基于三类模型的四大银行股票收益率预测研究

运用时间序列分析的预测方法,对四大银行的股票日对数收益率序列进行拟合与预测分析,分别构建ARMA模型、GARCH模型以及ARMA-GARCH组合模型,通过模型比较,实证分析表明:在拟合效果上,ARMA-GARCH模型的拟合优度优于ARMA模型和GARCH模型;在预测效果上,ARMA模型的预测效果最优,ARMA-GARCH模型次之.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

基于ARMA模型的共享单车的投放预测与管理

共享单车作为城市公共交通的有效补充,对其使用情况进行预测能为共享单车管理部门的投放和统一管理提供依据.采用时间序列分析的方法,对城市某一公共场所共享单车的使用情况进行了观察记录,对所获得的序列X-user进行时间序列分析的方法建立了序列ARMA模型.根据所建立的ARMA模型对共享单车的使用情况进行了短期的预测,预测的结果与实际观察的结果具有较高的拟合度,验证了模型具有较好的预测效果.     

基于人工智能的黄金价格非线性组合预测

黄金价格时间序列数据具有较强的非线性,在采用单模型对其预测时较多采用线性模型、非线性模型以及加入外生变量的非线性模型.但是,单一模型较难全面体现黄金数据的非线性特征,因此,预测效果不很理想.在利用线性方法进行模型组合时若被组合模型与原数据序列无线性关系,此时采用线性组合预测效果较差,甚至组合后的模型预测精度低于被组合的单模型精度.为充分发挥单一模型的优势,采用人工智能的方法建立非线性组合预测模型,模型可有效利用各模型特点,预测精度优于采用的各单一模型.     

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Volterra自适应方法的水文混沌时间序列预测

Volterra泛函级数能够描述具有响应和记忆功能的非线性行为,一般用于非线性系统因果关系点对的预测,把Volterra自适应方法应用于水文混沌时间序列的预测研究是一个有意义的工作。论文针对水文系统的复杂性,基于混沌动力系统相空间重构技术,构建了水文混沌时间序列Volterra自适应预测方法,并采用NLMS算法调整滤波器参数,并就模型进行仿真计算,讨论了模型参数对预测精度的影响。直门达水文站月蒸发量混沌时间序列预测实验表明,水文混沌时间序列Volterra自适应预测方法,具有较好的预测精度和效果,拓展了水文预测报方法的研究途径。     

上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

基于贝叶斯估计的中国人均GDP之时序模型

本文应用SAS软件对1952-2009年的中国人均GDP建立时间序列模型并对2010-2013年的中国人均GDP进行了预测;在此基础上建立了以时间序列模型得到的参数信息作为先验信息的两种贝叶斯修匀模型与算法。由此所得的参数贝叶斯估计及预测,能充分利用样本信息和参数的先验信息,因而具有更小的方差或平方误差,估计参数更科学。为了检验该方法对先验分布的灵敏性,我们做了基于两种先验分布的模拟预测。将预测结果与传统时间序列预测相比,发现单一正态观测值、方差已知的先验分布的贝叶斯模型得到的预测值更准确,而基于先验分布为指数分布的贝叶斯模型的预测误差较大,预测效果差。     

基于门限自回归模型下物价指数时间序列分析

对于非线性、非稳定的时间序列, 门限自回归模型具有较好的预测效果. 本文根据四川省1952--2005年商品零售物价指数的资料, 运用门限自回归分析方法对四川省近五十年来的商品零售物价指数进行了时间序列分析, 得到的模型拟合效果较好, 并适合于短期预测, 从而为政府管理物价提供了较精确的数量依据.     

ARIMA模型在达尔文通信模式研究中的运用

首先利用ARIMA模型,研究了进化论的提出者查尔斯·达尔文(Charles R.Darwin,1809/02/12-1882/04/19)从1866到1879年期间的通信量变化规律,并根据模型优化的AIC和BIC准则求得ARIMA优化模型.接着,应用ARIMA优化模型,对达尔文1880至1881年的月通信数量的时间序列进行了预测.预测的月通信数量与实际通信数量的对比说明,ARIMA优化模型拟合效果良好,并能够较好的反映达尔文学术生涯后期实际通信量的时间变化规律.研究结果表明,ARIMA优化模型可以作为一种研究人类通信模式的有效模型加以广泛应用.     

移动GSM网话务量的ARIMA模型的建立及其预测

本文用ARIMA模型对株洲移动GSM网的话务量进行了建模分析和预报，研究表明ARIMA模型不但适合株洲移动GSM网话务量的非平稳时间序列的特点，而且预测效果比较理想。结果表明，ARIMA（1，1，1）提供了较精确的预测结果，可以用来对未来几周的话务量进行预测，有一定的实际价值。     

基于季节ARIMA模型的GSM话务量建模和预报

本文用季节模型对天津移动GSM网的话务量进行了建模分析和预报,研究表明用季节模型对移动话务量进行建模分析和预报是可行的,同时在文中我们还给出了带两个周期季ARIMA模型的一般表达式,并用这种带多个周期的模型对实际的网络业务进行了建模和预报。     

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。     

ARIMA模型在深圳GDP预测中的应用

对1979至2006年深圳国内生产总值进行了分析,建立了ARIMA(1,2,2)模型,检验结果表明该模型具有较好的预测效果,可为深圳制定经济发展目标提供决策参考.     

ARIMA模型在上海市全社会固定资产投资预测中的应用

本文采用自回归求积移动平均(ARIMA)法,对《上海市统计年鉴2002》提供的固定资历产投资额资料进行了分析。结果显示,ARIAM(1,1,10)模型提供较准确的预测效果,可用于未来的预测,并为上海市全社会固定资产投资提供可靠依据。     

儿童伤害住院费用ARIMA预测模型研究

目的拟合适合儿童伤害住院费用时间序列资料的预测模型。方法采用ARIMA模型对住院费用进行模型拟合。结果模型拟合得到的最优模型为ARIMA(0,1,1)×(0,1,1)2×(0,1,1)12模型,该模型预测2005年的平均住院费将为2849.7元,2006年的平均住院费将达到3117.7元。结论ARIMA模型适用于儿童伤害住院费用时间序列模型拟合以及费用预测,预测结果显示在没有外来干预因素影响的情况下,儿童因伤害住院的住院费用将会延续2004年以前的上升趋势持续上涨。     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

烟台地区降水量的AR IMA随机模型研究

采用自回归求积移动平均法(AR IM A),对烟台地区历年来的降水量动态数据进行了分析.结果显示,AR IM A(3,1,2)模型提供了较准确的预测效果,相对误差变化在0.21%~5.75%,可以用于未来的预测,并为烟台市降水量的预测提供了可靠依据.     

小波变换在期货价格序贯相关分析中的应用

针对金融时间序列普遍具有非平稳、自相关等特点,通常建立ARIMA模型进行识别.但模型的构建中,常受到一些随机扰动的影响,使模型拟合的误差增大.文章试将小波分析良好的局部性与ARIMA模型的简捷实用相结合,采用基于小波分析的累积式自回归滑动平均方法(WARIMA)拟合模型中的序贯相关,实证分析得出,WARIMA模型显著降低了拟合误差.