基于ARMA和BP_AdaBoost的组合销售预测模型研究

为了提高销售预测的准确性,建立了组合销售预测模型。历史销售数据是非线性、时变的时间序列,可看成由线性和非线性2部分组成。用ARMA模型预测线性部分,用BP_Ada Boost模型预测非线性部分,然后将2部分预测结果叠加得到销售预测结果。该组合模型克服了单纯采用ARMA模型预测结果精度低的问题,也克服了单纯使用BP神经网络模型容易陷入局部极小值的问题。经实验对比表明,采用组合预测模型能够更加准确、全面地反应销售规律,提高了销售预测的准确性。     

基于ARMA的WSN流量预测模型

无线传感器网络(WSN)的流量预测研究对WSN管理有重要的意义。提出基于ARMA的网络流量实时在线预测模型,并对该预测模型进行了推导分析;在仿真平台中实现了算法,并对仿真结果进行了分析和统计,仿真结果显示预测模型有效提高了无线传感器网络流量的预测精度。     

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于ARMA模型的校园网网络流量预测模型的分析与研究

该文利用短相关流量模型自回归滑动平均模型（ARMA模型）．通过对校园网网络流量数据的采集及分析处理,建立网络流量预测模型,并对流量预测模型进行分析、验证与研究。     

WSN流量的双卡尔曼并行递推预测算法研究

针对WSN流量预测,基于AR模型提出一种WSN流量双卡尔曼并行递推预测算法.该算法使用两个Kalman滤波器,交替进行AR模型参数的递推辨识与时变数据中真实值的最优估计,根据序列数据的最新信息实时修正AR模型参数进行动态预测.同时针对大步长的流量预测,引入滚动修正思想,克服动态预测算法存在间隔时间过长的缺点,降低多步预测误差.实验研究表明,利用研究的双卡尔曼并行递推算法使用AR模型进行多步预测,从原理设计和实现算法上,实现了WSN流量的准确预测.     

基于ARMA模型的电视台收视率预测方法设计和实现

收视率是电视行业中最重要的指标之一,目前行业内预测收视率的方法均没有考虑收视率自身的长期发展趋势,忽略了预测过程中重要的记录信息,导致预测结果精度不够,充分考虑收视率数据自身长期稳定性的特点,使用ARMA模型来进行预测,使预测精度达到用户期望。ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序预测方法,预测过程中充分考虑序列内在的发展趋势,对于具有长期稳定性的时间序列的预测非常有效,并已经在各个行业得到了应用,预测精度较高。收视率属于长期稳定,起伏波动不大的时间序列,引入ARMA模型进行预测必将改善传统预测方法得到结果的精度,仿真结果表明使用ARMA模型可以提高收视率预测精度。     

ARMA时间序列模型的研究与应用

ARMA模型是一种最常见的重要的时间序列模型,它被广泛应用到各种行业预测中,本文在给出ARMA三种模式和实现方法的同时,给出ARMA模型在股市应用的一个实例。     

闪烁噪声下的自适应无迹卡尔曼算法

针对非高斯噪声环境下过程噪声统计特性未知时机动目标跟踪精度不高甚至发散的问题,提出了一种应用EM算法和无迹卡尔曼滤波(Unscented Kalman filter,UKF)相结合的方法。该方法借助EM算法估计出较准确的过程噪声参数,再使用无迹卡尔曼滤波算法获得高精度的目标运动状态。仿真实验结果表明,该方法可以有效抑制滤波发散并显著提高跟踪精度。     

基于ARMA模型的序贯概率比改进算法

针对常规的序贯概率比检验方法（sequenceprobabilityratiotest,SPRT）在故障检测时存在的较大时间延迟,本文提出一种通过对序贯概率比时间序列运用自回归滑动平均（auto—regressivemovingaverage,ARMA）模型,建立预测反馈控制机制的SPRT改进算法。该算法的核心思想是根...     

基于小波去噪及ARMA模型的故障率预测方法研究

在现有的故障诊断与预测方法的基础上,提出了一种基于小波及ARMA模型的预测方法。首先给出了小波去噪的原理,以及ARMA模型预测的思想,结合民机故障率的特点,对实际的故障率数据进行小波去噪,保留故障发展的主要趋势,对主要趋势进行ARMA建模预测,并将预测结果与实际值进行比较。结果说明,进行小波去噪后的ARMA建模预测的结果有较高的准确率。     

基于ARMA模型的电力变压器故障预报方法

为了保证在安全运行的前提下提高变压器的运行效率,分析了变压器在异常时的油色谱数据,提出了基于ARMA模型的多维混合回归系统模型,对故障的发展趋势进行预报。通过最小二乘法,结合AIC准则估计出预报模型的最终参数和阶次。仿真结果证明,该方法适用于大型油浸式电力变压器的故障预报。     

基于ARMA模型的船舶海水冷却系统参数预测

船舶海水冷却系统与船外海水直接接触,工作环境较为恶劣,而基于小波理论、灰色理论等参数预测方法受环境影响较大,为了实现对船舶海水冷却系统状态参数的准确预测,提出了根据平稳时间序列建立自回归移动平均模型(ARMA)的方法;介绍了ARMA模型原理及建模过程;选取“育鲲轮”海水冷却系统6天的状态参数作为训练样本,输入到ARMA预测模型中进行训练;在MATLAB环境下,获得预测数据;运用平均绝对百分比误差对预测模型的准确性进行验证并对误差进行分析,结果表明所建立的船舶海水冷却系统状态参数预测模型具有良好的预测能力,能有效地反应未来一段时间海水冷却系统的工作状态的变化,提示系统是否存在异常,为早期故障诊断提供有效手段,进而为船舶的稳定运营提供了条件。     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.     

无线传感器网络中一种ARMA流量预测的拥塞控制算法

在无线传感器网络中,由于各节点的通信能力、计算能力、存储能力等都比较有限,使其需采取有别于传统网络的拥塞控制策略.本文针对传感网络特有的多对一、多跳通信方式经常导致网络拥塞的缺陷,提出一种基于流量预测的拥塞避免算法(SCATP).该算法通过ARMA模型分析流经各节点的当前流量,预测网络下一时刻的拥塞状况,并据此进行流量分配,从而实现拥塞控制的同时保证数据的可靠传输.仿真实验表明,SCATP算法在延迟、抖动率、吞吐量和能量有效性等方面能有效改善网络的服务质量.     

基于攻击特征的ARMA预测模型的DDoS攻击检测方法

分布式拒绝服务(DDoS)攻击检测是网络安全领域的研究热点。本文提出一个能综合反映DDoS攻击流的流量突发性、流非对称性、源IP地址分布性和目标IP地址集中性等多个本质特征的IP流特征(IFFV)算法,采用线性预测技术,为正常网络流的IFFV时间序列建立了简单高效的ARMA(2,1)预测模型,进而设计了一种基于IFFV预测模型的DDoS攻击检测方法(DDDP)。为了提高方法的检测准确度,提出了一种报警评估机制,减少预测误差或网络流噪声所带来的误报。实验结果表明,DDDP检测方法能够迅速、有效地检测DDoS攻击,降低误报率。     

基于小波和ARIMA模型的业务流预测方法

针对因节点失效而造成的业务流性能变化问题,提出一种新的Ad hoc网络状态预测算法TAP。该算法利用小波变换减弱实际业务流的长相关特性,并结合自回归移动平均(ARIMA)模型和Kalman滤波建立状态预测方程。通过仿真实验对比分析ARMA和FARIMA的预测精度,结果表明,TAP算法业务流性能较优,其残差为18.23%。