中国人均GDP的时间序列模型的建立与分析

综合运用了判别时间序列平衡性的方法,建立了中国人均GDP的时间序列模型为了消除虚假回归,利用单位根方法检验了时间序列的单整阶数;在判别差分序列的平衡性之后,利用自相关函数图和偏相关函数图判别了时间序列模型的自回归阶数（AR（P）和移动平均阶数MA（q);然后利用TSP软件用OLS法对时间序列模型的回归参数进行了估计与显著性检验,并对通过检验的回归结果进行了分析。     

基于ARIMA-ANN的大坝安全监控模型

坝体的变形能反映建筑物的运行状况,受各种复杂因素影响,坝体变形监测数据是一个不平稳的时间序列.基于传统时间序列不能解决非平稳数据,使用自回归求和滑动平均序列建立模型,结合工程实例进行坝体变形监测数据的拟合与预测,并用BP神经网络进行误差预测,得到最终预测值.经过实际大坝的数据建模检验,建模方法可行,预测结果精度高,在大坝安全监测中具有较好的实用性.     

基于ARIMA模型的变压器油中溶解气体含量时间序列预测方法

变压器油中溶解气体含量是衡量变压器运行状态的重要指标。运用差分自回归移动平均模型(ARIMA)对变压器油中气体含量进行预测,该方法通过python编程以气体含量值对应的时间为索引输入预测模型,在建模中首先对时间序列平稳性进行单位根检验,采用差分处理的方法将原始不平稳时间序列转换为平稳时间序列,而后利用自相关函数和偏自相关函数参数选择原则得出若干组模型,在对若干组模型进行优选的过程中分别使用赤池信息、贝叶斯信息、汉南-奎因3种准则得出一组最优模型,最后通过相关检验方法对优选模型进行残差检验,并利用满足残差要求的模型对气体含量预测。实验表明,提出的预测方法有较高的预测精度,可以为合理安排变压器的状态检修提供有价值的参考。     

基于ARMA模型对我国电力消费量的预测

对于我国电力消费需求量时间序列自身规律的认识有助于电力消费量的预测,从而可以避免电荒和电力生产能力的过度投资。以1980年-2007年期间我国年发电量的时间序列数据为基础,通过建立指数回归一模型来拟合时间序列数据。运用残差序列趋势和残差序列相关图、偏相关图的分析,对模型的五种形式的参数估计结果进行比较分析,最后选择模型来拟合发电量时间序列数据,并对其模型拟合的残差进行了单位根检验,检验结果表明残差序列是平稳的,采用模型是合理的。     

基于季节性AR（P）模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象。文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平稳序列,且序列具有明显季节性（月份）变化的特性。为此尝试建立季节性AR（P）模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。     

单位根检验中的误检验——以我国年发电量时间序列为例

由于虚假回归问题的存在,在回归模型中应避免直接使用不存在协整关系的非平稳变量,所以检验变量的平稳性是必须解决的问题。以1970-2006年期间我国年发电量的时间序列为例,从单位根检验的基本方法,如ADF检验和PP检验和基本检验步骤入手,分析了导致单位根“伪检验”的三种常见错误类型,并在此基础上提出了在单位根检验过程中应注意的基本事项。     

基于卡尔曼滤波的GM(1,1)-AR预测模型在变形预测中的应用

针对变形监测数据的随机不确定性规律,将卡尔曼滤波引入以消除随机扰动误差,利用GM(1,1)模型能直接处理非平稳时间序列且拟合时间序列中的趋势项功能强大这一优势,将灰色理论与时间序列分析法相结合形成非线性组合模型,对变形监测数据进行分析预测,并将该预测模型用于建筑物变形工程实例进行分析。对模型检验表明:基于卡尔曼滤波的GM(1,1)-AR模型的预测结果与其他预测模型相比,平均残差和残差的方差均有所减小,且具备较高的精度,对了解建筑物变形的发展趋势以及研究建筑物变形情况及稳定性具有一定的参考价值。     

基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

多变点的AR模型估计的功效

对含有变点的不同数据生成过程,用蒙特卡洛方法模拟研究了自回归移动平均模型分析法检测变点的功效,实验表明,AR模型估计对均值变点检测有较高的势。给出了利用AR模型检验某企业微电子标准物质质量稳定性的实例。     

基于向量自回归方法的洛阳市PM2.5影响因素分析

本文建立向量自回归(VAR)模型,通过Eviews软件,进行单位根检验和稳定性检验,运用脉冲响应函数分析法和方差分解法,分析不同污染物浓度的变动对PM2.5浓度变化的影响,提出对洛阳市区环境污染治理的合理化建议。     

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。     

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.     

国内专利申请受理情况时间序列的GARCH模型及预测

建立了国内专利申请受理情况时间序列的多种自回归模型、多种条件异方差模型．比较各个模型检验参数及预测精度,确定国内专利申请受理情况时间序列的GARCH（1,1）模型为优化模型,预测2008年国内专利申请受理情况时间序列将继续保持上升趋势,受理量预测值为723913件,预测相对误差不大于1．1％．     

高层建筑深基坑支护结构位移动态监测方法

针对高层建筑深基坑支护结构位移监测时,位移轨迹、位移速率以及位移时间变化监测准确性较差问题,本文研究了高层建筑深基坑支护结构位移动态监测方法。对支护结构位移影响因素进行具体分析,生成了影响指标;再对基坑数据进行采集,建立数据集并进行降维处理;计算获取目标函数,结合影响指标建立时间序列模型,依据对模型的计算建立动态变量矩阵;通过对矩阵的计算获取动态监测数据的统计量,完成支护结构的动态监测。研究结果表明：运用该方法进行监测时,位移移动轨迹监测误差为0.1,位移速率保持在0.9 mm/d以下,且与实际位移速率基本一致,纵向位移量达到202 mm,且与实际沉降量一致。本文方法能够有效应用于高层建筑深基坑支护结构的位移动态监测,为保障高层建筑的稳定性和安全性提供重要的技术支持。     

基于灰狼支持向量机的非等时距滑坡位移预测

以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法（GWO）和支持向量回归机（SVR）模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速.     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差（Autoregressive Conditional Heteroskedastic,简称ARCH）模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS／ETS中的自回归（Autoreg）程实现对该金融时间序列的自回归一广义自回归条件异方差（Autoregressive—generalized ARCH,简称AR—GARCH）模型的拟合和分析,最终得到理想结果．     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。     

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声。考虑将回归拟合与随机型时间序列方法结合，先对大坝位移数据按水位、温度、时效等物理因素作回归分析，再对回归残差作时序列建模处理，实例采用Box-Jenkins法和自由相关、偏自相关函数及AIC准则进行模型识别，建立时序列模型，应用示例的计算表明，这样获得的回归-时序列模型能很好拟合实测数据，提高精度，误差序列也符合白噪声要求。     

应用新数据同化算法的桥梁极值应力预测

为合理动态预测桥梁极值应力,将极值应力监测数据视为时间序列,提出桥梁极值应力预测的数据同化新方法。利用极值应力监测数据建立动态非线性模型,引入K均值聚类算法与最大期望算法,并将两者融合嵌入到高斯混合粒子滤波器,得到改进高斯混合粒子滤波算法,结合监测数据实现桥梁极值应力的动态预测,通过在役桥梁监测数据对所提算法的合理性进行验证,并与其他预测算法进行比较,结果发现改进算法更具可行性且预测精度较高。     

单位根检验与结构变化

在对DF检验介绍的基础上,笔者对带有结构变化的单位根检验——外生和内生结构变化模型进行了详尽介绍。运用两种方法Mont Carlo模拟了有限样本的精确临界值。参照此临界值,对我国的出口序列进行结构变化检验,结果发现该序列是分段趋势平稳的。