ARIMA模型在软件测试缺陷数量预测中的应用

本文通过采用ARIMA模型(求和自回归滑动平均模型)对嵌入式软件项目开发中缺陷数量的预测方法进行了研究,提出将嵌入式软件项目测试过程中发现的缺陷数量,按时间顺序阶段作为时间序列事件数据,按照ARIMA(p,d,q)模型的方式,对此数据的时间过程进行分析与建模,根据所得模型对下一个相似的软件项目测试发现缺陷数量进行预测的方法。同时采用这种方法对实际项目数据进行了建模,利用所得模型进行了预测,并与实际项目的数据进行了比较,对更深一步的研究进行了讨论。     

基于季节性ARIMA模型的小区供水预测

为了减少二次供水设施给小区供水管网所带来的压力,对供水管网运行状况进行更加精确的预测。结合物联网和时间序列分析等技术,通过对供水管网的历史数据的分析,采用季节性ARIMA模型对供水数据进行预测。设计数据预测分析的步骤和方案,建立方差估值为0.404 9、AIC为284.85的ARIMA(3,0,1)×(1,1,1)24模型。实验结果表明,设计的季节性ARIMA模型的预测周期短且有较高的预测精度,能够有效地对供水管网运行状态进行预测。     

基于ARIMA模型的大同市空气质量预测研究

时序模型作为一种预测方法,在货运量预测、机场客流量预测、疾病发病率预测、空气质量预测等许多重要的领域具有广泛的应用。本文利用大同市2016年1月到2019年8月共44个月的空气质量综合指数数据样本,使用牛顿插值进行了缺失值插补,根据给定的数据序列进行了时序图、自相关图和偏自相关图的构建。然后,进行单位根检验,判断出序列为平稳非白噪声序列。本文使用相对最优模型识别方法确立模型的p、q值,最终建立ARIMA(2,0,1)模型,对2019年9-12月的空气质量综合指数进行预测。通过对模型的分析,判断预测值比较准确。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于ARIMA模型的游客人数分析与预测

通过确定ARIMA模型参数,建立预测中国国内游游客人数的预测模型,为中国未来旅游人数预测提供参考。首先选取1994-2015年的国内游游客人数作为训练数据,判断时间序列是否平稳,若不平稳则进行平稳性处理;然后确定模型参数,建立预测模型;最后按照构建好的ARIMA模型对2016-2018年的国内游游客人数进行预测。实验表明,ARIMA模型能较好地对国内游游客人数进行预测。     

基于加权马尔可夫链修正的ARIMA预测模型的研究

为改善因频繁事后维修导致的设备使用寿命骤减问题,提出基于加权马尔可夫链修正的差分自回归移动平均(ARIMA)模型来预测设备状态参数,做到事后维修转化为视情维修.考虑到ARIMA模型存在一定偏差和不稳定性,引入加权马尔可夫模型对ARIMA模型残差序列进行分析.采用状态特征值结合线性插值法将预测的残差状态转化为具体值,残差...     

基于ARIMA和AT-LSTM组合模型的股票价格预测

ARIMA、LSTM等多种预测模型已在时间序列预测中得到应用,预测精度参差不齐。ARIMA、LSTM以及ARIMALSTM组合模型的预测精度仍有提升空间。为LSTM引入注意力机制形成AT-LSTM模型,将ARIMA的预测残差引入ATLSTM,进一步提高预测精度。利用不同的评估方法对混合模型进行评估,实验结果表明ARIMA和AT-LSTM组合模型的误差降低4倍,预测精度得到了提高。     

基于ARIMA和LSTM模型的建筑安全事故预测

研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(LongShortTermMemory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。     

基于ARIMA模型的二手房价格预测

 摘要： 近年来,我国一二线城市房价持续上涨,房屋成了人们日常生活讨论的热门话题,大家纷纷对未来的房价走势做出猜测。本文爬取国内某知名大型房产网站自2013年以来广州和深圳的二手房均价数据,采用ARIMA模型对未来的房价进行滚动预测,并使用RMSE对预测精度进行判断。结果表明,该模型可以对二手房均价进行持续预测,且预测精度较高,可为房屋买卖者提供参考。     

改进ARIMA模型在医药需求预测中的研究

为满足卫生部对三级医院库存周转率的要求,提出一种基于小波变换和相似性度量的线性改进模型。基于滑动窗口的数据流相似性原理检验原始序列,小波分解后,根据其线性特征分别搭建模型分而治之,小波重构综合各分量的预测值得到终值。仿真结果表明,该模型提高了突变节点处的预测精度,在模式和非模式集中有优秀的拟合效果和精准的预测效果,验证了该模型的有效性。     

基于时间序列分析的ARIMA模型分析及预测

针对能源合理利用中的负荷预测及理论分析指导等问题,提出了根据时间序列分析的理论方法,建立了ARIMA模型,为能源生产、储备及使用提供了预测理论与方法。仿真实验选取了某地区1997-2006年电力系统月负荷生产实际数据,建立模型并进行了分析和预测。结果表明,所建立模型的分析预测结果是合理和可靠的。     

基于ARIMA的电网地磁感应电流预测研究

地磁感应电流(GIC)对电网安全运行会带来影响,GIC的分析与预测是近来研究的重点,文中应用ARIMA模型对某一时段内的GIC进行建模分析,挖掘其内在的趋势规律,并运用建立的模型进行短期预测.所建立的模型通过了适应性检验和参数的显著性检验,误差在(8％～21％)范围内,能较好的应用于GIC的预测,为保证电网的安全运行提供理论支持.     

基于ARIMA模型的光纤陀螺随机漂移滤波方法研究

对光纤陀螺随机漂移输出进行了非平稳性检验,并建立了非平稳求和自回归滑动平均(ARIMA)模型,在此模型的基础上对光纤陀螺随机漂移进行卡尔曼(Kalman)滤波,并对滤波结果进行Allan方差分析。与基于自回归(AR)模型的Kalman滤波结果进行比较,实验结果表明:基于ARIMA模型的Kalman滤波比基于AR模型的Kalman滤波更能减小光纤陀螺的零偏不稳定性和角度随机游走。     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

时间序列数学预测模型在瓦斯气柜负荷的应用

时间序列预测模型是基于与预测对象历史数据相关的趋势、规律以及数据间外部联系而建立的数学算法模型,一般分为短周期预测和中长周期预测,预测模型是数据挖掘算法的一个分支,预测模型只是将预测对象原有的一些内在规律及与之相关的数据间的外部联系用数学算法加以发掘分析,而对于一些随机的即缺乏内在规律的或者关联性较弱的数据,现有预测模型一般难以达到理想的效果。本文详细介绍了时间序列预测模型预测理论及其约束,然后介绍该预测模型在炼油企业瓦斯气柜负荷预测中的实际应用,对生产进行预测及指导。     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性.对此,提出基于ARIMA和LSTM混合模型进行时间序列预测.应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将...     

基于ARIMA和BP神经网络的生态系统服务价值预测仿真

针对现有生态系统服务价值预测体系误差大、研究不足等问题,本文构建了面向未来生态服务价值的预测机制。该机制采用主成分分析法和Person相关系数法,建立了以GDP、人口、土地利用率、土地管理政策和城市人口密度为驱动力的生态系统服务价值关联矩阵,提出了基于ARIMA和BP神经网络的生态系统服务价值的时间序列预测机制。为验证预测机制有效性,本文选取中国主要土地利用类型代表省份的真实土地数据集进行分析,研究结果表明本文建立的预测模型平均绝对误差仅为0.023,且从预测结果来看,未来草地生态会向较好趋势发展,林地生态发展不容乐观。     

基于ARIMA-LSSVM混合模型的犯罪时间序列预测

对犯罪时间序列的预测对帮助公安部门更好地掌握犯罪动态,实现智能犯罪发现具有重大意义。针对犯罪时间序列预测的计算需求,结合真实犯罪数据集,提出了ARIMA-LSSVM混合模型。该模型通过ARIMA预测出时间序列的线性部分,通过PSO优化的LSSVM模型预测非线性部分,以对序列进行充分拟合,最后通过混合算法计算最终结果。使用此混合模型达到了精准的预测效果,证明了模型的有效性。