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和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于业扩报装的全社会电量预测方法研究

电力系统需求侧业扩报装的容量是分析预测全社会用电量的一个重要参考指标,长期以来,都以定性分析为主,文章以安徽为例,在对相关变量进行季节性分解的基础上,建立业扩报装容量和全省全社会用电量之间的定量关系月度模型。结果表明所建模型预测结果具有较高参考意义,并适用于短期月度电量预测。     

基于改进BP神经网络的全社会用电量预测模型研究

采用引入附加动量和自适应学习率的BP(Back Propagation)神经网络来构建全社会用电量预测模型,此模型有效地解决了标准BP神经网络容易陷入局部极小点和收敛速度慢的问题,并且能够很好地解决全社会用电量与其影响因素之间复杂的非线性关系。利用MATLAB7.0对该模型进行了设计,并用设计好的模型对1986~2005年的全社会用电量及GDP数据进行了仿真,仿真结果表明该模型收敛速度快、拟合效果好、泛化能力强、预测精度高。运用该模型对2006年全社会用电量进行了预测,预测结果表明该模型具有一定的实用价值。     

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。     

抚宁县电力负荷的中期预测

根据秦皇岛市抚宁县 1992～ 2 0 0 1年 10a的实际用电量数据 ,采用灰色GM(1,1)模型对未来 10a的用电量进行预测 .因未通过关联度校验和后验差检验 ,故提出了灰色指数平滑预测方法 ,先对原始数据序列进行一次指数平滑 ,然后再建立灰色模型 .经检验模型合格 ,同时提高了预测精度     

ARIMA模型在江苏省GDP预测中的应用

对江苏省1978至2013年GDP时间序列进行分析,建立了ARIMA(4,2,2)模型,经过验证可知该模型具有较好的短期预测力,可作为江苏省制定经济调控政策、经济发展目标提供决策参考。     

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。     

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LSTM深度学习模型的羽绒材料价格预测研究

为解决目前羽毛绒材料定价主要依据经验而缺乏理论支撑和预测精度较低的问题,本文提出利用长短期 记忆网络（LSTM）深度学习方法对羽毛绒材料价格进行自定义研究,以 2015 年-2020 年 6 年的羽绒金网数据为 依据,对其构建模型进行训练求解,幵与线性自回归移动平均（ARIMA）数理统计模型和最小二乘支持向量机 (LS-SVM)浅层机器学习模型预测效果进行对比分析。结果表明：在长期预测中,预测精度从高到低依次为 ARIMA 模 型、LS-SVM 模型、LSTM 深度学习预测模型;在短期预测中,预测精度从高到低依次为 LSTM 深度学习预测模型、 LS-SVM 模型、ARIMA 模型。同时还发现：无论长期短期预测中,不同种类的羽毛绒价格预测精度趋势相同,即 预测精度仅与资本属性有关,与资本所述类别无关。研究结论既可为羽毛绒企业进行羽毛绒材料准确定价提供理 论依据,也为人工智能技术广泛应用于量化投资领域提供实践经验     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测

在能源互联网快速发展的背景下,研究分析了综合能源系统的多元负荷预测模型及理论方法.针对传统ARIMA(Autoregressive Moving Average Model, ARMA)模型仅能处理线性关系的问题,将ARIMA模型与LSTM(Long-Short Term Memory, LSTM)网络模型结合,提出并建立了ARIMA-LSTM模型.该模型不仅兼容冷、热、气、电等多元负荷的预测,并且可以用于风速、辐射照度等数据的预测,有较好的适应性和预测精度.     

居民用电量的ARIMA时间序列预测

基于某地居民用电量的历史数据,使用灰色预测与时间序列方法,分别构建了灰色Verhulst-ARIMA预测与季节ARIMA预测模型,综合运用Matlab和Excel软件,研究得出了KLBL用户未来6个月用电量的相关指标和BLBYD用户2016年3月15日每隔15 min的用电负荷量数据.     

基于大数据分析的郑州市城市用水量预测

基于2011—2019年郑州市用水统计资料,通过建立ARIMA模型、灰色GM(1,1)模型和基于大数据分析的多元线性回归分析3种模型对郑州市城市用水量进行预测.结果表明,利用主要影响因素建立的基于大数据分析的多元线性回归分析模型优化度R2和平均相对误差分别为0.946和1.758％,而ARIMA模型、灰色GM(1,1)...     

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.     

一种基于双周期时间序列的短时交通流预测算法

根据城市道路短时交通流特征,在ARIMA(autoregressive integrated moving average model)模型和SARIMA(seasonal autoregressive integrated moving average model)模型的基础上,提出一种既满足城市道路日周期性和周周期性的短时交通流预测模型DSARIMA(double seasonal autoregressive integrated moving average model)模型,并根据城市道路工作日与非工作日交通流特点,提出该模型的预测算法。该算法采用两种方式利用ARIMA模型进行交通流预测,一种方式采用当前时刻前N1段时间进行预测,另一种方式采用当前时刻前N2天同一时段的交通流进行预测,并用改进的贝叶斯模型算法根据两种预测结果与实际值的误差来确定该种方式的权值,最后的预测结果为两种方式预测结果与其权值乘积之和。实验结果表明,该模型在交通流预测上,相比ARIMA模型和SARIMA模型预测具有更好的平稳性与更高的预测精度。     

基于Bayesian-LSSVM和残差修正的用户短期需水量预测

为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法(Bayesian-LSSVM)建立管网用户需水量时间序列预测模型(BL模型),得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型(RM模型),得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型(BL+RM模型)明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要.     

基于ARIMA 误差修正预测的Klobuchar 模型精化

为了提高目前传统Klobuchar 模型电离层延迟改正精度仅有50%~60%的修正率的现状, 提出一种基于ARIMA 误差修正预测的精化方法。 采用IGS 中心提供的电离层观测数据, 利用双频改正模型解算的电离层VTEC 值作为参考值, 使用ARIMA 模型对每个历元前8 天Klobuchar 模型和参考值之间的偏差值进行2 天的短期预测, 对Klobuchar 模型加以偏差预测改正数进行改进。 采用算例将参考值检验改进的A-Klobuchar模型的预报精度与Klobuchar 模型的预报精度进行对比, 结果表明: 改进后的A-Klobuchar 模型的精度明显高于Klobuchar 模型, 其总体预报精度达到了77. 17%, 能更显著地反映出电离层的周日变化特性。     

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。     

小波-ARIMA模型在贵广高铁隧道沉降预测中的应用

针对高铁隧道断面沉降状态的预测问题,提出了一种基于小波分析与自回归移动平均模型(ARIMA)组合的隧道断面沉降预测方法。分别采用ARIMA模型和基于小波分析的ARIMA模型对贵广高铁桂林-恭城路段隧道的沉降数据进行预测实验并对比,结果表明,基于小波分析的ARIMA模型对于高铁隧道断面沉降预测精度提高较大,且稳定性强,可以满足工程需要,是一种有效可行的隧道沉降预测方法。