基于AR模型的建筑物沉降预测

针对传统回归模型在高层建筑物沉降预测中,出现的由于自变量的选择而造成的多重共线等问题,本文提出了一种以FPE准则定阶的时间序列(AR)模型。以桂林市临桂县某农贸市场周边建筑物的沉降变形为例,在分析利用自相关函数和偏相关函数来对模型进行判定和识别且用FPE定阶准则确定模型的阶数的基础上,对建筑物的沉降观测数据进行建模分析,得到了均方误差为0.055 6的预测精度,很好地克服了传统回归模型中存在的问题,结论具有一定的实用价值。     

时间序列分析法预报建筑物地基沉降量

沉降量是建筑物地基变形的一个重要指标。本文利用建筑物地基的已知沉降观测值结合时间序列分析中的逆函数法预报了建筑物地基的沉降量。     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差（Autoregressive Conditional Heteroskedastic,简称ARCH）模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS／ETS中的自回归（Autoreg）程实现对该金融时间序列的自回归一广义自回归条件异方差（Autoregressive—generalized ARCH,简称AR—GARCH）模型的拟合和分析,最终得到理想结果．     

GM(1,1)模型在建筑物沉降监测中的应用

建筑物的变形是多方面原因共同作用的结果,研究其变化规律,合理预测建筑物的变形趋势,一直是变形监测研究的热点问题。以黑龙江省哈尔滨市某建筑物为例,采用GM(1,1)模型对沉降监测数据进行预测分析,结果显示实测值与预测值吻合较好,充分证实该模型对建筑物的变形预测具有可行性,是一种较好的方法。     

沉降预测的多层递阶时间序列模型研究

为了研究沉降模型中参数的时变特性，提出了多层递阶时间序列模型，该模型将沉降预测分为预测模型参数的预测和在此基础上的沉降预测两部分.采用参数递推公式计算沉降时间序列模型的参数序列，并根据计算出的参数序列构建其时间序列预测模型.依此类推，可建立多层参数的预测公式，直至认为参数不随时间变化为止，然后根据参数预测结果来预测后期沉降.实例分析和计算表明，多层递阶时间序列模型能较好地反映参数的时变特性，取得较精确的沉降预测结果.     

船摇数据的时间序列模型处理

采用时间序列法可以弥补最小二乘法难以判别连续多个异常点的缺陷。首先,利用递推的方法得到模型的阶数和系数,然后分别使用最小二乘法、时间序列法处理船姿的纵摇数据,最后分析判断两种方法在探测出异常点的可行性和预测的精确性。     

时间序列在路基填筑期间的应用研究

鉴于高速公路施工的被动性，利用时间序列建立数学模型。对具有非平稳性的表面沉降进行一次差分（d=1）处理，将其转化为平稳性的沉降速率问题，即将非平稳性时间序列ARIMA（p，d，q）模型转化为平稳的ARMA（p，q）模型。建立了ARMA（1，1）模型来对公路施工填筑期间的沉降进行短期预测，从而对下一级加载的时间进行预测。结果表明，预测结果可靠，精度高，能够很好地反映填筑期间沉降的变形特性，适用于高速公路重点断面分析。     

高层建筑物沉降监测管理系统的研究

高层建筑物沉降监测管理系统是在沉降监测理论和方法的基础上，结合本所近年来工程实践，采用面向对象的编程技术研制出一套集沉降监测数据采集，管理，计算，变形分析及图形表现等功能为一体的管理系统，本文介绍了沉降监测管理系统的系统结构，功能及其有关数学模型，最后通过在工程实例中的应用，初步显示了该系统的实用价值。     

关于时间序列AR模型定阶问题的一些研究

本文对AR模型的差比定阶方法进行了修正;并从工程应用角度,在机械故障诊断的领域里,提出分低阶AR模型和高阶AR模型的观点以及根据FFT-AR谱相似系数取最大值的定阶方法。     

我国股价指数的时间序列模型研究

基于收盘上证指数和深证成指的实际数据资料，利用SAS／ETS软件，采用赫斯特（H.E.Hurst）提出的R／S分析方法，在论证了我国证券市场为持久性随机过程的基础上，建立了沪深两市的AR－EGARCH模型。指出，就目前我国证券市场而言，AR－EGARCH模型要比ARIMA模型更适合于描述沪、深两个证券市场的股价指数序列变动的非线性规律。     

时序分析在开采沉陷动态参数预计中的应用

应用时间序列分析法,对开采沉陷动态过程的概率积分法预计参数进行分析,建立动态预计模型。用该模型可对参数的未来值进行预计,然后利用预计结果进一步预计地表的移动变形,解决了开采沉陷的动态预计问题。应用此法,地表下沉的相对预计误差一般为４％左右,与传统方法相比,预计精度可提高５％～１５％。     

死因死亡率的非平稳时序模型预报及有关探讨

本文对某大城市某区脑血管系统疾病等四个主要死因死亡率建立了非平稳时序模型,据此描述各死因死亡率的季节性规律,并在此基础上进行了预报.文中还讨论了模型参数的物理意义及模型的适用范围等问题.     

基于城市建筑变形监测系统的时间序列模型研究

以国家体育场（鸟巢）工程的沉降观测数据为基础,论述了采用时间序列模型处理变形数据的原理和方法,并对建筑物的变形趋势进行了分析和预测,为建筑物的安全施工和正常使用提供了保障.     

基于时间序列的数据挖掘在证券中的应用

为更好地对股票数据进行分析,从理论上对数据挖掘中时间序列的产生、应用进行了研究,通过对时间序列处理以及相关性搜索的多种方法的比较和分析,设计一个以股票预测为对象的小型系统。该系统首先对时间序列进行适当的处理,然后进行相似性搜索,分析未来的短时间的走势是否是历史上的重现。同时对得到的结果进行了分析,实验结果表明,该方法能找到股票数据中历史上相似走势,并通过历史走势分析当前的走势。     

产量递减的时序分析法预测

首次运用时间序列分析的基本理论和方法,以大港油田港东东区块递减期产油量数据为例,建立该区块产量递减的自回归AR(3)模型,用最小二乘法进行参数估计。通过检验模型效果,相对误差较小。     

时序分析法在岩层与地表移动中的应用

将多次观测得到的岩层与地表移动变形值看成是一系列时刻得到的时间序列,采用时序分析方法对其进行模型识别、参数估计及预测预报．并通过工程实例对该方法进行了初步检验．     

中国人均GDP的时间序列模型的建立与分析

综合运用了判别时间序列平衡性的方法,建立了中国人均GDP的时间序列模型为了消除虚假回归,利用单位根方法检验了时间序列的单整阶数;在判别差分序列的平衡性之后,利用自相关函数图和偏相关函数图判别了时间序列模型的自回归阶数（AR（P）和移动平均阶数MA（q);然后利用TSP软件用OLS法对时间序列模型的回归参数进行了估计与显著性检验,并对通过检验的回归结果进行了分析。     

发现时间序列数据中的高质量惊奇模式

时间序列数据库中的惊奇模式发现是一个重要问题。已有的算法根据时间序列的形态特征定义并发现惊奇模式,而忽视时间序列内在的机理及其统计规律。为克服此缺点,提出基于时间序列预测的惊奇模式定义,即,其中包含了足够多例外的事件,并提出系统化的惊奇模式发现算法。首先将时间序列离散化为0和1组成的字串;然后用一个简单的算法从此字串中发现所有的惊奇模式。实验表明,所提算法不仅可以发现Keogh等人定义的惊奇模式,而且避免了发现无意义的惊奇模式。