共查询到20条相似文献,搜索用时 15 毫秒
1.
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。 相似文献
2.
ARIMA预测模型的SAS程序实现及其应用 总被引:4,自引:0,他引:4
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. 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
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. 相似文献
6.
7.
9.
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。 相似文献
10.
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。 相似文献
11.
12.
13.
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。 相似文献
14.
15.
16.
17.
18.
19.
吴疌 《电信工程技术与标准化》2014,(3):20-22
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。 相似文献
20.
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。 相似文献