高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

ARIMA模型及其在时间序列分析中的应用

ARIMA模型是一类精度较高的时间序列短期预测模型,借助于计量经济学软件Eviews5.0对吉林省1980~2005年的全社会固定资产投资总额数据,建立了ARIMA(3,1,2)模型,并对未来几年吉林省全社会固定资产投资进行了预测分析,很好的解决了非平稳时间序列的建模问题.     

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。     

水文时间序列周期叠加预测模型及3种改进模型

自然界中水文现象常暗含周期性,基于这一特性,发展了水文时间序列周期叠加预测模型.介绍了水文时间序列周期叠加预测模型(POL),分析了水文时间序列周期叠加预测模型(POL)在某些特定条件下应用上的不足,并提出3种改进模型: 趋势-周期叠加组合预测模型(TPOLC),压缩振幅的周期叠加预测模型(AC-POL), 逆推优势周期的周期叠加预测模型(DPI-POL).这些模型可根据需要组合建模,并可广泛应用于相应类型水文时间序列建模.     

基于ARIMA误差修正的混合预测方法

由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。     

基于小波与动态GM(1,1)-ARIMA模型的股价预测研究

针对传统时间序列股价预测模型的时间滞后性,提出一种基于小波与动态GM(1,1)-ARIMA的股价预测模型。运用小波分析对股价数据进行预处理,对小波重构序列建立ARIMA模型,考虑预测过程中未来因素对系统的影响,建立动态GM(1,1)模型。选取沪深300指数进行实证分析,结果表明所提出的小波与动态GM(1,1)-ARIMA模型与传统股价预测模型相比,其预测精度最高。     

基于小波分析的保险收入预测

提出了一种基于小波分析组合预测模型:首先利用Mallat算法对保险收入时间序列进行多尺度分解,得到对应尺度下的概貌(低频)分量和细节(高频)分量,然后从分解中提取趋势项并建模,最后对周期项(含季节项)和随机项进行了建模探讨,指出由于部分小波分解项所含有的周期存在相关性,此时对每一项分开建模并不一定能提高预测精度,通过给出分解项合并原则,然后对部分分解项进行合并建模.最后将各建立模型的预测结果进行叠加即可得原保险收入变量的预测值.将该模型用于中国保险收入的预测中,并与传统预测模型ARIMA进行了对比分析,结果表明,建立的组合模型充分利用了现有信息,预测精度高.     

Eviews软件在ARIMA模型中的应用研究——以苏州接待国内游客人数为例

ARIMA模型是一种精度较高的短期时序预测模型,本文使用2003年至2010年苏州接待国内游客人数作为原始序列,对其进行对数运算,得出一阶差分后的序列是平稳的,建立了ARIMA(1,1,1)模型,并利用Eviews软件计算出2011年的预测结果为7877万。     

基于季节ARIMA模型的近海表层水温时间序列模拟与预测

基于1996—2007年逐月时间序列数据,采用季节ARIMA模型对连云港近海表层水温时间序列进行模拟,并依据残差不相关和简洁性原则确定模型的结构,建立最优预测模型ARIMA（1,0,1）（0,1,0）12。运用该模型对2008年逐月表层水温进行预测,预测值与实际值的变动趋势基本一致,且平均相对误差仅为3.5%。在此基础上对2009年连云港近海逐月表层水温进行预报,预报结果符合该海域表层水温的逐月变化趋势,表明模型用于近海表层水温预报是可行的。     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

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.     

城市电网负荷特性分析方法研究

针对累积式自回归-移动平均模型在现代城市降温负荷预测中准确性不高的问题,提出一种双因子累积式自回归-移动平均模型,并用两种模型进行预测。经对比后发现,新模型通过引入平均温度算子,有效提高了城市降温负荷预测的准确性,并对现代城市有较好的普适性。     

Time-series analysis with a hybrid Box-Jenkins ARIMA and neural network model

Time-series analysis is important to a wide range of disciplines transcending both the physical and social sciences for proactive policy decisions. Statistical models have sound theoretical basis and have been successfully used in a number of problem domains in time series forecasting. Due to power and flexibility, Box-Jenkins ARIMA model has gained enormous popularity in many areas and research practice for the last three decades.More recently, the neural networks have been shown to be a promising alternative tool for modeling and forecasting owing to their ability to capture the nonlinearity in the data. However, despite the popularity and the superiority of ARIMA and ANN models, the empirical forecasting performance has been rather mixed so that no single method is best in every situation. In this study, a hybrid ARIMA and neural networks model to time series forecasting is proposed. The basic idea behind the model combination is to use each model's unique features to capture different patterns in the data. With three real data sets, empirical results evidently show that the hybrid model outperforms ARIMA and ANN model noticeably in terms of forecasting accuracy used in isolation.     

基于乘积季节ARIMA模型的供热负荷预报

针对传统的供热调度缺乏对未来供热量进行有效估计这一问题,提出一种基于乘积季节ARIMA模型的供热负荷预报方法.将乘积季节ARIMA模型引入供热负荷预报,通过分析供热负荷数据其固有的趋势和周期性,建立适宜的季节性ARIMA模型,预测未来24小时的供热负荷.采用大庆地区某热力站的供热数据进行建模和仿真预测,其结果的最大误差为3.14%,日预报平均误差为1.45%.实验结果表明,给出的预报结果真实可靠,能够满足供热工程的实际需求,其预报值将成为供热负荷调度和节能的重要依据.     

ARIMA与指数平滑在区域高等教育规模预测中的比较研究

文章利用在校学生数作为区域高等教育规模指标,建立了基于四川省高等教育在校学生数据序列的ARIMA和指数平滑预测模型,并进行了比较,得出最优模型为ARIMA（2,1,5）模型;用此模型对四川省2013—2015年高等教育在校学生数做出了预测。结果表明,四川省高等教育在校学生数在近三年内仍会增长,但增长速度趋于缓慢,到2015年末,四川省高等教育在校学生数约为1163100人。     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

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。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

ARIMA-KALMAN在航材库存动态预测中的应用研究

为提高航材库存需求的预测精度,着力解决ARIMA模型预测滞后性和非同步性问题,提出ARIMA模型和KALMAN滤波技术理论的组合模型.应用ARIMA模型辨识KALMAN滤波初始状态参数,考虑系统噪声的影响,以最小均方误差为估计准则,构建航材库存的动态预警模型,并在测试数据集上检验组合模型库存预警效果.实例分析发现,AR...