随机序列的适时预报方法——新息预报方法

<正> 人们在进行科学研究和科学实验的过程中,常常得到一系列的量测数据,由于这些数据带有一定的随机性,并往往依时间次序排列,因此常称之为随机时间序列,或简称为随机序列.如何充分利用随机序列的信息,分析研究客观事物本身的内在规律,并进一步预测未来,这往往是非常重要的.因此,首先需要从这串数据出发,建立合理的数学模型.关于这一方面,BOX给出了用ARMA(p,q)模型来描述平稳时间序列的方法和具体的     

数字时间序列分析——第一讲 随机数据分析基础(I)

在科研、生产的各个领域,随着现代技术的迅猛发展,人们越来越频繁地收集到各种各样的观测数据,也越来越迫切地要求从这些数据中加工、提取出有助于认识世界、改造世界的信息与结论.因此,数字时间序列分析作为应用数学的一个分支,近二十年来不断创新发展,呈现出旺盛的生命力.随着计算机的普及与推广,这种数据分析的科学方法越来越广泛地运用到自然科学、社会科学研究以及工、农业生产的科研管理之中。 简单说来,数字时间序列就是一串数据,这串数据通常按时间顺序排列,并且由于受到各种偶然因素的影响,往往表现出某种随机性,彼此之间存在着统…     

基于ICA的时间序列聚类方法及其股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一,通常由于时间序列数据的特殊结构,导致一般的聚类算法不能直接应用于时间序列数据.本文提出了一种基于独立成分分析与改进K-均值算法相结合的时间序列聚类算法,该算法首先利用独立成分分析对时间序列数据进行特征提取,然后利用改进K-均值聚类算法完成对时间序列特征数据的聚类分析,从而得到了一种新的基于特征的时间序列聚类方法.为了验证该方法的有效性和可行性,将其应用于实际的股票时间序列数据聚类分析中,取得了较好的数值结果.     

小波分析方法在金融股票数据预测中的应用

利用小波分析预测方法对金融数据—股票收盘价这一典型的非平稳时间序列进行预测.使用M a llat小波分解算法对数据进行分解,对分解后的数据进行平滑处理,然后再进行重构,而重构之后的数据就成为近似意义的平稳时间序列,这样就得到了原始数据的近似信号,再应用传统时间序列预测方法对重构后的数据进行预测,将预测结果与实际值,以及和传统预测方法预测结果比较,小波分析方法预测效果更为理想.     

探索数据分析(Ⅲ)

三、时间序列的滑动中位数平滑 在科研、生产、经济各个领域中,随着现代技术的发展,人们收集到各类观察数据.其甲经常遇到的一类是所谓时间序列,即按时间顺序排列起来的一串数字.确切地说,一个时间序列是等时间间隔的一列n个观察值等时间间隔可以是年、月、周或者日、小时、秒、毫秒等时间单位.对时间序列,观察值的顺序是不容改变了,这是和通常的独立样本的不同点.例如,按年排列的某种谷物的总产量,降雨量,按月排列的某种货物的销货量,按年月排列的气温、气压等都是时间序列的例子. 以时间为横座标,观察值为纵座标,画出散点图.有的序列可看…     

Autoregression Model of Time Series with Matrix Cross-Section Data北大核心CSCD

矩阵型截面数据时间序列的优点在于可以同时刻画多个对象的多个属性.本文重点研究了矩阵型截面数据时间序列的自回归模型,给出了该模型的参数估计、模型识别、白噪声检验三个方面的理论结果.最后再利用矩阵型截面数据时间序列自回归模型,对两支银行股的日收益率序列和日成交量变化率序列进行建模分析.     

基于主成分分析的单变量时间序列聚类方法

针对时间序列数据的高维特性,在进行理论分析的基础上,利用主成分分析法提出了一种单变量时间序列数据降维的新方法,进而提出了基于主成分分析的单变量时间序列聚类方法。其主要思想是在线性空间中的同一组基下,用系数之间的相似性来刻画对应时间序列之间相似性,在理论分析过程中,首先对单变量时间序列数据集进行主成分分析,其次分析了单变量时间序列数据集、样本协方差矩阵的特征向量与主成分之间的关系,并证明了由主成分构成的向量组线性无关。为了进一步验证理论分析结果的正确性和所提算法的有效性,分别利用仿真数据和真实的股票数据进行了数值实验。     

基于不动点的模糊时间序列模型

模糊时间序列在解决模糊性和不确定性数据方面表现出明显的优势.为了提高模型的预测精度,将数学理论中不动点理论与时间序列模型相结合,提出了分式函数、逆分式函数、预测函数的定义,并且证明了预测函数值收敛定理.在这些理论基础上,建立了一种基于不动点的模糊时间序列模型,进一步完善了模糊时间序列理论.预测结果表明,该模型具有预测精度较高、理论完整、鲁棒性强、应用范围广的特点.     

基于ICA的时间序列聚类方法及其在股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一，通常由于时间序列数据的特殊结构，导致一般的聚类算法不能直接应用于时间序列数据。本文提出了一种基于独立成分分析与改进^一均值算法相结合的时间序列聚类算法，该算法首先利用独立成分分析对时间序列数据进行特征提取，然后利用改进￡．均值聚类算法完成对时间序列特征数据的聚类分析，从而得到了一种新的基于特征的时间序列聚类方法。为了验证该方法的有效性和可行性，将其应用于实际的股票时间序列数据聚类分析中，取得了较好的数值结果。     

太阳辐射时间序列的非线性检验

检验太阳辐射时间序列是否有非线性特征,对于分析、建模和预测太阳辐射量是重要、有益的.提出用基于替代数据的检验方法来检验太阳辐射时间序列是否存在非线性特征,并将数据序列的三阶矩作为检验统计量.选取了美国Montana州Dillon地区和Wyoming州Green Rivet地区每日总辐射量、Utah州Moab地区的每月日平均总辐射量时间序列作为检验对象.数值分析的统计结果表明所研究的日总辐射时间序列存在非线性,而每月日平均总辐射时间序列未检测出非线性.因而,对太阳辐射时间序列建模和预测之前,检验其是否有非线性特征是必要的.     

基于谱分析的非平稳时间序列中的潜周期研究

时间序列的频域分析并不如时域分析应用广泛,但其弥补了时域分析的不足:能够把时间序列分解为具有不同振幅,相位和频率的周期分量的叠加,找出原序列中隐含的主要周期分量,并从周期波动的角度对序列进行解释.针对非平稳时间序列进行研究,利用B样条函数为基底并引入惩罚项,提取序列中的趋势项之后,再根据样本谱密度理论得到时序数据中的潜周期,最终将原始时间序列分解为趋势项,周期项和随机扰动项.数据模拟部分验证了通过B样条估计并提取的趋势项具有较高的精确度,并会对周期项的提取产生积极的影响.实际数据部分使用了黄金价格的月度数据,得到了长,中,短三个波动周期这一有意义的结论,验证了本方法的可行性和有效性.     

季节性数据的横断面建模方法

本文提出了一种对季节性数据建立数学模型的新方法──横断面方法．其思想是，把一个季节性时间序列划分成为数相当于一个季节周期长度的若干个子序列，在这些子序列中已完全消除了季节性因素，然后对这些子序列分别建立形式各异的数学模型，最后再把这些子序列的数学模型综合起来就得到了对原始序列的数学模型．     

时间序列预处理与信息噪声之间的关系研究——基于离散小波变换和ARIMA模型

时间序列的噪声等预处理是数据挖掘及建模过程中重要的一步,对系统分析与预测具有重要意义.基于改良的离散小波变换方法,以2009年5月14日至2019年5月14日为时间范围,以上证指数高频收益率日数据、低频收盘价日数据为实验样本进行去噪预处理,对比四类参数取不同值时的性能表现,并通过ARIMA模型验证预测效果.时间序列预处理与噪声之间不存在矛盾关系,小波方法适当消噪后也可以保留有用信息,提高了分析与预测的正确率.通过研究时间序列预处理与信息噪声之间的关系,期望可以为金融时序的深度挖掘、预测提供一定的指导意见.     

合成与非合成阿片类药物传播规律及控制策略研究

合成与非合成阿片类药物的过度使用,对美国社会经济产生了很大影响,如今美国正面临一场阿片类药物滥用的危机.为了探讨这一问题的解决方案,利用2010—2017年间美国5个州两类药物服用人口数据,通过聚类分析法给出了两种药物在县与其州之间的传播特征.进一步利用时间序列模型对未来药物传播前景进行预测.考虑到2010—2016年间社会经济数据,利用灰色关联的方法给出了社会经济类因素对药物传播的权重大小,分析了社会因素对药物传播特征的影响,筛选出了六种关键社会经济因素,对这些因素进行分析,提出策略并对所提出的策略进行了有效性测试.     

神秘的数 隐藏玄机

当代有名的物理学家费曼在他的传记“别闹了,费曼先生!”提到一件趣事.第二次世界大战,美国为了制造原子弹,在新墨西哥州的洛斯阿拉莫斯成立实验室,集中许多科学家,这就是所谓的“曼哈顿计划”.当时费曼刚从普林斯顿大学得到物理学的博士学位,他被罗致参与“曼哈顿计划”.制造原子弹是何等重要的军事机密,因此洛斯阿拉莫斯实验室的所有信件都有安全人员检查.这种妨害个人隐私权的安全措施却令费曼受不了.他决定跟这些安全人员开个玩笑.有一天,他写了一封信,里面有以下数字:004115226337448559…….这不是一串密码吗?在这些三位一组的数字中,…     

基于AdaBoost和深度残差网络的时间序列分类

时间序列分类(TSC)是数据挖掘领域中重要且富有挑战性的问题之一.首先将时间序列数据按照Gramian Angular Summation/Difference Field(GASF/GADF)、Markov Transition Field(MTP)、Recurrence Plot(RP)四种方式编码成图像,然后利用深度残差网络(ResNet)对编码的图像进行分类.为了充分利用四种编码图像的的信息以及提高分类的性能,使用AdaBoost对基分类器进行集成.ResNet在反向传播过程需要保存每一层的激活值,为了减少集成过程的内存消耗,利用可逆残差模块对传统残差模块进行替换.在计算分析阶段,从UCR数据中选取部分数据集进行测试,并将测试结果与当前最优的结果进行对比,实验结果表明所提算法的有效性.     

数字时间序列分析(Ⅲ)

第二讲数字时间序列分析(Ⅰ) 上讲介绍了数字时间序列的基本统计特性,讨论了最广泛最常见的几类随机序列,在此基础上,我们在本讲系统地讨论如何获得有效合理的数字时间序列,并介绍对数字序列进行初步分析处理的科学方法. 1.数字时间序列的获取 我们已经知道,数字时间序列有静态动态之分,由于基本结构有本质区别,这两类数据的收集或测定也各有其方法和特点·静态数据的获取,要保证数据的独立性和随机性,要选择合理的抽样方法,此类问题,本刊统计学院已经有过介绍,本讲仅介绍动态数据序列的获取方法. 在许多实际问题中,动态数据的观测记录往往…     

基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测

应用基于Box-Jenkins方法的时间序列分析技术,对青南高原的四个典型地区1961-2005年降水量序列进行ARMA建模分析:验证了四地区年降水量序列的时间序列特性,研究并选择了这些序列的最佳ARMA模型,本文也通过模型对未来降水量进行了预测.模型实证分析的结果表明:在青藏高原降水量时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

基于混沌最小二乘支持向量机的时间序列预测研究

为了对这种具有非线性特性的时间序列进行预测,提出一种基于混沌最小二乘支持向量机.算法将时间序列在相空间重构得到嵌入维数和时间延滞作为数据样本的选择依据,结合最小二乘法原理和支持向量机构建了基于混沌最小二乘支持向量机的预测模型.利用此预测模型对栾城站土壤含水量时间序列进行了预测.结果表明,经过相空间重构优化了数据样本的选取,通过模型的评价指标,混沌最小二乘支持向量机的预测模型能精确地预测具有非线性特性的时间序列,具有很好的理论和应用价值.     

莆田市旅游业的发展与区域经济增长关系的实证研究

基于1996-2013年莆田市旅游业收入与地区GDP的相关数据,研究莆田市旅游业的发展与区域经济增长的关系.考虑到这些数据是时间序列数据,首先对这些序列进行平稳性分析,然后应用协整理论和Granger因果检验进行实证研究,并且建立了误差修正模型.结果表明,莆田市旅游业的发展与区域经济增长存在着长期稳定的关系和单向的Granger因果原因,即区域经济带动旅游业的发展影响较小,而旅游业的发展促进区域经济发展的影响较明显.