“十三五”时期中国粮食产量的预测研究

从中国粮食产量的历史趋势中找出规律,寻找适当模型为政府进一步制定相关的农业改革政策提供参考。以1949—2014年中国粮食产量数据作为建模样本,运用EViews 6.0,建立中国粮食产量的ARIMA模型。建立了ARIMA)0,1,1(模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。模型预测效果显著,具有现实意义。     

基于ARIMA模型的深圳市空气质量指数时间序列预测研究

目的构建适合深圳市空气质量指数(AQI)预测的自回归移动平均模型(ARIMA),为有效地治理和控制空气污染提供科学依据。方法应用时间序列分析方法对深圳市2014年1月1日—2016年6月30日AQI逐日数据进行分析并建立预测模型,对建立的预测模型进行参数估计、模型诊断、模型评价,选择最优预测模型,利用所得到的模型对2016年7月1日—2016年7月6日AQI进行预测,并评价其预测效果。结果本研究2014年1月—2016年6月共收集了深圳市912个逐日AQI数据,空气质量级别为优、良和轻度污染的比例分别是48.6%、48.4%和3.0%。经平稳性检验,该原始序列适合进行模型拟合,经过模型拟合诊断发现ARIMA(3,0,1)模型为最优模型,赤池信息准则(AIC值)和贝叶斯信息准则(BIC值)最小,分别为7 364.51和7 393.41,Box-Ljung检验结果 Q值为17.48,P>0.05,模型残差为白噪声序列。2016年7月1日—2016年7月6日AQI预测值与实际值的平均相对误差为16.6%,实际值都在95%可信区间内,建立的ARIMA(3,0,1)模型的拟合精度和预测效果较为理想。结论 ARIMA(3,0,1)模型能较好地模拟深圳市AQI变化趋势,有良好的预测效果。     

基于干预ARIMA模型的中国GDP趋势分析

文章通过时间序列分析采用ARIMA模型及干预模型对我国的GDP数据进行分析,引入干预变量,对其进一步建模,拟合出ARIMA(2,2,0)模型。利用干预模型来预测2017年中国GDP的均值。     

应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况

目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。     

ARIMA模型对我国旅游业可持续发展的实证研究

以国内游客人数为研究对象,建立适当模型,分析我国旅游业可持续发展状况。选取1985年至2015年我国国内游客人数为样本,运用Eviews6.0建立ARIMA模型。最终建立ARIMA)1,2,0(模型。经检验,模型拟合效果很好(MAPE=7.363),预测精度极高(99.56%)。ARIMA模型对游客人数的短期预测是合理的,且"十三五"时期国内游客人数呈趋势性增长。     

基于ARIMA乘积季节模型的苏州市介水传染病发病预测研究

目的探讨运用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型对苏州市介水传染病发病率进行预测。方法利用R软件对苏州市2008年1月—2015年12月的介水传染病发病率数据进行拟合,构建ARIMA乘积季节模型,对苏州市2016年1—6月介水传染病的发病率进行预测。结果构建了ARIMA(2,1,2)×(0,1,1)_(12)乘积季节模型,模型Ljung—Box检验差异无统计学意义(Q=18.478,P=0.779),模型适用于短期预测,2016年1—6月苏州市常见介水传染病实际发病率均在预测结果95%可信区间内,预测结果相对误差的平均值为-0.024。结论ARIMA(2,1,2)×(0,1,1)_(12)季节乘积模型可用于苏州市介水传染病发病率的短期预测。     

基于ARIMA模型对我国2014年货币供给量的预测

基于ARIMA时间序列模型及我国货币供应量的实际数据,对我国2013年的货币供应量作出预测,实证结果与我国实际的货币供应量比较吻合,得到的平均相对误差绝对值的指标仅为1.1%,说明ARIMA模型能较好地预测我国货币供应量的趋势,可为我国货币供应量预测和走势的判断提供有效依据,并对我国2014年货币供应量作出预测。     

基于ARIMA模型的黄金价格实证分析

本研究以2011年10月至2014年2月的上海黄金交易所黄金Au100g每日的加权平均价为例,以时间序列的相关理论为基础,建立ARIMA(2,1,0)模型对黄金价格的走势进行实证分析,并对2014年3月至2014年5月的数据进行短期预测.实验结果表明,ARIMA(2,1,0)模型能够比较准确地刻画黄金价格的动态走势,这为中国黄金投资者更好地预测黄金市场的行情提供了一个可行的方法,也为他们理性地投资黄金提供了一个理论依据.     

污泥处理湿地系统渗滤液中总氮和氨氮的预测模型

将人工湿地与传统污泥干化床结合,形成了污泥处理湿地技术,其通过渗透和蒸发蒸腾作用对污泥进行脱水。污泥中的水分在经过污泥层和填料层下渗的过程中,水质成分发生复杂的变化,进而影响到渗滤液出水水质。根据污泥处理湿地系统中渗滤液出水总氮浓度和氨氮浓度检测数据的平稳、系列特点,利用时间序列分析ARIMA模型对系统渗滤液出水总氮和氨氮浓度进行了模拟和预测。结果表明,ARIMA(1,0,0)模型可以较好地模拟和预测污泥处理湿地渗滤液出水总氮浓度变化,预测相对误差在-11.7%~8.8%之间,实测值和预测值之比处于0.9~1.1范围内;ARIMA(6,0,0)模型能较好地模拟和预测污泥处理湿地渗滤液出水氨氮浓度的变化,预测相对误差基本在-14.5%~14.7%之间,实测值和预测值之比处于0.8~1.2范围内。     

ARIMA模型在燃气调压器故障诊断的应用

研究自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)在燃气调压器故障诊断及预警方面的应用,为预测燃气调压器出口压力提供理论依据。介绍自回归模型、移动平均模型和自回归移动平均模型,根据这3种模型建立自回归差分移动平均模型,步骤为数据的平稳化处理,识别模型种类后建立模型、检验模型,应用检验通过后的模型预测出口压力。利用北京某燃气公司2018年11月至2019年1月期间中低压燃气调压站监测的历史故障数据,针对喘振、用气高峰压力低、用气低峰压力高这3种典型故障状态,使用IBM SPSS Statistics V21. 0软件建立了ARIMA模型,对燃气调压器出口压力进行预测,效果良好。根据ARIMA模型建立了一种燃气调压器故障智能诊断系统。结果表明,应用ARIMA模型对燃气调压器进行故障诊断具有可靠性,模型能够准确描述燃气调压器发生故障时出口压力随时间的变化; ARIMA模型能够在短期内对调压器出口压力进行预测,具有建模简单和预测准确的优点;基于ARIMA模型建立的燃气调压器故障智能诊断系统,可以在短期内对故障做出判断并预警。