利用遗传算法优化的ARIMA-BP组合模型预测手足口病发病趋势

目的探讨ARIMA模型及遗传算法优化的ARIMA-BP神经网络组合模型在传染病预测与预警中的应用,为相关部门制定防治措施提供参考。方法选择某市2009~2013年的手足口病发病数作为研究对象,首先建立ARIMA模型,得到的拟合值作为神经网络输入值,真实观测值作为输出值,带入通过遗传算法优化的BP神经网络中训练,并比较两种模型的预测精度。结果对建立的ARIMA(1,0,0)(1,1,0)12模型预测的相对误差为39.89%,决定系数为0.786,经统计检验残差为白噪声序列;组合模型预测的相对误差为26.25%,决定系数为0.852。结论该组合模型的预测精度高于ARIMA模型,且对于极值的预测较为精确,可以为其他传染病的预测及建立统计预警提供参考。     

基于ARIMA模型的海南省国内生产总值预测

选取1978—2019年海南省GDP数据为研究样本,依据Box-Jenkins方法建立ARIMA模型,通过1978—2017年样本内数据建立ARIMA(1,1,2)模型,来预测2018—2021年样本外的海南省GDP数值。通过对模型诊断与检验,发现ARIMA(1,1,2)模型能较好地达到预测效果,预测平均误差控制在5%之内,能较好地对海南省GDP做出短期预测,为海南省政府制定经济发展目标提供参考。     

基于混沌SVM与ARIMA的工程造价组合预测

为了解决工程造价预测的时效性问题,针对传统线性时间序列预测模型可靠性不高的缺点,引入混沌相空间重构和支持向量机技术,并将两者耦合组成一种非线性预测模型,再利用ARIMA在整体线性趋势预测方面的优越性,对非线性模型进行修正。混沌SVM和ARIMA预测构成组合模型的两个子过程,将两个子过程的预测结果综合平均即可得到最终预测结果。经实例计算,组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好,预测精度高,证明其的确具有线性趋势拟合和非线性波动拟合的双优势。     

基于ARIMA乘积季节模型的苏州市介水传染病发病预测研究

目的探讨运用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型对苏州市介水传染病发病率进行预测。方法利用R软件对苏州市2008年1月—2015年12月的介水传染病发病率数据进行拟合,构建ARIMA乘积季节模型,对苏州市2016年1—6月介水传染病的发病率进行预测。结果构建了ARIMA(2,1,2)×(0,1,1)_(12)乘积季节模型,模型Ljung—Box检验差异无统计学意义(Q=18.478,P=0.779),模型适用于短期预测,2016年1—6月苏州市常见介水传染病实际发病率均在预测结果95%可信区间内,预测结果相对误差的平均值为-0.024。结论ARIMA(2,1,2)×(0,1,1)_(12)季节乘积模型可用于苏州市介水传染病发病率的短期预测。     

一种新的组合权重在组合预测模型中的应用

为了提高组合预测的精度,提出了一种新的组合权重计算方法,该方法通过将平均绝对百分数误差(MAPE)和最小二乘法相结合来确定组合预测模型的权重值。将这种新的组合权重方法应用到组合模型中,并对湖北省国内生产总值(GDP)进行预测。首先,建立了差分自回归移动平均(ARIMA)模型和指数曲线回归模型;然后,用MAPE和最小二乘法确定组合模型的权系数,在此基础上将两种权系数进行组合,形成组合权重。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.3%。     

基于组合预测模型的股票预测方法的研究

对股票预测问题进行了深入的研究,提出了一个新的预测方法.针对股票时间序列的高度非线性、高噪音的特点,采用小波变换方法有效的过滤噪音、约简数据,并对ARIMA模型和BP神经网络预测模型进行了研究和分析,提出了一个基于ARIMA模型和BP神经网络模型的模糊变权重组合预测模型,应用该模型对股票时间序列进行分析预测,取得了令人满意的效果.     

基于神经网络的区域供热系统短期负荷预测

准确的热负荷预测是实现区域供热系统精细控制和节能减碳的关键。以国内北方某城市区域供热系统为研究对象，分别采用BP神经网络(BPNN)、遗传算法(Genetic Algorithm, GA)优化BP神经网络(GA-BPNN)和自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)组合BP神经网络(ARIMA-BPNN)方法对其热负荷进行预测，并对比了各预测方法的准确性和适用性。结果表明，GA-BPNN预测误差最小，ARIMA-BPNN次之，但后者预测所需数据更少。此外，验证了在减少样本数目以及影响因素的种类的情况下，GA-BPNN预测方法的平均相对误差均在5%以内，表明GA-BPNN预测方法适用于样本减少的情况。     

应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况

目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。     

发电机定子冷却水系统状态参数预测

本文对发电机定子冷却水系统状态参数进行了研究,提出了ARIMA模型和BP神经网络非线性子模型相结合的设备系统状态参数混合模型,并与ARIMA模型进行比较,结果表明,该模型具有良好预测能力,有效的提高了发电机定子冷却水系统状态的预测精度,增强了发电机定子冷却水系统管理水平。     

“十三五”时期中国粮食产量的预测研究

从中国粮食产量的历史趋势中找出规律,寻找适当模型为政府进一步制定相关的农业改革政策提供参考。以1949—2014年中国粮食产量数据作为建模样本,运用EViews 6.0,建立中国粮食产量的ARIMA模型。建立了ARIMA)0,1,1(模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。模型预测效果显著,具有现实意义。