基于灰色预测方法广州市垃圾预测与分析

通过对广州市生活垃圾产生量及其相关因子进行灰色关联度分析,发现人口变化与垃圾产生量关系最为密切,并建立灰色预测G(M1,1)模型,预测出2016年广州市生活垃圾产生量将达到446.32万吨,模型通过检验,具有一定的可行性和适用性,为广州市垃圾的分析预测和环境规划管理提供了定量依据。     

ARIMA预测模型的SAS程序实现及其应用

目的:利用SAS程序实现ARIMA模型,探讨ARIMA预测模型在季节性时间序列资料分析中的应用.方法:采用条件最小二乘方法估计模型参数.通过对数转换及差分方法使原始序列平稳,按照残差不相关原则、简洁原则确定模型结构,依据AIC和SBC准则确定模型阶数,最终建立起ARIMA预测模型.结果:对甲型肝炎月发病率资料建立了乘积ARIMA(O,1,1)(0,1,1)12模型.方差估计值为0.125003,AIC=46.71429,SBC=50.86936,时模型进行白噪声残差分析(p=0.7755),根据拟合优度统计量,表明(1-B)(1-B12)Zt=(1-0.84397B)(1-0.6649B12)αt是适合的.结论:用所建立的ARIMA模型对甲型肝炎月发病率进行分析预测,结果表明ARIMA是一种短期预测精度较高的预测模型.     

基于ARIMA时序算法的车站人流密度预测模型

根据车站的人流密度数据,利用ARIMA模型进行了预测,将非平稳的时间序列进行差分,得到平稳化的时间序列,通过Durbin-Watson检验测试数据的稳定性并观察ARIMA模型的残差平均值和方差以及连续残差的自相关性。通过将数据按照比例分为训练集和数据集来对模型进行评估,得到模型的评估得分。为了进一步提高车站人流密度的预测精度,建立基于k-means聚类的ARIMA组合预测模型,通过k-means聚类算法将问题一中得到的主要影响因素的数据集进行聚类,观察每一类数据的组内特点,对每一类数据重新利用ARIMA模型进行预测,然后计算出组合模型的评估得分。     

ARIMA季节乘积模型在肠道传染病预测中的应用

目的:建立细菌性痢疾月发病数的预测模型,探讨AR1MA季节乘积模型在时间序列资料分析中的应用。方法:采用非条件最小二乘法估计模型参数,通过季节差分方法使原始序列平稳,按照残差不相关原则、简洁原则确定模型结构,依据AIC和SBC准则确定模型阶数,建立ARIMA预测模型。结果:对所分析的季节性时间序列建立了乘积ARIMA(0,0,1)(0,1,1)12模型。方差估计值为288.106,AIC=619.661,SBC=620.492。对模型进行白噪声残差分析(p=0.632),拟合优度统计量表明ARIMA的估计具体模型为:(1-B12)Zt=(1-0.34B)(1-0.559B12)αt是适合的。结论:通过ARIMA(0,0,1)(0,1,1)12模型与ARIMA(0,1,1)12模型对细菌性痢疾月发病数预测效果的比较,表明ARIMA季节乘积模型是一种短期预测精度较高的预测模型。     

基于ARIMA与BP神经网络的收视率组合预测模型

针对收视率数据的非线性、突变性等特征,仅采纳单一的预测方法不能全面描述收视率的变化规律,因此提出了一种组合预测模型(ARIMA-BP).首先采用自回归移动平均模型(ARIMA)对收视率进行预测,提取收视率的线性变化规律,再利用BP神经网络对ARIMA模型的预测值进行进一步的组合预测,提取收视率的非线性变化特征.本文以广州电视综合频道及在广州市场上的其余8个电视频道19:00 ～20:00时间段的收视率为例进行实证分析,结果表明组合模型比单一采用ARIMA、BP神经网络进行预测的拟合效果好、精度高.     

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历...     

基于ARIMA的传染病流行趋势预测及防治对策

为准确地预测传染病,根据传染病变化特点,提出了一种差分自回归移动平均模型的传染病预测模型。模型对原始数据进行平稳化预处理,消除其突发性、季节性和周期性特征,并利用ARIMA对将平稳后的数据进行建模,采用某市流行性感冒发病率数据进行仿真,实验结果表明,ARIMA模型能较好地捕捉传染病变化规律,提高了预测精度,是一种有效预测传染病的方法,同时能为传染病的预防监测措施提供决策依据。     

ARIMA模型的介绍

本文基于时间序列理论,对数据进行平稳化处理、模型定阶、参数估计,建立模型,并对模型进行检验,深刻了解了ARIMA模型,为生活中的实际应用打下基础。     

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络（Long Short-Term Memory,LSTM）对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。      

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

基于Kalman和ARIMA组合模型的路段行程时间预测

考虑到目前单一路段行程时间预测方法性能不稳定的情况,提出卡尔曼滤波预测(Kalman)和时间序列分析(ARIMA)组合模型进行路段行程时间的预测。利用Kalman模型良好的实时性和ARIMA强大的线性拟合能力,以两种模型分别对同一路段行程时间进行独立的预测,再将这两子模型所得预测结果进行动态加权,以最优模式组合模型以达到最佳预测目的。研究表明,组合模型吸取了两模型的各自优点,其预测准确性高于各独立预测模型,是预测路段行程时间的有效方法。     

线性流量预测模型

详细分析了线性流量预测的4种短相关模型：AR模型、MA模型、ARMA模型以及ARIMA模型,对其实现思想、建模过程和核心算法进行了具体的研究和比较,并使用SPSS进行建模分析。     

ARIMA模型在城市客流聚集风险分析中的应用

公众出行安全问题是城市公共安全关注的焦点,高效准确地预测客流趋势至关重要。文章利用时间序列分析,对城市重点区域周边移动基站接入的终端数据建立ARIMA(差分自回归滑动平均)模型。经过验证发现ARIMA模型对未来短时客流数据拟合度较高,可以预测客流的发展趋势,在一定程度上能够为客流聚集风险防控进行提前预警,并为后续的客流管制措施的制定起到数据支撑作用。     

光纤陀螺随机漂移的建模与滤波研究

时间序列模型是对光纤陀螺(FOG)随机漂移进行建模的一种重要方法.传统的时间序列建模方法难以应用于实时建模,且模型精度较低.因此,提出了适用于高精度FOG随机漂移的改进自回归整合移动平均模型(ARIMA),并基于该模型建立了FOG随机漂移的实时Kalman滤波器.实验结果表明,该改进ARIMA模型能较准确地描述FOG的随机漂移;Allan方差分析结果表明,与基于传统自回归移动平均模型(ARMA)的Kalman滤波结果相比,基于该模型的Kalman滤波对减小光纤陀螺的5项主要随机误差更有效.     

基于时间序列模型的雷达数据随机误差建模与补偿

针对雷达数据随机误差超差的问题,分析了非平稳时间序列自回归求和滑动平均(ARIMA)模型,并以雷达某次实测国际空间站数据的前4 000点数据建立ARIMA模型,设计了基于此模型的Kalman滤波器,利用所设计滤波器对雷达前4 000点数据和剩余数据分别进行了滤波处理,补偿后误差为原数据的13.7%和20.1%。结果表明:该方法能有效降低雷达测量数据随机误差,提高数据质量。     

网络流量与入侵检测研究

文章先介绍了入侵检测技术在国内外的发展和现状,进而针对目前入侵检测技术报警信息量大、响应速度慢的缺点,提出了一种新的网络流量分析应用于入侵检测的方法.利用ARIMA模型对网络的流量进行预测,通过实验结果表明对短期流量预测能够达到比较好的效果;这样在用ARIMA模型可以预测出异常网络流量的前提下,可以快速使用本文提到的入侵检测模型检测到已知和未知入侵并预警,预期该方法可以有效提高网络预警的速度.     

基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

小波分析和ARIMA的信息安全态势预测

针对信息安全态势变化的复杂性,为了保证信息系统的正常工作,提出小波分析和移动平均回归模型(ARIMA)的信息安全态势预测模型。首先对当前信息系统的安全状态进行分析,并采用小波分析对信息系统的原始状态信号进行变换,得到信号的低频分量和高频分量,然后分别采用ARIMA的低频分量和高频分量进行预测,并通过逆变换得到信息系统的安全状态预测值,最后采用VC++编程实现信息系统的安全态势预测实验。实验结果表明,该模型获得了较高精度的信息安全态势预测结果,预测结果具有重要价值。     

基于ARIMA模型的移动数据流量预测研究

移动数据流量预测对于运营商的业务发展和网络建设有重要的指导意义。本文介绍了ARIMA模型,并将其应用于移动数据流量的预测。实际结果表明ARIMA模型的预测精度比线性回归、局部拟合回归,神经网络模型都高,可作为移动数据流量的预测模型。     

基于ARIMA和PF的锂电池剩余使用寿命预测方法

有效的电池剩余使用寿命(RUL)预测方法能够极大地提高系统的可靠性。提出一种基于自回归集成滑动平均模型(ARIMA)和粒子滤波(PF)融合预测框架,该框架由ARIMA方法和PF方法构成,ARIMA 应用于短期预测,而粒子滤波应用于长期预测。首先在线对锂离子电池进行监测,然后根据短期预测或长期预测要求执行相应的算法,得出横纵坐标分别为周期和容量的 RUL 预测图。实验结果表明,该预测框架能够快速准确地预测锂离子电池 RUL。