基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

基于VAR模型对贵州省房价影响因素分析

基于当前的房价热潮,为了探索房价上涨原因,分析各因素对房价的贡献值,冲击各变量对房价在不同时期的影响效果,维护房地产市场的稳定,本文从经济层面系统地研究了固定资产价格指数、CPI、住宅竣工面积、居民可支配收入、GDP对贵州省房价的影响.本文选取了2000年～2018年的指标相关数据,建立VAR模型,运用格兰杰因果检验、...     

基于ARIMA模型的我国外贸出口总额的研究预测分析

随着我国社会经济的快速发展,我国对外贸易成为人们十分关注的问题。为分析我国出口总额未来的发展趋势,本文根据我国1978-2013年外贸出口总额数据,引入时间序列中的MA模型,运用ADF检验、ARCH检验和LM检验等统计检验方法,对我国外贸出口总额未来的发展趋势进行研究预测分析,我国外贸出口总额在未来两年呈较快增长趋势。     

基于ARMAX模型自适应预测函数控制

本文提出了基于ARMAX模型的自适应预测函数控制,该算法的特点是占用内存少,计算速度快,并具有较强的鲁棒性．ARMAX模型参数是通过带遗忘因子的递推最小二乘算法在线辨识得到．仿真结果表明,该控制算法比PID控制具有更好的控制品质．     

混合多个SVR模型的金融时间序列预测

基于支持向量回归(SVR)进行金融时间序列预测,使用PSO算法确定SVR超参数,并用实验的方法选择合适的SVR输入向量。为了解决金融时间序列非平稳性导致的单一SVR模型预测精度不稳定的问题,提出一种混合多个SVR模型的预测算法,选取训练数据的不同子集训练出多个SVR模型,采用对多个模型的预测结果加权求和的方法进行预测,各个模型的权重根据其预测误差动态调整。在全球5大股指上的实验表明,该算法的预测能力明显优于单一SVR模型。     

基于Prophet-ARIMA模型的民航周转量预测研究

周转量作为计算运输成本、客货运收入、劳动生产率、客货运平均行程和运输密度等指标的依据,能比较全面和确切地反映运输的成果以及运输生产产品的数量,其预测对民航的科学化发展有重要意义.与民航业的快速发展和民航市场的不断扩大相比,目前民航的预测模型种类较少.为探索一种更为有效的方法来提高民航周转量预测准确率,较为新颖的Prop...     

基于灰色马尔科夫模型的传染病预测

对于传染病有效的预防和控制,一直以来就是卫生管理的重点。针对于传染性疾病发病不确定的特点,本文有效的将灰色模型和马尔科夫链融合在一起,根据GM(1,1)预测结果,利用马尔科夫链构建偏差的状态转移矩阵,对原来的灰色模型进行修正,有效的克服了数据波动大对于预测精度的不良影响,具有较好的预测效果。     

基于FARIMA模型的网络流量预测

论文基于长相关特性的时间序列分析方法,采用FARIMA模型对网络自相似业务进行研究,利用“后向预报”技术对序列进行分形反滤波,在模型辩识、参数估计中利用粗、精估计结合的方法建立模型。选择伯克力实验室的经典实测数据,利用FARIMA模型进行H值估计、分数差分定阶及消除长相关性的操作,实验证明了模型的有效性。     

基于灰色模型的高炉炉温预测

以高炉炉温预测应用性为基本出发点,以灰色理论为基础,当实际系统的历史数据序列呈现增长过快或下降过快时,就不能盲目使用GM（1,1）模型,否则,预测效果会不令人满意。只有当满足建模的一定条件时,误差才能够被接受。对数据进行开方处理后能使平均相对误差在10%左右,效果不错。     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

ARES:用于预测的情感感知自回归模型

随着Web2.0的蓬勃发展,互联网上产生了大量由用户发表的评论,其中表达的观点看法对大众消费的影响越来越大,因此分析评论中蕴含的情感信息对产品销量的预测以及市场战略的调整有实际意义.针对这一问题,在分析图书销售领域网络评论特点的基础上,提出了相应的情感分析方法,首先利用词性列表及前缀词典完成极性词词典的自动抽取与构建,然后采用基于词典的方法对图书的评论内容进行情感分析及量化,最后通过将抽取的情感因素融合到自回归模型中,建立了新的预测模型——情感感知自回归模型(autoregressive emotion-sensitive model,ARES).实验结果表明,基于词典的分析方法能够有效地反映出评论自身的情感信息,并且融入了情感分析结果的模型在销量预测方面具有更好的准确性.     

Estimation of VAR Models Computational Aspects

The Vector Autoregressive (VAR) model with zero coefficient restrictions canbe formulated as a Seemingly Unrelated Regression Equation (SURE) model. Boththe response vectors and the coefficient matrix of the regression equationscomprise columns from a Toeplitz matrix. Efficient numerical and computationalmethods which exploit the Toeplitz and Kronecker product structure of thematrices are proposed. The methods are also adapted to provide numericallystable algorithms for the estimation of VAR(p) models with Granger-causedvariables.     

基于隐式分段自回归模型的图像插值算法?

利用自然图像信号的分段统计稳态性可以有效地对图像信号进行建模。其分段统计稳态区域往往具有非规则的形态。采用规则窗口对图像统计稳态区域内的统计量进行估计存在较大的误差。提出一种基于概率描述的隐式分段自回归模型来刻画分段统计稳态区域形态,并基于该模型提出了一种改进的图像插值算法。实验结果表明,该方法可以较好地改善插值图像中在边缘处的模糊、振铃和噪声等瑕疵现象。     

基于隐式分段自回归模型的图像插值算法

利用自然图像信号的分段统计稳态性可以有效地对图像信号进行建模.其分段统计稳态区域往往具有非规则的形态.采用规则窗口对图像统计稳态区域内的统计量进行估计存在较大的误差.提出一种基于概率描述的隐式分段自回归模型来刻画分段统计稳态区域形态,并基于该模型提出了一种改进的图像插值算法.实验结果表明,该方法可以较好地改善插值图像中在边缘处的模糊、振铃和噪声等瑕疵现象.     

一种新的统计预测模型——多项式系数自回归模型

传统的自回归滑动平均模型（ARMA）和新近出现的函数系数自回归模型（FAR）不能满足非线性时间序列预测分析的准确度与运算速度要求,为了改进预测性能,研究提出了一种新的统计预测模型——多项式系数自回归模型（PCAR）。给出了PCAR模型的表示形式,详细探讨了PCAR模型的参数估计和阶次选择方法,在此基础上又提出了基于BIC准则的建模算法。同ARMA模型相比,PCAR模型扩大了适用对象范围,有效降低了模型选择误差;同FAR模型相比,它具有参数模型的特点,避免了系数函数局部线性回归估计所存在的不足;分析了PCAR模型与ARMA、FAR模型的等价条件。通过实验分析得出了PCAR模型较ARMA、FAR模型的单步预测准确度分别提高了99.65%和18.7%的结论,而且PCAR建模运算所需时间仅为FAR模型的0.2%。     

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VAR的电能表降维误差估计模型

为达到远程监控电能表状态并及时准确发现电能表异常的目的,本文提出了一种基于VAR的电能表降维误差估计模型,通过对于电能表电量数据的获取、分析及筛选,采用主成分分析方法（PCA）对于原始数据进行降维,通过向量自回归模型（VAR）提取时间序列中的特征,从而准确预测电能表使用电量并对比出用电异常电能表。其中PCA降维算法处理了实际模型的不可解性,VAR自回归算法提高了估计的稳定性和精度,相较于传统方法具有预测准确度高,所需数据量小的特点。为验证该方法的有效性和实用性,将该方法应用于实际台区中测试,通过对于台区中127块电表半年内的用电数据进行分析,准确定位出8个异常电能表。结果表明,该方法不需要提前独立计算网损,能够实时估计智能电表误差和网损率。     

基于隐马尔可夫模型的陀螺仪漂移预测

针对陀螺仪实验数据的有限性和非平稳性,提出了基于自回归(AR)模型和隐马尔科夫模型(HMM)的陀螺漂移预测方法。首先利用AR模型参数能够敏感状态变化规律的特性,提取陀螺漂移数据的自回归系数作为特征量;然后对具有混合高斯输出的HMM进行训练;最后对陀螺仪的状态进行加权预测,改进了趋势预测的方法,解决了陀螺漂移在小样本数据条件下的预测问题。实验分析了加权模型阶数和HMM状态数对陀螺漂移预测结果的影响,并验证了预测方法的有效性。