路面平整度的时间序列模型

介绍非标准道路的路面平整度的时间序列模型,研究道路实测数据的时间序列模型.通过对实际路段的数据采集,进行道路平整度实例分析和道路平整模型的平稳性检验、模型的识别和估计,确定了模型参数,检验模型的适用性.实例表明了模型的置性度和合理性.     

具有双线性BL(1,1,1,1)误差的非线性回归模型相关性和方差齐性的检验

在时间序列回归模型分析中,相关性和方差齐性的检验是一个很基本的问题.本文讨论了具有双线性BL(1,1,1,1)误差的非线性回归模型的相关性和方差齐性的检验问题, 用Score检验方法给出了双线性项检验、相关性检验、方差齐性检验、以及相关性和方差齐性同时检验的检验统计量.推广和发展了具有线性序列误差项回归模型的结果.本文还用数值实例说明了检验方法的实用价值.     

基于图方法的自回归和双线性时间序列模型系数的检验

自回归和双线性时间序列模型被表示为时间序列链图模型.在此基础上, 证明了自回归和双线性模型的系数为其他时间序列分量给定的条件下的条件相关系数.然后提出基于图的检验方法来检验自回归和双线性模型系数的显著性, 模拟结果表明此方法在水平和功效方面表现很好.     

基于NEGM(1,1)模型的因果预测方法及应用研究

非等间隔时间序列在工程技术问题中是常见的.研究了一类非等间隔广义时间序列的预测问题,也就是将因果预测模型中的自变量作为广义时间,应用NEGM(1,1)模型将因果预测转化为时间序列预测,并应用空军航材消耗实例进行了模型检验.实践表明本文的方法具有广泛的使用价值.     

随机激励下四自由度车辆-道路耦合系统动力分析

采用四自由度车辆模型,以 Gauss平稳随机过程模拟路面的不平整度,编制程序得到不同路面等级下的不平整度序列;并将车辆和道路看作一个相互作用的整体系统,建立了车辆 道路耦合系统的动力平衡方程.在对车辆施加随机激励时,为了简化分析过程,避开以往研究中使用随机振动理论求解动轮胎力的复杂性,将得到的路面不平整度序列,直接以向量的形式输入到所建立的动力平衡方程中.基于增量形式的Newmark-β法开发了一个MATLAB程序对该方程进行求解.并对所提出的理论模型进行了试验验证,证明了模型的可靠性.随后,通过一个实例,分析了车速变化、路面等级变化对车辆动荷载系数和车体垂向加速度的影响.最后,对不同路基刚度对车辆振动特性的影响规律进行了探讨.     

青岛港货运吞吐量的时间序列模型

运用时间序列分析方法对时间序列建立ARMA,ARIMA模型.搜集了青岛港1999年1月～2003年5月的货运吞吐量数据,对进行分析,建立了青岛港货运吞吐量的模型.通过预留的部分数据对模型进行检验,并对模型的残差进行检验,得出模型比较合理.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

随机设计下非参数回归模型方差变点Ratio检验

研究随机设计下非参数回归模型方差变点Ratio检验.首先用局部多项式方法估计回归曲线得到残差序列,其次基于残差的平方序列构造Ratio检验统计量并推导检验统计量的极限分布.最后数值模拟与实例分析结果表明方法的有效性.     

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.     

线性度量误差模型的序列相关检验

回归模型的序列相关检验是经济和金融数据分析中的一项重要的工作.基于最小二乘残差,作者提出了一个检验统计量以检验线性度量误差模型的误差序列是否存在序列相关性.在零假设下,得到了检验统计量的渐近分布.数值模拟结果表明,这里提出的检验统计量具有良好的有限样本性质.     

基于BP神经网络的道路交通事故预测

道路交通事故预测是交通研究的一个重要课题.以我国交通安全状况为研究对象,依据我国道路交通事故的特点,利用神经网络具有自学习、自组织、自适应能力特性,运用神经网络的方法及我国多个年度道路交通事故统计数据,建立了道路交通事故神经网络宏观预测模型,预测精度符合道路交通事故预测的要求.     

Generalized discrete autoregressive moving‐average models

This article proposes the generalized discrete autoregressive moving‐average (GDARMA) model as a parsimonious and universally applicable approach for stationary univariate or multivariate time series. The GDARMA model can be applied to any type of quantitative time series. It allows to compute moment properties in a unique way, and it exhibits the autocorrelation structure of the traditional ARMA model. This great flexibility is obtained by using data‐specific variation operators, which is illustrated for the most common types of time series data, such as counts, integers, reals, and compositional data. The practical potential of the GDARMA approach is demonstrated by considering a time series of integers regarding votes for a change of the interest rate, and a time series of compositional data regarding television market shares.     

An angular–linear time series model for waveheight prediction

The modeling of the dynamic relationship between the changes of the wind and the waveheight has been an important topic from various standpoints such as oceanography, technology and navigation safety. Generally, when we apply the standard statistical models for the waveheight prediction, the observation of wind direction has been treated as the ordinary time series data, not reflecting unique properties as directional data. In this article, we develop a time series model with linear and angular–linear variables, by extending the angular–linear regression model considered by Johnson and Wehrly. Our prediction test based on extrapolation suggested the possibility that the angular–linear time series structure gave positive effect on improving the prediction accuracy of the time series model, in which the original wind direction is included as a linear variable.     

路段加油站布局模型

加油站选址和布局是加油站运营的关键因素.本文证明了车辆在L路段上的加油量等于L路段上的成品油消耗量,以此为基础构造了路段加油站布局模型,通过实测某国道某路段的实际通过车流量,展示了模型的具体应用.     

布拉德福曲线的威布尔模型

为了克服原有布拉德福曲线的模型不能描述格鲁斯段的缺陷,通过分析布拉德福数据排列的特点、分析期刊文献产生的机理、提出假设、建立微分方程、解微分方程、参数分析等一系列步骤,获得了布拉德福曲线的威布尔模型.通过实证对比分析,模型优于原有的斯马里科夫统一方程和莱姆库勒模型.     

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.     

Diagnosing and modeling extra‐binomial variation for time‐dependent counts

This article considers the modeling of count data time series with a finite range having extra‐binomial variation. We propose a beta‐binomial autoregressive model using the concept of random coefficient thinning. We discuss the stationarity conditions, derive the moments and autocovariance function and consider approaches for parameter estimation. Furthermore, we develop two new tests for detecting extra‐binomial variation, and we derive the asymptotic distributions of the test statistics under the null hypothesis of a binomial autoregressive model. The size and power performance of the two tests are analyzed under various alternatives taken from a beta‐binomial autoregressive model with Monte Carlo experiments. The article ends with a real‐data example about the Harmonised Index of Consumer Prices of the European Union. Copyright © 2013 John Wiley & Sons, Ltd.     

A hybrid macroscopic-based model for traffic flow in road networks

Recently, the unquestionable growth of interest to increase the operational efficiency and capability of transportation systems led to the development of a large number of traffic modeling theories. One of the major operational issues when developing a transportation system management model lies in the selection of the appropriate methodological approach with respect to several decisions, such as the selection of the type of input and output data as well as the qualitative representation and the computational power of the model. Despite the considerable effort in the area, there is still not an approach which per se models effectively the various dynamically evolving features of traffic in road networks. The present paper addresses this issue by introducing a new hybrid approach which combines the complementary features and capabilities of both continuum mathematical models e.g. 1, 6, 23 and 26 and knowledge-based models e.g. 7, 22 and 28 in order to describe effectively traffic flow in road networks.     

基于GAS模型的动态VaR预测效果分析

GAS模型是一种基于观测的动态模型,理论简单且应用灵活,可以直接估计VaR.将GAS模型和GARCH类模型应用于不同条件下生成的模拟数据和三个时间段的沪深300指数的日对数收益率数据,并比较模型关于VaR的预测效果。结果表明:在对称的条件分布下,GAS模型容易高估风险且不稳健,其表现不如GARCH类模型;但在条件分布为有偏的时,GAS模型与GARCH类模型的表现相当,部分情况下会优于GARCH类模型,尤其在实证分析中关于序列2和序列3的VaR的估计,GAS模型的预测效果较好。因此,实际应用中,对于具有较明显偏态分布或尖峰分布的数据可以考虑使用GAS模型预测动态VaR.     

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.