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ARIMA时间序列的广州空气质量分析

本文选取广州11个空气质量观测点2013年4月10日至2013年11月1日的空气观测数据,利用ARIMA时间序列的方法对其进行研究和分析。在此基础上,根据实际报道的情况验证了结果具有较广泛的适用性,对空气质量进行相应的解读。     

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.     

确定性时间序列模型及ARIMA模型的应用

本文根据2003年1月至2008年8月西安市社会消费品零售总额的月度数据,建立了确定性时间序列模型和ARIMA模型。借助于MATLAB及SAS软件,对西安市2008年9月至2009年12月社会消费品零售总额进行分析预测,并将两种模型的预测效果进行比较,从而探索出比较合适的短期预测方法,旨在阐明这些模型在经济预测领域中的广泛应用。     

基于ARIMA模型的包头市全社会用电量短期预测

通过分析包头市2017—2021年全社会用电量月度数据,运用时间序列的分析方法建立合适的模型,从而达到对包头市未来用电量短期预测的目的.模型预测结果显示：包头市全社会用电量服从ARIMA(2,(1,12),0)模型,利用ARIMA(2,(1,12),0)模型预测包头市未来的短期用电量切实可行,能更好地为电力行业制定短期电力政策提供有力的参考.     

基于时间序列模型的矿产品价格分析与预测

矿产品价格是矿业投资风险中最重要的不确定因素,矿产品价格预测的准确与否关系到矿业投资的成败。本文据2001-2007年各季度的铜金属价格数据,利用spssl3.0统计软件,建立时间序列ARIMA模型。结果表明模型拟合较成功,通过比较模型预测数据与实际数据,证明模型预测精度较高。该研究不仅为矿业投资决策出示可靠信息,也为矿山企业编制生产计划提供参考。     

我国股价指数的时间序列模型研究

基于收盘上证指数和深证成指的实际数据资料,利用SAS／ETS软件,采用赫斯特（H.E.Hurst）提出的R／S分析方法,在论证了我国证券市场为持久性随机过程的基础上,建立了沪深两市的AR－EGARCH模型。指出,就目前我国证券市场而言,AR－EGARCH模型要比ARIMA模型更适合于描述沪、深两个证券市场的股价指数序列变动的非线性规律。     

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。     

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。     

基于时间序列趋势模型的研究与应用

该文针对呼叫中心话务量预测的问题,分析比较了目前常用的预测技术和方法,根据对实际话务量数据信息的分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测,预测的结果表明该趋势模型能较全面地达到所要求的拟合效果和精度,从而较好地解决呼叫中心的呼入话务量的实际预测问题。     

基于时间序列的结构应力监测信号预测方法

为保障FAST大型射电望远镜安全工作,使用传感器对其关键点应力信息进行监测与评估,对应力信号进行预测,有助于故障的早期预警与处理,提高安全性能.基于物理模型和人工智能模型预测的方法,往往需要结构详细特性信息,或相关荷载信号作为输入,建模过程较为复杂.本研究使用时间序列分析法,基于ARIMA模型对FAST光纤Bragg光...     

用时间序列分析方法预测我国的进出口总额

采用时间序列分析方法对我国1984--2005年的年度进出口数据进行分析,建立了相应的时间序列模型．预测结果表明,该模型的预测效果较好,模型ARMA的短期预测效果比长期预测效果好．     

上证指数的时间序列预测模型

为研究上证指数的变化规律，利用时间序列分析方法建立了预测模型，模型对上证指数的日-上证指数和日-上证指数分别作了预测分析，结果表明，预测值接近真实值，并为指导投资者在证券投资市场上的正确投资战略决策提供有效依据。     

火灾经济损失时间序列分析

针对火灾经济损失的统计工作量大、周期性长,火灾经济损失信息的滞后性,以自回归移动平均模型（ARIMA）为理论基础,利用SAS软件强大的数据处理功能,选用时间序列分析方法,对1976-2004年火灾经济损失进行对数差分处理,再通过AIC（13.304 822 8）和SBC（15.970 65）准则优化,得到模型：（1-B）（1＋0.687 05B）xt=（1＋0.901 11B）tε。在95%置信区间内得到2005-2009年间的火灾损失预测值：172 308.11,176 592.82,172 727.17,176 206.71,173 068.19。研究表明序列具有短期相关性,从而为火灾的预防提供技术参考。     

基于ARIMA模型的宁波生活用电总量的实证分析

在现在的科技化社会,电与每个人息息相关,对用电量进行预测并做好调配控制是不可或缺的。通过1978—2011年宁波市生活用电总量数据,利用时间序列分析的方法,对用电量进行建模,发现其内在的规律性。结果显示:宁波生活用电量数据服从异方差的ARIMA(2,2,0)模型,通过该模型对未来几年的用电量进行预测,可以为政府制定相应的政策提供一定的依据。     

一种准确预测无线局域网业务量的时间序列模型

在对随机选取的实际环境中的多组无线局域网业务量数据的研究过程中,发现无线局域网业务量具有明显的多重季节性．利用差分和特定间隔抽样对原始数据处理,从而验证了无线局域网业务量的季节性．并提出了一个能够准确预测无线局域网业务量的时间序列模型：乘积型季节ARIMA(0,1,1)(0,1,1)₁₂模型,通过迭代计算,将此模型转化成一个MA模型,并且利用MA模型的性质对模型参数作出估计．利用差分方程法,对随机选取的一段无线局域网业务量进行了预测．结果表明,此模型可较好地对无线局域网的业务量进行短期预测,且提前10步预测的平均相对误差仅为0.0401．     

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上，对其进行一定的处理，从而发现隐含、未知的有效信息．本阐述了一种新的基于灰色—回归—模糊神经网络混合模型的时间序列数据挖掘系统，重点讨论了灰色—回归—模糊神经网络混合模型的建立过程，并应用于浙江省可持续发展预测，取得了满意的结果．该混合模型融合多种智能计算方法优点于一体，为时序数据挖掘提供了一种新的实用方法．     

ARIMA模型在房屋售价中的预测

时间序列分析方法是经济金融领域中的主要工具之一,通过描述历史数据对新值进行预测。文章运用ARIMA模型来实现对房屋平均售价的短期预测。对原始数据进行差分和季节差分,运用Eviews软件进行分析计算。结果显示预测值和真实值接近,在实际生活中提供可靠依据。