用时间序列分析方法预测我国的进出口总额

采用时间序列分析方法对我国1984--2005年的年度进出口数据进行分析，建立了相应的时间序列模型．预测结果表明，该模型的预测效果较好，模型ARMA的短期预测效果比长期预测效果好．     

上证指数的时间序列预测模型

为研究上证指数的变化规律，利用时间序列分析方法建立了预测模型，模型对上证指数的日-上证指数和日-上证指数分别作了预测分析，结果表明，预测值接近真实值，并为指导投资者在证券投资市场上的正确投资战略决策提供有效依据。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

基于时间序列分析的货运周转量预测

基于重庆市统计局的实际统计数据,通过对实际样本数据进行预处理,确认重庆水运货运周转量序列为平稳非白噪声序列。在此基础上,通过对1995-2009年重庆水运货运周转量的数据分析,利用时间序列分析方法建立了ARMA预测模型,结果显示该模型具有较好的预测效果,对重庆水路货物运输工作及水运的发展决策有一定的参考价值。     

基于时间序列模型的矿产品价格分析与预测

矿产品价格是矿业投资风险中最重要的不确定因素,矿产品价格预测的准确与否关系到矿业投资的成败。本文据2001-2007年各季度的铜金属价格数据,利用spssl3.0统计软件,建立时间序列ARIMA模型。结果表明模型拟合较成功,通过比较模型预测数据与实际数据,证明模型预测精度较高。该研究不仅为矿业投资决策出示可靠信息,也为矿山企业编制生产计划提供参考。     

基于时间序列的中小企业融资额预测研究

中小企业是我国国民经济持续健康发展的基石，也是我国经济发展的创新源泉.但是由中小企业自身性质决定的个体弱势群体的地位并没有因此而发生实质性改变，其成长仍然面临融资等因素的制约.因此，如何合理地测算中小企业的融资资金需求量也成为其持续发展的关键因素之一.对我国中小企业融资的动机进行分析，并对其资金来源渠道进行了归类小结，阐明了其融资过程中需要确立的原则.通过引入时间序列分析的方法，以宁波市某一企业为实证，建立融资资金需求量测算模型，通过计算，表明该方法对资金需求的预测和实证检验相吻合.     

基于ARIMA时间序列的广州空气质量分析

本文选取广州11个空气质量观测点2013年4月10日至2013年11月1日的空气观测数据,利用ARIMA时间序列的方法对其进行研究和分析。在此基础上,根据实际报道的情况验证了结果具有较广泛的适用性,对空气质量进行相应的解读。     

基于时间序列分析方法的预测模型研究

预测控制拓广了模型的概念，功能取代结构的建模思想更符合模型的本意，具有较大的实用意义，基于这一思想，本文提出一种利用时间序列分析建立预测模型的方法，这种模型对被控量中带有变化趋势的行为做了很好的提了，映了系统中频率的变化并做了实例说明。     

基于简化型LSTM神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory, LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand, BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.     

基于经验模态分解的时间序列预测方法

时间序列预测方法广泛应用于各个领域。对非平稳非线性时间序列预测方法进行了研究,利用经验模态分解法将此类序列分解为平稳时间序列,然后选择合适的步长,应用机器学习算法对各个平稳子序列进行预测,各个子序列的预测值之和即为原序列的预测值。将该方法应用于楼宇等电能能耗数据,实验结果表明,基于经验模态分解方法的时间序列预测方法精度较高,适用于预测非线性非平稳时间序列。     

基于风速功率关系带的时间序列法预测研究

在运用时间序列法预测风速及风电功率的基础上,采用分层统计法对16台风电机组的风速功率数据进行统计分析,得出基于实测数据的风速功率关系带,用于提取有效历史功率点,达到提高风电功率预测精度的目的．运用MATLAB软件编程实现预测,并选取合适的误差衡量指标进行误差分析．     

基于信号变化速率的时间序列异常值检测方法

为了消除奇异值对系统模型辨识的影响, 并提高时间序列数据预处理的效果, 提出一种基于统计分析的奇异值检测方法.该方法将时间序列信号变化特征与统计学理论相结合, 在计算时间序列信号的变化速率的基础上, 对其进行统计分析, 进而得到异常值发生的位置, 并利用内插法对原始的观察信号进行修复.应用结果表明:该算法简单、有效、计算量小, 能满足时间序列数据预处理的需求.     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于多维时间序列的数控机床状态预测方法研究

针对数控机床状态数据的多样性、时序性,机床状态难以预测等问题,提出了一种基于多维时间序列的数控机床状态预测方法。首先,基于OPC（OLE for Process Control）技术进行机床状态数据采集,采用Min-max标准化和自回归移动平均模型对数据进行预处理,构建多维时间序列矩阵,建立机床状态的度量模型和评价函数,采用特征向量、特征趋势距离标示状态模型,利用差异度对状态模型进行对比衡量。其次,利用滑动时间窗口技术表征机床未来状态,以时间窗口长度l和滑动时长w获取机床历史状态集合,提出基于窗口滑动的多重匹配状态预测方法,利用β-耦合相似度量标准寻找与当前状态矩阵相似度最大的历史状态集合Xk,根据给定的相似性阈值确定最优滑动时长w和预测时长l,以Xk跟随状态Xk*的变换趋势和规律作为机床下一时刻的状态。针对噪声数据干扰问题,提出基于密度空间聚类算法的状态序列分析方法,通过引入欧几里得距离和缩小权重因子确定算法参数,求出表征机床某时刻状态的最佳状态矩阵。最后,以机床主轴四项参数为例进行数控机床状态预测实验,根据状态序列相似性分析结果确定了预测时长为24s,滑动单位为2s。预测结果表明,基于多重匹配的矩阵形式、向量形式的状态预测方法比传统的AR预测模型的各项误差都低,预测结果更加准确。     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

基于混沌时间序列的黄土滑坡变形预测方法及应用

采用GNSS技术进行滑坡变形监测时,由于多路径等观测误差的存在,直接使用GNSS监测结果进行变形预测会影响预测结果的精度。为了探讨GNSS测量误差对变形预测结果的影响程度,考虑到滑坡系统的混沌特性,采用混沌理论对陕西泾阳地区庙店滑坡GNSS变形监测结果抑噪处理前后的时间序列进行了对比分析。首先,采用互信息量法确定监测序列的时间延迟、用改进的虚假邻近点法(Cao算法)确定嵌入维数,获取相空间重构参数; 然后使用最大Lyapunov指数对两种变形监测序列进行混沌特性识别; 最后,分别使用加权一阶局域预测方法、最大Lyapunov指数预测方法和BP神经网络预测方法对滑坡变形监测结果进行预测。结果表明:GNSS滑坡变形监测结果抑噪处理前后的时间序列满足混沌特性,说明滑坡系统具有混沌特性; 在3种混沌时间序列预测方法中,BP神经网络预测方法的效果较好,且该方法预测结果的平均绝对误差(MAE)和平均相对误差(MRE)分别为0.4 mm和11.9%,经过S-变换抑噪处理后,预测结果的平均绝对误差和平均相对误差分别为0.1 mm和4.1%,预测效果有明显改善。     

基于时间序列关系的GBRT交通事故预测模型

道路交通事故是道路交通安全水平的具体表现。在当前交通事故预测工作中,存在对数据中时间序列关系的挖掘不充分、预测的周期宏观、交通事故相关的影响因素考虑不全等问题。该文提出一种基于时间序列关系的梯度提升回归树(GBRT)交通事故模型。该模型对英国Leicester的2005-2015年每天的交通事故数、死亡人数、涉事的车辆数进行预测。实验结果显示,引入时间序列关系有助于提升模型预测精度。预测结果为交通管理部门的决策起到参考作用,建模方式为同类型预测问题的建模工作带来了积极的参考意义。     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.