基于组合模型的江苏省入境旅游需求预测

入境旅游是旅游业发展的关键因素,通过对入境旅游需求进行预测,获取未来某一时段的旅游接待信息,对于提高旅游目的地接待效率和接待水平具有重要意义。本文运用ARIMA模型和BP神经网络模型对江苏省入境旅游需求进行预测,得到了较好的预测效果。     

基于ARIMA模型与Winter模型的水运货运量预测比较

本文运用SPSS统计软件,采用ARIMA模型与Winter模型对我国2010年1月-2017年7月水运货运量数据进行分析,ARIMA模型定为ARIMA(1,1,1)(2,1,0)12,通过对训练样本进行训练,R方达0.953,拟合效果较好。Winter模型,分别采用Winter季节可加性、Winter相乘性条件对训练样本进行训练,R方分别为0.974、0.966,标准化的BIC(L)分别为14.752、15.036,拟合效果都比较好。三种方法对2017年8月-2018年8数据进行测试,都有较好效果;在进行2018年9-2019年9月预测中,三种方法所得结果都有差异,总体来看采用Winter季节可加性最优,其次为Winter相乘性,最后为ARIM模型。故在进行我国水运货运量预测的短期预测中,需综合考虑选择模型进行预测。     

基于ARIMA模型的游客人数分析与预测

通过确定ARIMA模型参数,建立预测中国国内游游客人数的预测模型,为中国未来旅游人数预测提供参考。首先选取1994-2015年的国内游游客人数作为训练数据,判断时间序列是否平稳,若不平稳则进行平稳性处理;然后确定模型参数,建立预测模型;最后按照构建好的ARIMA模型对2016-2018年的国内游游客人数进行预测。实验表明,ARIMA模型能较好地对国内游游客人数进行预测。     

基于ARIMA神经网络的工业生产指数仿真研究

工业生产指数是衡量某个时期工业经济景气状况和发展趋势的重要指标,也是研究宏观经济预警的首选指标。将ARIMA理论与神经网络理论相结合,构建了ARIMA神经网络模型,采用1997－2015年月度工业生产指数的时间序列数据,开展了工业生产指数的仿真研究。首先对工业生产指数进行季节调整,剔除了工业生产指数时间序列中的季节因素影响;其次通过ARIMA神经网络模型对1997－2015年月度工业生产指数进行仿真,结果表明模型仿真训练效果较好;最后运用ARIMA神经网络模型对2016年1－6月工业生产指数进行模拟仿真,得出了2016年1－6月工业生产指数模拟仿真值。     

基于网络搜索数据的游客量组合预测模型

随着信息技术的不断发展,基于网络数据对事物近期发展态势预测成为热点.本文以北京市月度游客量预测为目标,以相关网络关键词搜索指数为自变量建立了BP神经网络、支持向量回归和随机森林三种单一预测模型,在此基础上构建组合模型以提高预测准确度.实验结果表明：基于GBDT建立的组合模型达到了较高的预测准确度,误差仅为3.16%,预测结果可以为旅游管理部门提供决策支持.     

“金旅”转向的被动与主动

自1999年“黄金周”诞生，中国旅游业的发展一日千里．平均下来一个“黄金周”就是几百个亿的GDP。2004年全国接待入境旅游达108亿人次．分别比2003年和2002年增长18％和10％；入境过夜旅游可达4000万人次．分别比2003年和2002年增长24％和11％；旅游外汇收入达252亿美元．分别比2003年和2002年增长47％和25％；     

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。     

基于季节性ARIMA模型的小区供水预测

为了减少二次供水设施给小区供水管网所带来的压力,对供水管网运行状况进行更加精确的预测。结合物联网和时间序列分析等技术,通过对供水管网的历史数据的分析,采用季节性ARIMA模型对供水数据进行预测。设计数据预测分析的步骤和方案,建立方差估值为0.404 9、AIC为284.85的ARIMA(3,0,1)×(1,1,1)24模型。实验结果表明,设计的季节性ARIMA模型的预测周期短且有较高的预测精度,能够有效地对供水管网运行状态进行预测。     

马尔科夫与ARIMA组合模型对地区降雨量的预测研究

传统的马尔科夫模型和ARIMA模型对年降雨量预测会有一定的偏差和不稳定性,对此提出用ARIMA模型和马尔科夫模型分别进行地区降雨量的预测。将ARIMA模型预测结果与马尔科夫模型预测结果进行平均化操作,对三种实验结果进行分析比较。实验结果表明,组合后的模型对于年降雨量具有较好的预测效果,稳定性较高。     

基于ARIMA模型与DES模型的政府卫生支出预测

基于2006-2019年辽宁省政府卫生支出历史数据，分别构建了差分自回归移动平均（ARIMA）模型和二次指数平滑（DES）模型，对辽宁省未来五年政府卫生支出进行预测。结果表明，ARIMA模型与DES模型均具有较高的预测精度，并且ARIMA模型较DES模型有明显优势。该研究可为政府优化医疗卫生政策提供参考。     

Modelling and forecasting tourism from East Asia to Thailand under temporal and spatial aggregation

Tourism is one of the key service industries in Thailand, with a 5.27% share of Gross Domestic Product in 2003. Since 2000, international tourist arrivals, particularly those from East Asia, to Thailand have been on a continuous upward trend. Tourism forecasts can be made based on previous observations, so that historical analysis of tourist arrivals can provide a useful understanding of inbound trips and the behaviour of trends in foreign tourist arrivals to Thailand. As tourism is seasonal, a good forecast is required for stakeholders in the industry to manage risk. Previous research on tourism forecasts has typically been based on annual and monthly data analysis, while few past empirical tourism studies using the Box–Jenkins approach have taken account of pre-testing for seasonal unit roots based on Franses [P.H. Franses, Seasonality, nonstationarity and the forecasting of monthly time series, International Journal of Forecasting 7 (1991) 199–208] and Beaulieu and Miron [J.J. Beaulieu, J.A. Miron, Seasonal unit roots in aggregate U.S. data, Journal of Econometrics 55 (1993) 305–328] framework. An analysis of the time series of tourism demand, specifically monthly tourist arrivals from six major countries in East Asia to Thailand, from January 1971 to December 2005 is examined. This paper analyses stationary and non-stationary tourist arrivals series by formally testing for the presence of unit roots and seasonal unit roots prior to estimation, model selection and forecasting. Various Box–Jenkins autoregressive integrated moving average (ARIMA) models and seasonal ARIMA models are estimated, with the tourist arrivals series showing seasonal patterns. The fitted ARIMA and seasonal ARIMA models forecast tourist arrivals from East Asia very well for the period 2006(1)–2008(1). Total monthly and annual forecasts can be obtained through temporal and spatial aggregation.     

基于改进的灰色模型的旅游需求预测研究

针对海南省旅游需求预测问题,对传统的灰马尔科夫模型进行改进,提出了一种动态优化子集模糊灰马尔科夫预测模型。该模型首先根据GM(1,1)模型预测结果的平均绝对误差百分比,通过输入子集法来确定最优输入子集个数;然后利用模糊集理论,将计算出的隶属度向量作为马尔科夫转移矩阵向量的权重,以修正预测值。为了能够根据时间推移进行预测,建立了等维递补的动态预测模型。实验以海南省各市县旅游饭店接待情况为例,验证了该模型可以有效地提高预测数据的准确性。     

基于ARIMA时序辨识的需水量预测

供水行业是国民经济的重要基础,对需水量的准确预测有利于供水部门调度。针对城市供水量波动特点和预报要求,基于ARIMA季节时间序列对城市需水状况建模。通过分析自相关系数(ACF)、偏自相关系数(PACF)等参数辨识模型阶次结构,预报未来需水量趋势,并使用SAS统计软件进行检验。所建立的模型成功应用于上海市中心城区需水预报,对照历史数据表明,模型具有理想的预测精度,能够有效地辅助供水部门进行决策。     

Time-delay neural networks for time series prediction: an application to the monthly wholesale price of oilseeds in India

Agricultural price forecasting is one of the challenging areas of time series forecasting. The feed-forward time-delay neural network (TDNN) is one of the promising and potential methods for time series prediction. However, empirical evaluations of TDNN with autoregressive integrated moving average (ARIMA) model often yield mixed results in terms of the superiority in forecasting performance. In this paper, the price forecasting capabilities of TDNN model, which can model nonlinear relationship, are compared with ARIMA model using monthly wholesale price series of oilseed crops traded in different markets in India. Most earlier studies of forecast accuracy for TDNN versus ARIMA do not consider pretesting for nonlinearity. This study shows that the nonlinearity test of price series provides reliable guide to post-sample forecast accuracy for neural network model. The TDNN model in general provides better forecast accuracy in terms of conventional root mean square error values as compared to ARIMA model for nonlinear patterns. The study also reveals that the neural network models have clear advantage over linear models for predicting the direction of monthly price change for different series. Such direction of change forecasts is particularly important in economics for capturing the business cycle movements relating to the turning points.     

基于ARIMA-SVM组合模型的移动通信用户数预测

运营商通过分析各时段、各区域的历史移动通信业务数据,能够预测未来一段时间的业务量,从而提供面向管理层的决策支持。为准确把握国内移动通信用户数的波动规律,提高预测精度,通过对2012年1月到2014年2月的26个月忙时移动通信用户总数和3G用户数进行分析,采用差分自回归移动平均模型(ARIMA)对业务量时间序列数据进行线性建模,并采用支持向量机(SVM)对ARIMA模型残差进行非线性建模,将ARIMA模型与SVM模型组合对忙时移动通信用户数进行预测,结果表明,ARIMA-SVM组合模型预测精度明显优于单一模型,发挥了两种模型各自的优势。该组合模型是一种切实可行的移动通信业务预测方法。     

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.     

双向工频通信入站信号的调制与提取研究

文章介绍了双向工频通信系统的基本原理及入站信号的调制和解调方法,详细地介绍了采用FIR滤波器及数字差分方法对入站信号进行提取的方法,并用Matlab/Simulink建立了基于配电网的仿真模型。对入站信号调制与提取的仿真研究验证了文中所述方法的正确性。