ARMA模型在哈尔滨气温预测中的应用

将时间序列分析引入到气温时间序列预测的研究中,深入分析气温样本数据,并对其建立ARMA模型.采用最佳准则函数法确定模型的阶数,并利用自相关函数对模型的残差进行了检验.通过条件期望预测和适时修正预测方法求得预测值,与真实值的比较得到适时修正预测精确度比条件期望预测的精确度高.     

基于修正的时间序列模型对冲击负荷的预测

电力负荷预测的实质是对电力市场需求的预测,是利用以往的历史数据资料找出电力负荷的变化规律,进而预测负荷在未来时期的变化趋势.由于经济、气候以及工业生产等诸多因素的约束和限制,电力负荷预测精度很难提高.一个好的实用的电力负荷预测模型则要求既能充分利用负荷的历史数据,又能灵活方便地综合考虑其他多种相关因素的影响.提出了回归与自回归模型相结合的时间序列混合回归预测模型,它的待估参数由BP神经网络进行修正,经实例验证,预测效果良好.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

基于3σ准则的分段拟合及其GARCH修正模型

在金融时间序列中,一组金融序列可被视为由不同时间段的分段函数拟合连接而成.利用3σ准则确定分段函数的临界点,并根据AIC准则及调整后R2对分段点进行验证,从而分段点把数据分割成两部分.对两序列分别用合适的函数进行拟合,并用ARMA-GARCH模型对残差序列进行修正.由上证综合指数数据的实证分析结果表明:3σ准则能很好地检索出临界点,同时建立的分段函数模型预测效果要优于ARMA与EGARCH模型,以及ARMA-GARCH模型的引入对模型的精确度有所提高.所介绍的方法简单易懂、便于操作、精度高,为金融投资者和学者提供参考价值.     

时间序列问题的建模方法和过程

时间序列分析是研究经济学和统计学的一种重要方法,通过分析实际的时间数据序列进行建立数学模型,用来预测序列的未来的发展情况。本文介绍了时间序列的发展概况和基本概念,论述了ARMA模型的自协方差函数、自相关系数、偏自相关函数的特征和Box-Jenkins建模。Box-Jenkins建模方法一般包括模型识别、参数估计、模型适用性检验和预测等步骤,该模型主要运用于单变量、同方差场合的线性模型。通过对模型的进一步研究,明确了模型的定阶与参数估计等问题。     

GM（1，1）周期修正模型及在电力负荷预测中的应用

模型GM(1,1)是电力系统负荷预测的一种有效的方法,但利用GM(1,1)模型难以反映序列随机的季节性周期波动变化.本文阐述的周期修正模型,可以很好地解决这一问题.实例表明,此模型简单有效,对于季节性预测问题有很强的实用性和较高的预测精度.     

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

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.     

基于灰色系统的支持向量回归预测方法

根据部分时间序列数据贫信息、高噪声和非线性等特点,采用含边值修正的灰色模型进行预测,获取残差序列后运用支持向量回归（SVR）方法对模型进行残差修正得到复合的灰色支持向量回归模型．在支持向量回归中构造具有自适用性的动态惩罚参数G替代传统SVR中的不变参数来提高模型的准确性,同时构造算法决定￡以平滑过度调节．广东省工业生产指数的预测试验结果表明,复合模型具有比其他简单模型更理想的预测效果．     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测

预测大停电事故造成的损失负荷,对电网的调度和安全运行有十分重要的参考意义.首先用绝对值法和相对值法分别对停电事故的损失负荷数据进行处理,利用ARMA模型对两种停电事故损失负荷数据序列进行预测,对比两种数据序列的预测结果,发现采用相对值法的预测精度更高,此外采用相对值法对数据进行处理还能消除电网发展对数据分析产生的影响,使预测结果更符合电网实际.为进一步提高预测的精度,提出了将ARMA模型和BP神经网络模型相结合的组合模型,并将其用于停电事故的损失负荷预测,通过与其他方法的预测结果及实际事故数据的比较分析,验证了该组合模型的有效性.最后采用相对值法的组合模型对2017年的损失负荷进行了预测,预测结果可为停电事故的规模等级划分及事故风险预警提供依据.     

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用．在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法．通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响．在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度．经算例验证,该算法预测精度达到1级,且高于类似算法．     

基于SSA的金融时间序列自适应分解预测

提出了分解预测的思想,通过SSA将序列分解成低频与高频两部分,分别采用最小均方(LMS)自适应自回归移动平均(ARIMA)与LMS自适应自回归(AR)模型进行预测,然后将两者叠加便可得原始序列预测值.同时,为了更好地捕捉序列局部突变,缩减预测延迟,提高预测精度,对EaLMS算法(基于误差调整的LMS算法)参数进行修正并...     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

GM（1，1）模型的样条插值函数的残差拟合

本文用样条函数对GM(1，1)模型的残差序列进行插值拟合，然后作用于二阶线性微分方程，并以此修正原模型，得到一种新的预测模型的数值解．     

灰色Verhulst模型的样条插值函数的残差修正

本用样条函数对灰色Verhulst模型的残差序列进行插值拟合，然后作用于二阶线性微分方程，并以此修正原模型，得到一种新的预测模型的数值解，提高了拟合的精确度。     

修正的GM(1,1)残差模型在原煤销售量预测中的应用

本论研究的是提高灰色预测模型的一种方法。首先建立主模型进行预测，得到残差序列，然后对残差序列建模，对主模型进行修正，得到修正的GM(1，1)模型。将模型应用到原煤销售量的预测中，其精度明显提高。     

基于趋势修正的灰预测模型优化研究

针对序列增长趋势不完全满足准指数规律时的灰色预测建模问题,提出基于GM(1,1)模型与序列增长趋势之间偏差修正的建模方法,将GM(1,1)模型还原式中的常数项作为灰变量处理,加入调整系数以缩小拟合值与实际值之间的增长趋势差异,利用灰色离散模型拟合调整系数的变化过程,将得到的调整系数拟合值带入原时间响应函数,进而得到趋势修正的原始序列拟合值;运用新的建模方法对南京市第三产业用电量进行拟合和预测,证明了方法有效提升了GM(1,1)建模精度,并且拟合序列和实际序列的灰色绝对关联度得到提高.     

员工流动季节性问题及SARIMA-ANN模型应用

中国企业员工流动受到中国商品生产季节性、劳动力市场供给周期性、员工身份两栖化等多种因素的影响,其数据呈现出季节性、非线性等特征。单一的自回归单整移动平均模型(ARIMA模型)不能较好地拟合其发展趋势并预测未来。本文通过神经网络模型(ANN模型)来修正传统的自回归单整移动平均模型(ARIMA模型),并加入季节性因素,从而形成SARIMA-ANN耦合模型,对企业员工流动的数据进行拟合与预测。通过对多组SARIMA-ANN模型的构建、衡量、比较与讨论,最终确定了较佳的神经网络对时间序列模型进行修正的耦合模型。实证结果显示,SARIMA-ANN模型充分考虑数据的季节性与趋势性,随机性与非线性特征并存的问题,对于季节性时间序列的经济数据的处理与预测是切实可行的。该耦合模型的应用证实了中国企业员工流动数据的趋势性与季节性、线性与非线性特征并存。这说明中国企业员工的流动具有更复杂的不规则的运动与突变,在精确预测有一定难度的情况下做好现有员工的留存工作是首要之策。