基于时间序列模型的节假日火灾形势预测与分析

研究节假日火灾发展趋势,可为有关部门制定节假日火灾消防对策,为维持安定和谐的社会和可持续发展提供重要的依据。以春节期间火灾为例,根据中国火灾统计年鉴提供的数据,利用时间序列指数平滑模型、回归分析模型和ARIMA模型分别进行预测,然后根据组合预测分析方法得出有效的火灾预测模型。该方法将三种预测方法结合比原有的单一预测方法预测更为可靠,然后,给出春节期间未来火灾的发展趋势预测值,在一定程度上可以使人们更容易掌握火灾发展的规律进而做出一些必要的准备。     

基于时间序列分析的工程造价指数预测

准确的工程造价指数预测可以帮助承包商将工程费用的波动纳入预算之中,避免低于成本价或超过拦标价中标的现象等。利用1996年1月～2012年12月香港路政署的工程造价指数,基于ARIMA构建工程造价指数预测模型进行样本内和样本外预测,并对预测结果总结分析,并指出了进一步的研究方向。     

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。     

边坡位移时间序列分析预测

将边坡位移看成是一系列时刻t1,t2,t3,…,tn得到的时间序列,采用时间序列AR模型,对其进行模型识别、参数估计、位移预报。预测结果表明：AR模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势。     

动态时间序列预测DM模型

本文介绍了解决呈波动现象的系统预测方法－动态时间序列预测模型，简称ＤＭ模型。阐述了ＤＭ模型的建立，参数辩识，模型求解和应用方法。为经济领域波动现象的预测提供了一种新方法。     

时间序列分析在变形监测中的应用

介绍了时间序列的基本原理,给出了时间序列分析的ARMA、ARIMA两种基本模型,介绍了自相关函数、偏相关函数以及其性质。总结归纳了时间序列分析的建模步骤。最后用时间序列分析处理了某市某一变形监测点,并且与回归分析做了比较。比较表明,时间序列分析用于动态的时序预测具有较好的效果,20期预测误差的绝对值均小于0.002mm。并且其建模过程与回归分析法相比,较为简单,是处理动态数据的一种非常有效的方法。     

自回归法在时间序列预测中的应用

1.自回归法进行时间序列预测的理论当一个要素(变量)按时间顺序排列的观测值之间具有依赖关系或自相关性时,建立该要素(变量)的自回归模型,并由此对其发展变化趋势进行预测,这就是自回归法。用自回归法进行时间序列预测主要是先判断时间序列的自相关性,然后建立该时间序列的自回归预测模型,进行预测。自相关性是建立自回归模型的基础,只有具有显著的自相关性的时间序列才可以建立自回归模型。     

基于时间序列分析的滑坡位移预测模型研究

 结合滑坡位移监测数据,从分析滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身基础地质条件控制的趋势项位移以及由外界因素如降雨、库水位变动等影响的周期项位移,应用时间序列分析方法建立滑坡位移预报模型。采用二次移动平均法分离滑坡位移的趋势项和周期项,在此基础上分别采用GM(1,1)灰色模型和自回归AR模型分别对滑坡趋势项位移和周期项位移进行预测,将计算得到的各分项位移预测值叠加即得到总位移预测值。以三峡库区八字门滑坡位移为例,分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

基于时间序列的建筑工程造价预测方法

建筑业随着经济的发展也在不断地进步,工程造价问题是建筑业发展的核心,时间序列是一种概率学统计方法,被广泛地应用在各个工程造价的预测中,传统的建筑工程造价预测方法存在一些问题导致造价预测不准,因此设计了新的造价预测方法,通过采集建筑工程特征,建立建筑工程分类特征框架,设计造价预测模型,实现造价预测.经过实例分析,可以得出...     

中国人口老龄化序列分析预测研究

首先根据1990年²012年我国65岁以上人口数据,运用时间序列分析预测未来十几年中国的老龄化人口,接着运用回归分析研究老龄化人口与人口出生率,死亡率,自然增长率,人均GDP,卫生总费用,人口密度,普通本专科毕业人数这七个指标的相关关系,得出线性回归方程。最后依据这些研究对缓解人口老龄化提出合理建议。     

基于时间序列的建筑物沉降监测研究

简要介绍了时间序列分析的基本原理、模型建立步骤,并通过上海市某一工程实例加以论证,事实证明:时间序列模型可以预报建筑物未来沉降趋势,而且预报的可靠度很高,所以该模型可用于建筑物沉降监测和预报。     

基于时间序列分析模型的输变电工程变压器价格短期预测研究

以2010—2018年输变电工程变压器价格为研究样本,在描述变压器价格变动轨迹的基础上,分别以移动平均法、单指数平滑法、双指数平滑法、非周期的Holt-Winter法、AR模型和MA模型预测变压器价格,得出2019年和2020年变压器价格的预测值并进行优劣判断.研究结果表明,双指数平滑法预测精度相对较高,而引入多种时间...     

基于灰色时间序列组合的隧道变形预测研究

随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。     

基于时间序列与PSO-SVR耦合模型的白水河滑坡位移预测研究

 滑坡位移预测模型的选择及其参数的选取是滑坡位移预测中至关重要的2个问题,以往的模型在预测滑坡位移时具有诸多的限制和不足。以三峡库区白水河滑坡为研究对象,基于时间序列分析方法,分离提取出滑坡趋势性位移与周期性位移。前者主要受控于滑坡的内部因素(物质组成、地质构造、地形地貌等),可用最小二乘法对其进行多项式拟合并预测;后者是由外部影响因素(季节性降雨、库水位变动等)导致,取当月降雨量、双月降雨量、库水位高程、月间库水位变化量、双月库水位变化量和年间累计位移增量作为周期性位移的影响因子,提出采用可优化选参的粒子群优化算法(PSO)与支持向量机回归(SVR)相结合的方法对其进行预测;将各分位移预测值叠加得到累计位移预测值。运用多种方法进行分析对比,结果表明,基于时间序列与PSO-SVR耦合模型的滑坡位移预测精度要明显高于BP神经网络模型、网格搜索法优化的支持向量机模型(GS),其在滑坡位移预测中具有一定的理论基础和良好的应用前景。     

基于时间序列分析的房屋安全监测数据处理研究

房屋安全监测系统能够保障房屋的安全使用。对含有噪声的监测数据进行处理,从海量的数据中挖掘有用的信息,具有重要的工程意义。结合房屋结构的监测数据,给出了一套方便、实用的数据预处理方法,并建立时间序列模型,对某居民楼的倾斜数据实现自动化分析预测。结果表明,时间序列分析法充分利用了监测数据,能够提前判断房屋状态的变化趋势,及时对异常情况做出预警,为房屋的安全评估提供依据。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.     

时间序列方法及其在实际办公楼能耗预测中的应用

建立了基于时间序列分析方法的建筑能耗预测模型,对上海某办公建筑逐月能耗进行预测.采用CensusX12方法进行季节调整,建立ARMA时序模型,并对季节因子进行温度化处理.模拟结果表明,采用时间序列分析的方法来预测建筑能耗是一种有效方法.     

基坑变形预测的时间序列分析

在分析灰色系统与神经网络基本原理的基础上,结合前人研究成果和实例分析,提出灰色系统用于基坑变形预测存在的一些问题,认为灰色系统不宜用于地下连续墙水平位移的预测,在其它变形预测中也要慎用.建立了基坑变形预测的神经网络模型,并用实例加以论证.研究表明,神经网络是解决基坑变形预测的有效方法,在地下工程中具有很好的应用前景.     

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。