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。     

ARIMA模型在期货交易预测中的应用研究

求和自回归移动平均模型(ARIMA)在非平稳时序序列预测中有良好的效果,文章通过对原始数据进行简单平稳处理,在一定程度上达到减小预测误差,提高预测精度的目标。     

基于灰色模型与ARIMA模型的股票价格预测

以三只股票的历史数据作原始序列,建立了GM(1,1)模型与ARIMA自适应过滤组合模型.分析两种模型的应用场景,并以ARIMA模型为基础建立股价反转判断模型.实验证明,所建立的模型在短期内的拟合、预测与反转判断效果较为理想.     

基于ARIMA时序辨识的需水量预测

供水行业是国民经济的重要基础,对需水量的准确预测有利于供水部门调度。针对城市供水量波动特点和预报要求,基于ARIMA季节时间序列对城市需水状况建模。通过分析自相关系数(ACF)、偏自相关系数(PACF)等参数辨识模型阶次结构,预报未来需水量趋势,并使用SAS统计软件进行检验。所建立的模型成功应用于上海市中心城区需水预报,对照历史数据表明,模型具有理想的预测精度,能够有效地辅助供水部门进行决策。     

基于短相关ARIMA模型的网络流量预测

不同日期同一时刻的网络流量存在相关性和突发性。为准确预测网络流量,提出一种短相关ARIMA模型。对模型定阶后,运用改进的建模方法推导模型参数,使参数随样本数据的变化而更新。实验结果表明,与AR模型和ARIMA模型相比,该模型能更好地描述网络的相关性和自相似性,预测精度较高。     

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ARIMA模型的福建省高中毕业率预测

根据福建省高中毕业率原始序列的特点、序列的随机性和平稳性,运用时间序列分析方法建立了高中毕业率的ARI-MA数学模型,对福建省高中毕业率进行分析和预测。研究结果表明,ARIMA模型能较好地拟合数据的变化规律并进行短期预测;在未来几年内福建省高中毕业率在轻微的波动中将呈缓慢上升趋势。     

基于ARIMA模型的网络流量预测

网络流量的预测具有重大的研究意义,网络流量的预测对于解决网络管理优化、网络拥塞控制这一难题具有重要的指导意义。网络流量的变化受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点。时间序列中的预测模型包括一元线性回归、指数平滑以及能够拟合复杂变化的ARIMA模型,本文通过分析比较ARIMA模型的适用场景以及预测效果,综合评价模型在网络流量预测方面的实用性,着眼于提高网络流量预测的精度。     

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与BP的水利工程投资预测模型研究

为了提高时间序列短期预测的精度,提出了把ARIMA模型和BP神经网络模型进行组合预测的思路.将该组合模型应用在南水北调在建工程项目投资预测中,利用多种定阶准则对不同ARIMA模型的预测效果进行比较,指出多种定阶准则各有利弊;然后利用BP神经网络将不同ARIMA模型预测值进行进一步组合预测.实验结果表明,组合模型充分发挥了两种模型各自的优势,比单一的预测方法具有更高的精度,在时间序列短期预测中预测效果良好.     

关于不均衡模型的若干问题

本文首先评述了 R.Portes 的关于中国不均衡模型.文中扼要地阐述了迄今不均衡模型研究所涉及的一些基本问题,特别是宏观不均衡模型及计划经济下的不均衡模型建模问题.在分析我国经济运行机制的基础上,探讨了中国不均衡模型的建模问题.     

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。     

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模型的自动站风速预测

对风速预测进行了研究, 提出了基于ARIMA模型的风速预测模型, 为了检验ARIMA模型的有效性, 综合考虑可决系数和AIC(最小信息量)准则, 利用历史150天数据进行ARIMA建模, 对某自动站后一天的风速进行预测, 经过多次仿真计算, 结果表明该方法是有效的.