基于时间序列分析的工程造价指数预测

准确的工程造价指数预测可以帮助承包商将工程费用的波动纳入预算之中,避免低于成本价或超过拦标价中标的现象等。利用1996年1月～2012年12月香港路政署的工程造价指数,基于ARIMA构建工程造价指数预测模型进行样本内和样本外预测,并对预测结果总结分析,并指出了进一步的研究方向。     

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ARIMA模型的黄金价格实证分析

本研究以2011年10月至2014年2月的上海黄金交易所黄金Au100g每日的加权平均价为例,以时间序列的相关理论为基础,建立ARIMA(2,1,0)模型对黄金价格的走势进行实证分析,并对2014年3月至2014年5月的数据进行短期预测.实验结果表明,ARIMA(2,1,0)模型能够比较准确地刻画黄金价格的动态走势,这为中国黄金投资者更好地预测黄金市场的行情提供了一个可行的方法,也为他们理性地投资黄金提供了一个理论依据.     

动态时间序列预测DM模型

本文介绍了解决呈波动现象的系统预测方法－动态时间序列预测模型，简称ＤＭ模型。阐述了ＤＭ模型的建立，参数辩识，模型求解和应用方法。为经济领域波动现象的预测提供了一种新方法。     

基于时间序列模型的节假日火灾形势预测与分析

研究节假日火灾发展趋势,可为有关部门制定节假日火灾消防对策,为维持安定和谐的社会和可持续发展提供重要的依据。以春节期间火灾为例,根据中国火灾统计年鉴提供的数据,利用时间序列指数平滑模型、回归分析模型和ARIMA模型分别进行预测,然后根据组合预测分析方法得出有效的火灾预测模型。该方法将三种预测方法结合比原有的单一预测方法预测更为可靠,然后,给出春节期间未来火灾的发展趋势预测值,在一定程度上可以使人们更容易掌握火灾发展的规律进而做出一些必要的准备。     

基于ARIMA模型的我国人口增长的分析与预测

运用ARIMA模型对我国1949—2009年的人口总数进行了分析与预测,得出AR IMA(2,2,1)模型可以对我国的人口总数作短期预测的结论。     

时间序列分析在变形监测中的应用

介绍了时间序列的基本原理,给出了时间序列分析的ARMA、ARIMA两种基本模型,介绍了自相关函数、偏相关函数以及其性质。总结归纳了时间序列分析的建模步骤。最后用时间序列分析处理了某市某一变形监测点,并且与回归分析做了比较。比较表明,时间序列分析用于动态的时序预测具有较好的效果,20期预测误差的绝对值均小于0.002mm。并且其建模过程与回归分析法相比,较为简单,是处理动态数据的一种非常有效的方法。     

基于ARIMA模型的我国商品房价格趋势预测分析

以1996年1月-2014年2月商品房价格月度数据为样本,将数据进行差分处理,构建ARIMA模型,以此对我国2014年3-8月份的商品房价格趋势进行预测。预测结果表明:在2014年上半年全国商品房平均价格或形成价格拐点,到8月份全国商品房平均价格或在6353元/平米左右。在拐点呈现之后,房地产调控政策或应逐渐淡出,避免房价过度下跌给宏观经济造成较大的负面冲击。     

边坡位移时间序列分析预测

将边坡位移看成是一系列时刻t1,t2,t3,…,tn得到的时间序列,采用时间序列AR模型,对其进行模型识别、参数估计、位移预报。预测结果表明：AR模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势。     

基于ARIMA模型对我国2014年货币供给量的预测

基于ARIMA时间序列模型及我国货币供应量的实际数据,对我国2013年的货币供应量作出预测,实证结果与我国实际的货币供应量比较吻合,得到的平均相对误差绝对值的指标仅为1.1%,说明ARIMA模型能较好地预测我国货币供应量的趋势,可为我国货币供应量预测和走势的判断提供有效依据,并对我国2014年货币供应量作出预测。     

基于灰色时间序列组合的隧道变形预测研究

随着各大城市地铁的兴建,各种工程事故相继发生,隧道开挖具有复杂性和特殊性,充分认识和掌握隧道围岩的变形规律,对于避免不必要的工程事故具有重要意义。本文基于隧道围岩施工期的变形监测数据,深入研究了时间序列分析、灰色系统理论和组合模型预测方法。结果表明,MGM(1,3)+AR(3)组合模型不仅能够反映数据序列的发展变化的趋势性,而且还能考虑数据序列随机波动的影响,组合模型拟合与预测的模拟预测精度高。研究成果为隧道围岩施工期和运行期的安全提供可靠依据,并未科学研究和理论计算提供参考。     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.     

内蒙古孪井地区降水量的时间序列分析预报模型

本文介绍了非平稳时间序列分析预报模型的建模方法 ,通过对趋势项、周期项的检验与提取 ,将原序列化为平稳序列 ,利用ARMA (p ,q)模型对剩余的白噪声序列模拟 ,将各项分别预报再叠加即得到非平稳序列的预报结果。利用该方法 ,建立了内蒙古孪井地区降水量的预报模型 ,预报结果能够满足需要     

差分自回归移动平均模型预测管网漏损的研究

给水管网敷设后会因多种原因发生漏损,有效进行漏损控制是世界各国亟待解决的问题。在对某市实际管网漏损数据进行统计分析的基础上,建立了基于差分自回归移动平均模型[ARIMA(p,d,q)(P,D,Q)s]的管网漏损预测模型。该模型能够根据管网的历史漏损数据预测管网未来的漏损趋势,可为管网漏损控制及更新决策提供有效依据。     

A Dynamic Bus-Arrival Time Prediction Model Based on APC Data

Abstract:   Automatic passenger counter (APC) systems have been implemented in various public transit systems to obtain bus occupancy along with other information such as location, travel time, etc. Such information has great potential as input data for a variety of applications including performance evaluation, operations management, and service planning. In this study, a dynamic model for predicting bus-arrival times is developed using data collected by a real-world APC system. The model consists of two major elements: the first one is an artificial neural network model for predicting bus travel time between time points for a trip occurring at given time-of-day, day-of-week, and weather condition; the second one is a Kalman filter-based dynamic algorithm to adjust the arrival-time prediction using up-to-the-minute bus location information. Test runs show that this model is quite powerful in modeling variations in bus-arrival times along the service route .     

基于时间序列的三维模型管理方法研究与实现

城市的三维可视化数据作为信息化的基础数据,能够直观地展示城市的原貌,不同时期的三维模型记录了城市的历史变迁。本文针对目前三维历史数据管理较弱的现状,阐述了基于三维模型分层、分区和分级组织方式,设计了"二级更新"和分层、分区更新机制,建立了索引机制,采用了基于时间序列的三维模型管理方法,并基于OSG进行了功能实现,很好地解决了浏览历史三维场景的难题。     

基于时间序列支持向量回归模型的变形监测研究

论述了支持向量机的回归算法,提出了基于时间序列支持向量回归的变形预测方法,并在MATLAB 6.5中编制了相应的基于时间序列支持向量回归程序,建立了相应的基于时间序列支持向量回归模型。以实例数据讨论了基于时间序列支持向量机回归模型的预测方法。研究表明：用时间序列支持向量回归模型建立变形监测的预测模型是可行的和有效的。     

基于改进SVM的隧道位移监测非线性预报模型

在隧道工程中,位移变形监测是一个重要环节,然而监测数据往往呈现出较为复杂的非线性特征.以铜黄高速公路大田双连拱隧道施工为背景,在支持向量机算法的基础上,采用变量轮换法对其参数进行优化处理,从而呈现了监测数据复杂非线性特征并建立隧道位移监测时间序列非线性模型.利用此模型对未来的位移变形做出精确的预报,科学地指导现场监测和施工建设.