基于灰色ARIMA组合模型的小麦产量预测

为了提高小麦产量预测算法的精度,准确预测短期小麦产量,提出了一种基于灰色模型和改进ARIMA模型的组合预测方法。首先选取适当长度的小麦产量数据构成子序列,对该序列建立灰色预测模型,并计算预测误差;然后使用改进ARIMA模型建立残差序列的预测模型,达到对原预测序列修正的目的,最后将两个模型预测值相加得到未来5年的小麦产量预测数据。结果表明,该组合模型能够准确预测小麦产量,5年的预测平均误差约为1.71%,预测精度明显高于单一灰色预测模型。     

基于小波-BP神经网络的粮食产量预测模型

由于粮食产量序列具有复杂性、随机性和非平稳性,导致使用传统的预测方法对其进行预测会受到很大的影响和制约。提出了基于小波变换的BP神经网络模型预测的方法。首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用BP神经网络模型建立预测模型,最后通过重构得到粮食产量的预测值。预测结果表明,该模型可有效提高预测精度,为粮食产量预测提供了一种新的途径。     

ARIMA模型在青岛市人口预测中的应用

通过研究青岛市人口总量时间序列(1998-2016)建立模型,利用时间序列模型中的ARIMA模型对青岛市人口总量进行数据模拟和预测。这对于政府制定人口政策和人口规划起到积极引导性作用,为我国政府进行人口发展规划和决策提供了一定的理论和数据基础。     

灰色模型和ARIMA模型在沙发色彩中的预测应用

运用灰色模型和ARIMA模型对意大利8个品牌的沙发颜色的色相进行预测,对预测结果进行比较分析,为沙发色彩的预测提供理论基础和科学依据。对2013-2019年提取的色彩色相数据建立GM(1,1)和ARIMA模型,同时对2017～2019年这三年的色相进行预测,并且对比了两种模型的实际值和预测值。灰色模型的残差值起伏较大,而ARIMA模型相对稳定,残差基本都在0.01左右。ARIMA模型的预测和意大利沙发颜色基本吻合,该模型可以用于沙发色彩色相的预测上,并且精确度高于灰色预测模型。     

基于ARIMA模型的短时交通流量预测算法研究

针对造成基于线性最小方差预报原理的Astrom算法在多步预测过程中误差逐步增大的原因,通过增加误差动态修正因子,提出一种改进的短时交通流量预测算法.该算法基于ARIMA模型结构的时间序列分析方法,采用矩估计法进行参数初估计,用最小二乘法进行参数精估计,用BIC准则为模型定阶.对大量实测数据进行仿真实验,对多个统计量进行误差分析.结果表明,改进算法在应用于时变性强的短时交通流量预测时,相对于Astrom算法具有更好的预测性能.     

基于Python语言的ARIMA模型在江西省食源性疾病发病率预测中的应用

目的 评估整合移动平均自回归模型(ARIMA)预测江西省食源性疾病月发病率的可行性。方法 应用Python软件构建ARIMA模型,以2021年数据验证及评估ARIMA模型预测效能,并对2022年1～6月江西省食源性疾病月发病率进行短期预测。结果 江西省2016—2021年食源性疾病发病率总体呈下降趋势,每年的8月份为发病高峰期;预测最佳模型为ARIMA(1,0,0)(1,0,2)₁₂,贝叶斯信息准则(BIC)为96.66,模型残差为白噪声序列(P>0.05)。模型预测发病率与实际发病率流行趋势基本吻合,整体均方根误差(RMSE)为0.656,以2021年数据验证模型预测效果,预测值与实际值平均绝对百分误差(MAPE)为11.25%,表明模型外推效果较好。结论 ARIMA(1,0,0)(1,0,2)₁₂模型可用于江西省食源性疾病发病趋势的短期预测。     

ARIMA模型在贵州省全社会固定资产投资预测中的应用

投资是推动经济的重要因素。通过采用ARIMA模型,利用贵州省1978-2007年的年度数据,对贵州省全社会固定资产投资额进行分析。结果表明:ARIMA(4,1,4)模型可提供较准确的预测效果,能对未来进行预测,为贵州省全社会固定资产投资额提供可靠的理论依据。     

基于ARIMA-SVM组合模型的中国出口欧盟食品安全风险预测

在全球化经济背景下研究中国出口欧盟食品的安全问题,食品安全受到多种复杂因素的影响,具有随机性、复杂性、非线性等特点,提出基于差分自动回归移动平均和支持向量机(ARIMA-SVM)的食品安全风险预测组合模型。利用ARIMA模型对食品出口时间序列进行建模,采用支持向量机对差分自动回归移动平均的预测残差进行建模,对两者结果进行权值相加以得到最终的食品安全预测结果,采用具体的食品安全数据进行仿真测试。结果表明, ARIMA-SVM组合模型具有更高预测精度和更低的平均绝对误差。     

组合预测模型在畜产品价格预测中的应用研究

频繁波动的畜产品价格已经成为影响我国居民消费价格指数的重要因素之一,如何准确预测价格走势以及时调整生产受到广泛关注。选取Holt-Winter季节乘积模型和ARIMA模型对2002—2015年北京市生猪、肉鸡、鸡蛋3种畜产品的市场周价进行实证研究,建立组合预测模型对价格进行拟合预测。模型评价结果显示,组合模型的预测精度最高,ARIMA模型次之,Holt-Winter季节乘积模型最差。利用组合预测模型对2015年7月之后5周的价格进行预测,结果显示组合预测模型在畜产品短期预测当中具有较好的准确性和可行性。     

ARIMA模型在股票价格预测中的应用

股票价格涉及很多不确定因素,且各个因素之间的相关关系错综复杂,因此要从理论上彻底弄清楚股市的变化机理十分困难。然而股市是一个运动的、特殊的系统。它必然存在着规律。以“鞍钢股份”股票价格为例。利用EVIEWS软件对其股票价格建立ARIMA模型,提出了股票价格序列的一步动态预测方法,用于股票价格序列的建模及股价短期预测,以期为企业和投资者在进行相关决策时提供有益的参考。     

铜川市卷烟需求集成预测

  目的   提高卷烟市场需求的预测准确率。  方法   通过建立ARIMA、VAR、SVR以及习惯性消费下卷烟需求模型,分别对铜川市卷烟需求量进行了建模预测,基于集成方法的思想,将上述四个模型的预测结果进行集成分析。  结果   集成预测模型对2017—2018年卷烟销量预测的相对误差绝对值控制在1%以内,平均相对误差绝对值控制在0.8%左右,预测结果显著优于单个模型,有效地提高了预测的精度。      

卷烟销量组合预测模型研究

  目的  为进一步提高卷烟月度销量预测精度,  方法  本文选择ARIMA模型、基于梯度下降算法的BP神经网络模型、基于Levenberg-Marquardt算法改进的BP神经网络模型等3种模型为单项预测模型, 并利用BP神经网络对各单项预测模型进行动态加权, 构建非线性组合模型对全国卷烟月度数据进行预测。首先, 利用各单项预测方法对卷烟历史数据进行仿真拟合, 并对2018年1~4月的销量进行预测; 其次, 构建非线性组合预测模型, 对3个单项预测模型的拟合及预测结果进行动态加权, 充分利用各个模型的优势, 获取销量数据的各方面的信息。  结果  研究表明, 相比于单项预测模型, 组合预测模型误差绝对值均小于当月的日均销售量, 预测误差更加均衡, 结果更加平稳, 适应性更强, 更符合卷烟销售的实际情况。      

我国国际旅游外汇收入的时间序列预测模型

引进Box-Jenkins的随机时间序列ARMA（p,q),ARIMA（p,d,q)模型分析法,选取1978-1998年我国国际旅游外汇收入资料,建立了旅游外汇收入的ARIMA（2,3,0）动态预测模型,并给出了1999-2001年国际旅游外汇收入预测值,与新获得的1999年实际数据比较,误差很小,表明结果是可信的。     

基于AR模型的水力旋流器筛分性能的预测

以时间序列为理论基础,利用时间序列分析方法对水力旋流器的筛分性能建立了AR模型,并依据该模型对纤维重均长度变化趋势进行了预测分析。通过对不同实测数据的检验证明,可根据该模型的预测结果预报纤维重均长度的发展变化趋势。     

基于工商协同的卷烟月度投放量预测模型

为准确预测卷烟月度投放量,采用时间序列模型中的季节变动预测法,根据实际情况改进算法,设定了“下月日均销量”和“目标月存销比”这两个定量调控预测手段,通过存销比管理,建立了卷烟月度投放量预测模型。实证检验表明该模型能够进行较为准确的月度预测,可以据此在工商协同营销系统中创新、优化工商月度网上配货工作。      

基于组合模型的云南省卷烟需求预测与结果评价研究

本文提出了一种适合云南烟草行业需求预测的方法体系，构建了优化的回归预测模型和时间序列预测模型，对云南省卷烟需求量进行预测:在数据处理阶段，对价值量指标进行CPI还原；在指标选择阶段，运用时差相关分析和简单相关分析确定宏观经济指标；在模型构建阶段，运用先行两期的宏观经济数据预测当期卷烟销量，并运用最小二乘法计算回归预测模型和时间序列预测模型的权重；在对模型稳定性评价阶段，以建模预测结果的平均相对误差及置信度为基础，构建了一套适合云南卷烟需求预测的模型评判标准，并根据云南实际对模型的稳定性进行评价。      

灰色马尔科夫模型及其应用

将灰色系统理论和马尔科夫理论结合,建立了改进的灰色马尔科夫预测模型.用该预测模型对全国粮食产量进行预测,其精度误差从相对误差5%降低到1%,得到了更为准确的预测结果.     

Applying gray model to predicting trend of textile fashion colors

In this study, a GM(1,1) model is applied to forecast the trend of textile fashion colors. Through the historical time series data of the color suggestion ratios by international forecasting facilities in the past, the GM(1,1) model is applied to forecast the fashion color trend. Besides the GM(1,1) model, a gray neural network model (i.e. GNNM(1,1)) is developed to compare the precision with it as well. The simulated results show that the GM(1,1) model has higher forecast precision than the GNNM(1,1) one. The predicted results of the color trend using the GNNM(1,1) model are less close to the real circumstances than as expected. With the assistance of a gray model-based prediction model, the fashion color trend can be traced more precisely and easily.     

季节性自回归差分移动平均模型在牡蛎中诺如病毒检出率预测上的应用

目的 基于季节性自回归差分移动平均(ARIMA)模型分析并预测上海市售牡蛎中诺如病毒(NoV)的检出率,为水产品中NoV的污染规律提供参考.方法 2016年6月-2019年11月,从上海芦潮港海鲜市场定期采购牡蛎样品共531只,通过巢式聚合酶链式反应(Nest-PCR),对其进行了 NoV检测,按季度分析检出率.采用季...     

配水管网测点压力数据的高精度建模

利用时序分析的新建模方法对给水管网测点压力数据进行ＡＲ模型拟合，得到这一数据序列的数学模型，进行预报．检验、比较表明，此方法提高了建模精度．