基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数,建立了基于ARIMA的物价指数预测模型。实验结果表明,该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内,因此该模型拟合效果较好,预测值接近实际值。最后,应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。     

居民消费价格指数的非参数自回归模型

利用我国2004年-2008年的居民消费价格指数数据,建立非参数自回归模型,并分别用线性最小二乘方法、正交序列方法和多项式样条方法进行了拟合和预测．结果表明,非参数模型优于线性模型;在三种估计方法中,正交序列估计方法优于其他两种方法．最后将模拟、预测的结果和刘春燕等建立的基于ARIMA模型模拟、预测的结果进行了比较．     

结构动态监测信号缺失数据的LSTM和ARIMA预测对比研究

针对结构健康监测（SHM）中传感器难以避免的数据缺失现象,应用长短期记忆网络（LSTM）和差分整合移动平均自回归模型（ARIMA）两种方法,以光纤布拉格光栅（FBG）传感器和加速度计实测的振动信号作为训练集和测试集数据,进行了缺失数据的预测分析和效果对比。通过分析10组超参数对模型预测效果的影响,优化设计了LSTM模型。采用绝对百分比误差最大值（MAX）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）以及均方根误差（RMSE）等指标,评估了两种方法对波长和加速度信号预测值与实测值的差异。结果表明,两种方法均可实现对时间序列缺失数据的预测,LSTM模型计算精度较高,整体预测结果较好,但计算效率较低。     

中国能源消费的时间序列分析

对1978—2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较。模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

基于时间序列的季节性气温预测研究

气温的变化受风速、湿度、日照时数等因素的影响,可以通过分析这些因素预测气温的变化情况。考虑到气温序列中存在季节特性,采用One-Hot编码方法提取气温序列中的季节性信息,并作为随机森林模型的输入特征,对月平均气温进行拟合与预测。由于模型构建时涉及众多超参数,文中利用随机搜索和网格搜索两种算法优化模型中的超参数。结果表明：考虑季节性的随机森林模型拟合效果优于简单随机森林模型,预测数据变化趋势与实际观测基本一致,拟合精度可以达到96.14%。经两种方法对超参数寻优之后,模型拟合精度可以达到96.45%。     

基于多元回归分析的河南省居民消费价格指数的数学模型

为了确定河南省居民消费价格指数与商品零售价格指数,农业生产资料指数,工业品出厂价格指数,原材料、燃料及动力购进价格指数,固定资产投资价格指数这5个指标之间的关系,通过收集相关数据,建立河南省居民消费体价格指数的多元回归模型,运用SAS对河南省居民消费价格总指数进行多元回归分析,得出居民消费价格总指数与这5个指标之间存在线性关系.对其进行了理论阐述和实际检验,结果显示该模型模拟精度达到97.862 49%,可用于河南省居民消费价格指数的预测.     

基于ARMA模型对我国电力消费量的预测

对于我国电力消费需求量时间序列自身规律的认识有助于电力消费量的预测,从而可以避免电荒和电力生产能力的过度投资。以1980年-2007年期间我国年发电量的时间序列数据为基础,通过建立指数回归一模型来拟合时间序列数据。运用残差序列趋势和残差序列相关图、偏相关图的分析,对模型的五种形式的参数估计结果进行比较分析,最后选择模型来拟合发电量时间序列数据,并对其模型拟合的残差进行了单位根检验,检验结果表明残差序列是平稳的,采用模型是合理的。     

ARIMA模型在交通事故预测中的应用

通过ARIMA模型分析了1970—1997年中国交通事故的十万人口死亡率时间序列的平稳性,用SPSS11.5软件拟合模型并作预测,结果表明,ARIMA模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列,预测较准,可以为政府和交通部门制定预防降低交通事故提供重要的数据支持.     

新冠疫情对吉林省经济影响的统计分析

采用时间序列方法对吉林省地区生产总值和居民消费价格指数进行预测.通过对比预测值与真实值,分析新冠疫情对经济产生的影响,并提出可行的建议.     

多源数据跨国人口迁移预测

针对跨国人口迁移预测所面临的数据代表性问题,利用多源数据分别构建3个预测模型：线性拟合模型、乘法分量模型和带有时间序列预测（WTSP）的线性拟合模型. 线性拟合模型用于刻画1年内的移民规律;乘法分量模型利用时间序列预测算法对未来迁移模式进行预测;WTSP线性拟合模型利用迁移模式的变化预测跨国人口迁移数量的未来趋势. 对比3个模型的预测结果可知,WTSP线性拟合模型可以有效预测未来的移民规律,相比经典线性拟合模型,WTSP线性拟合模型能体现迁移模式随时间变化的规律,预测准确率可至少提升3%;相比乘法分量模型,WTSP线性拟合模型能呈现更完整的迁移模式,有更强的可解释性.     

基于CEEMD-Elman耦合模型的年降水量预测

科学、准确的降水量预测对区域水资源管理、防洪减灾以及水环境保护具有重要的指导意义。降水是一个受多种因素影响的复杂系统,致使其演变具有多维性、随机性与不确定性。"分解—预测—重构"是非线性时间序列预测的重要方式之一,在EMD与EEMD的基础上改进的CEEMD,不仅能将非平稳序列分解为几个平稳性较好的固有模态(IMF),而且可以有效降低时间序列的重构误差;结合Elman神经网络的较强非线性拟合能力,构建基于CEEMD-Elman的降水量预测耦合模型,并将其应用于郑州市年降水量的预测。结果表明:CEEMD-Elman耦合模型预测的平均绝对误差、均方根误差、平均相对误差均较小,其模型要优于EEMD-Elman模型、EMD-Elman模型和Elman模型,具有较好的适应性。     

基于注意力机制的LSTM和ARIMA集成方法在土壤温度中应用

为准确分析土壤温度特性问题,提出了基于注意力机制的多通道长短期记忆网络（LSTM）融合ARIMA算法的预测模型。通过提取长短期不同时刻重要时间特征,并利用ARIMA时间序列模型提取线性特征优势更准确预测土壤温度。为验证该模型,本文在瑞士两个气象站（Laegern和Fluehli气象站）测试了未来6、12和24 h内,同时间土壤深度5、10和15 cm下土壤温度的均方根误差、平均绝对误差、均方误差和决定系数,并以4个评价指标进行验证。与自回归综合移动平均模型、LSTM和全连接网络相比,本文模型具有最优性能,尤其在未来6 h内对Fluehli站（10 cm土壤深度）土壤温度模型中改善最为显著;取得了最高的相对决定系数值0.9965,最低的均方根误差为0.3414,平均绝对误差为0.2310,均方误差为0.1165。因此,本文模型可以作为备选土壤温度估计的替代方法。     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

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。     

GDP与价格指数的建模分析

运用多项式回归模型、指数回归模型和时间序列模型,对中国改革开放20年(1978～1998)的国内生产总值(GDP)及价格指数进行了建模分析,给出了之后几年的GDP与价格指数的模型预测值,分析了GDP与价格指数之间的相互关系,指出了经济增长与通货膨胀之间的相互影响和作用.     

基于“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS（Automatic Identification System,船舶自动识别系统）数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型（Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型）,拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA（1,1,2）。“21世纪海上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA（1,1,2）模型对单一船型交通流的预测效果优于对混合船型交通流的预测。     

不同损失函数约束下的加权灰色模型在沉降监测中的应用

加权灰色模型的权值确定方法及权值大小直接影响监测拟合及预测的可靠性。以采空区沉降监测为研究对象,通过平均绝对误差(MAE)、平方和误差(SSE)、平均相对误差(MAPE)和均方相对误差(MSPE)4种不同损失函数约束下的定权方式,体现各监测值对模型的贡献率,确定不同的加权模型。结合工程实例,验证了加权灰色模型的可行性和可靠性,也体现了模型的时效性。同时经过拟合和预测对比,其4种损失函数约束加权模式下的灰色模型都能预测短期数据,但从长期效果看,采用MSPE更优。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。