值均在6%以内,是精确度很高的预测;对预测误差较大的某地区进行了原因分析,证明了模型的正确性,并为实际预测应用中经常遇到的预测误差偏大的问题提供了一种有效的分析思路和方法。     

基于小波变换与差分自回归移动平均模型的微博话题热度预测

研究话题热度预测问题对于网络广告传播效应最大化、网络舆论引导与控制等具有重要意义。首先,根据用户关系及话题因素计算用户影响力,进而定义话题影响力。然后,基于老化理论并考虑话题影响力和话题相关微博数定义话题能量值,量化话题热度。最后,提出基于小波变换与差分自回归移动平均模型的微博话题热度预测方法,以此预测话题热度(能量值)及话题能量峰值。实验表明,文中方法可有效预测话题热度及峰值,具有较低的残差和遗漏率。     

基于小波和ARIMA模型的业务流预测方法

针对因节点失效而造成的业务流性能变化问题,提出一种新的Ad hoc网络状态预测算法TAP。该算法利用小波变换减弱实际业务流的长相关特性,并结合自回归移动平均(ARIMA)模型和Kalman滤波建立状态预测方程。通过仿真实验对比分析ARMA和FARIMA的预测精度,结果表明,TAP算法业务流性能较优,其残差为18.23%。