基于选择性集成ARMA组合模型的零售业销量预测

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析。传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征。论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度。提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求。论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58%和41.28%。组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一。     

基于ARMA和BP_AdaBoost的组合销售预测模型研究

为了提高销售预测的准确性,建立了组合销售预测模型。历史销售数据是非线性、时变的时间序列,可看成由线性和非线性2部分组成。用ARMA模型预测线性部分,用BP_Ada Boost模型预测非线性部分,然后将2部分预测结果叠加得到销售预测结果。该组合模型克服了单纯采用ARMA模型预测结果精度低的问题,也克服了单纯使用BP神经网络模型容易陷入局部极小值的问题。经实验对比表明,采用组合预测模型能够更加准确、全面地反应销售规律,提高了销售预测的准确性。     

基于ARMA的混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个基于ARMA(autoregressive moving average model,自回归滑动平均模型)的混合卷烟销售预测模型,实现卷烟月总量的预测。该模型首先基于ARMA建立月预测模型;再用计划评审技术PERT得到月预测经验期望值;最后通过设定加权系数,综合两个预测值得到月预测销售总量。实验结果证明该模型能够较好地预测出规格卷烟月销售总量值变化。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于多维灰色模型及神经网络的销售预测

在时尚销售领域,如服饰、手袋、钱包等,准确的销售预测对企业非常重要.然而由于客户的需求受诸多因素的影响,要做到准确的销售预测一直是一个富有挑战性的问题.基于改进的多维灰色模型（GM（1,N））和神经网络（ANN）提出一种混合模型来预测销量,其中多维灰色模型对销售数据建模,神经网络对误差进行校正.该混合模型的优点是考虑了影响客户需求的因素与销量之间的关系.通过对阿里天猫销售数据来评估混合模型的表现,实验结果表明,所提出的混合模型的预测结果要优于其他几种销售预测模型.     

电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

混合销售预测模型

为提高产品销售预测的准确性,为企业生产决策提供有力的参考依据,建立BP＿Adaboost和计划评审技术PERT混合销售预测模型。将BP神经网络模型与Adaboost算法进行结合,克服单纯使用BP神经网络容易陷入局部极小值的问题;计划评审技术PERT有效利用销售管理人员的经验,在一定程度上实现对销售数据偶然性的预测;将BP＿ Adaboost和计划评审技术PERT组成混合模型进行销售预测。实验结果表明,该模型提高了销售预测的准确性和有效性。     

基于小波分解和ARMA模型的沪深300股指期货基差预测

一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预测,这是常用的研究思路和手段.但是,金融时间序列由于随机波动较大,很少满足经典ARMA模型的适用条件,无法直接采用该模型进行处理.通过小波分析处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析.在本文中,采用此思路对沪深300股指期货日内高频数据进行分析,表明该方法对金融数据建模的有效性.     

基于离散灰色预测模型与人工神经网络混合智能模型的时尚销售预测

时尚销售预测对零售领域十分重要,准确的销售情况预测有助于大幅度提高最终时尚销售利润。针对目前时尚销售预测数据量有限并且数据波动大导致难以进行准确预测的问题,提出了一种结合人工神经网络（ANN）算法和离散灰色预测模型（DGM（1,1））算法的混合智能预测算法。该算法通过关联度分析得到关联度大的影响变量,在利用DGM（1,1）+ANN预测之后,引入二次残差的思想,将实际销售数据与DGM（1,1）+ANN预测结果的残差加入影响变量利用ANN进行第二次残差预测。最后通过真实的时尚销售数据验证算法预测的可行性及准确性。实验结果表明,该算法在时尚销售数据的预测中,预测平均绝对百分误差（MAPE）在25%左右,预测性能优于自回归积分滑动平均模型（ARIMA）、扩展极限学习机（EELM）、DGM（1,1）、DGM（1,1）+ANN算法,相较于以上几种算法平均预测精度大约提高8个百分点。所提混合智能算法可用于时尚销售即时预测,且能够大幅度提高销售的效益。     

基于ARMA和卡尔曼相结合的实际流量预测模型的研究

为了在高度复杂网络环境下,针对无线传感器网络流量预测精度偏低的问题,结合ARMA模型和卡尔曼提出了一种新的预测算法(State Prediction Algorithm based on ARMA and Kalman,SPAK)。该算法首先定义了ARMA模型分布特征,并给出该模型的理论依据。同时,通过融合ARMA与卡尔曼的预测结果提高其预测实际流量的预测精度,实现SPAK具体实现的步骤。最后,结合OPNET仿真采集流量数据,并使用Matlab对算法结果进行仿真,并对比FARIMA模型MF-FIR模型性能,结果发现该算法可以提前预测拥塞情况,提前进行路由选择,实现路由自适应控制。同样对网络的点比和能耗等做好自适应控制,通过对预测误差的比较,从而提高其预测精度。     

离港航班延误的动态预测研究

现有航班延误预测方法大多是对航班延误进行非动态预测,不能随着航班数据的不断增加而有效更新,进而使得预测结果的实时性较差.因此,提出一种基于时间序列的航班延误动态预测方法.首先,利用小波分解技术对延误时间序列进行平稳化处理;然后,采用自回归滑动平均(ARMA)模型对离港航班延误进行预测;最后,利用支持向量机模型对预测结果进行修正,得到最终的离港航班延误预测值.结果表明,该动态预测方法能较好地提高预测精度.     

混合卷烟销售预测模型

为了提高卷烟销售预测准确性,平衡生产与需求,协同工商业,建立切实合理的月供应计划,提出了一个混合卷烟销售预测模型,实现卷烟月总量的预测.该模型首先基于自适应过滤法建立月预测模型,再用计划评审技术PERT得到月预测经验期望值,接着通过设定加权系数,综合两个预测值得到月预测销售总量.最后借鉴网络流量平衡的控制原理--"漏桶模型",进行月总产能与总需求平衡,自动修正差异,得到该规格月预测总量.实验结果表明,该模型能够较好地预测出规格卷烟月销售总量值变化.     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于矩阵画像的金融时序数据预测方法

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象,提出了一种基于机构交易行为影响的趋势预测方法。首先,利用时间序列的矩阵画像（MP）方法,以股票换手率数据为切入点,构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库;其次,确定待预测股票在兴趣模式长度取何值时的预测结果精确度高;最后,根据该兴趣模式长度下的知识库,预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性,将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析,运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明,与ARMA模型和LSTM网络相比,在70支的股票价格趋势预测上,所提方法有80%以上的股票预测结果更准确。     

基于ARMA模型的工业电容退化状态研究方法

随着中国制造2025计划的推广,工业电源正处于高速发展期,大型铝电解电容的需求越来越大.电容的故障会令工业流水线中断,产生极大的损失,因此工业电容的寿命预测（RUL）具有重要意义.本文通过对铝电解电容充电状态EIS频谱分析,建立电容的状态的量化模型.根据电容状态量化数据,建立ARMA电容退化预测模型.最后通过美国航天航空局的等效串联电阻EIS频谱数据集进行验证.结果表明ARMA电容退化模型对铝电解电容的状态预测有很大的准确性.     

融合ARIMA和RBFNN的血糖预测

为预测糖尿病患者未来一段时间内的血糖值,提出一种融合差分自回归移动平均（A RIM A ）和径向基神经网络（RBFNN）的组合预测模型。利用ARIMA对患者未来血糖值进行预测,采用RBFNN修正预测结果。针对外部因素对血糖的影响,提出一种发现和处理算法。采用医院数据对模型和算法进行验证,验证结果表明,相比A RIM A预测,提出的模型具有更高的预测精度;提出的算法能准确处理外部因素对血糖的影响,保障预测精度。     

基于ARMA的微惯性传感器随机误差建模方法

针对微惯性传感器随机误差建模效果不理想,影响微惯性组合导航系统性能的问题,提出了采用自回归滑动平均(ARMA)对微惯性传感器随机误差进行建模的方法。通过对随机误差模型应用于微惯性器件误差建模的深入分析,将Yule-Walker方程引入线性预测问题中,实现AR功率谱密度的估计,建立了基于随机过程有理功率谱密度的ARMA模型建立方法,并给出了ARMA建模准确性的LDA验证准则。通过微惯性传感器实测数据,对随机误差建模方法进行了有效性验证。该方法为微惯性器件的随机误差建模和分析提供了一种新的途径。     

基于ARMA模型的煤矿瓦斯灾害预测研究

瓦斯预测有助于减少煤矿瓦斯灾害损失,甚至可以完全避免严重事故或灾害的发生.使用时间序列分析法,建立瓦斯灾害预测的自回归滑动平均ARMA模型,用AIC信息量准则实现模型定阶,用最小二乘法确定模型中的未知参数.对于非平稳时间序列,经差分处理后得到平稳时间序列,再用ARMA模型进行预测.仿真结果表明建立的预测模型和数据处理方法能获得较准确的预测结果.     

基于GM（1，1）和线性回归模型在印刷包衬压缩变形中的数据预测研究

运用线性回归对预测数据进行分析,剔除异常数据,用GM（1,1）模型进行预测,有效降低了数据相对误差,提高了预测数据的精度。选用印刷包衬压缩变形的压缩变形量值,用线性回归进行数据分析并剔除异常数据后用GM（1,1）进行预测,使得预测数据具有更高的准确性和适应性。实验及仿真结果表明,经过前期数据分析整理后的灰色预测模型,其预测期望值远优于单纯的回归模型和GM（1,1）模型。     

基于灰色马尔科夫链的小排量汽车销量预测研究

近两年来,我国小排量汽车的销量受到政策、价格等各种原因的影响呈现出波动的形势。为了较为准确的对小排量汽车销量进行预测,本文建立了相应的灰色马尔科夫链预测模型。首先通过灰色GM(1,1)模型获得两年来我国小排量汽车销量的基本走势,然后采用灰色马尔科夫链在GM(1,1)模型基础上进行修正,最后得到最终的预测模型。该模型有效整合了GM(1,1)模型处理光滑序列的有效性和灰色马尔科夫链处理随机序列的有效性。通过对2013年10月、11月、12月的销量数据进行测试,该模型具有较高的预测精度。