基于ARIMA和LSSVM的非线性集成预测模型

针对复杂时间序列预测困难的问题,在综合考虑线性与非线性复合特征的基础上,提出一种基于ARIMA和最小二乘支持向量机(LSSVM)的非线性集成预测方法.首先采用ARIMA模型进行时间序列线性趋势建模,并为LSSVM建模确定输入阶数;接着根据确定的输入阶数进行时间序列样本重构,采用LSSVM模型进行时间序列非线性特征建模;最后采用基于LSSVM的非线性集成技术形成一个综合的预测结果.将该方法用于中国GDP预测取得的结果,与单独预测方法及流行的其他集成预测方法相比,预测精度有了较大的提高,从而验证了方法的有效性和可行性.     

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SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

时间序列分析在我国农业总产值预测中的应用

应用时间序列分析的方法,运用R软件,对我国1978—2015年各年的农业总产值数据进行了分析.首先,绘制时间序列图,计算自相关系数与偏自相关系数,根据自相关系数图与偏自相关系数图进行纯随机性检验,并在此基础上,建立了两个模型:ARIMA(1,1,3)模型和ARIMA(1,2,1)模型;然后,对这两个模型获取残差序列,对我国2016—2022年农业总产值进行了预测;最后,通过与我国2016年和2017年实际的农业总产值进行比较,结合预测模型的AIC值和残差序列的p值等多重因素考虑,认定ARIMA(1,2,1)模型拟合程度较好,可用于对我国农业总产值进行有效预测.     

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.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

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。     

一种线性ARIMA基础上的非线性BP神经网络修正组合方法在粮食产量预测中的运用

对我国粮食产量预测工作作出了重大贡献.通过线性规律和非线性规律的区分,构建了自回归移动平均(ARIMA)和BP人工神经网络的组合预测模型,结论显示:ARIMA和BP算法能够各自对粮食产量序列中的线性和非线性规律实现充分挖掘,拟合精度几乎达到完美的程度,克服了以往单一预测和组合预测中信息挖掘能力不足的缺陷.     

神经网络在复杂自相关预测过程中的应用及对比研究

由于PM_(2.5)日均浓度值受外界多重复杂因素的影响,其较强的自相关性使得时间序列模型ARIMA构建难以实现,因此,给出高映射能力的非线性神经网络预测模型,并分别建立基于BP神经网络和GRNN神经网络的预测模型,进行PM_(2.5)浓度预测实验.结果表明,BP神经网络回检过程和检测过程存在不稳定性,预测残差波动较大,而GRNN神经网络检测残差呈完全U型,回检过程和检测过程较稳定,并且GRNN神经网络回检数据拟合度、预测数据精度和运算速度均优于BP神经网络,建模过程更为方便,易于实际应用.     

Forecasting nonlinear time series with a hybrid methodology

In recent years, artificial neural networks (ANNs) have been used for forecasting in time series in the literature. Although it is possible to model both linear and nonlinear structures in time series by using ANNs, they are not able to handle both structures equally well. Therefore, the hybrid methodology combining ARIMA and ANN models have been used in the literature. In this study, a new hybrid approach combining Elman’s Recurrent Neural Networks (ERNN) and ARIMA models is proposed. The proposed hybrid approach is applied to Canadian Lynx data and it is found that the proposed approach has the best forecasting accuracy.     

灰色预测法的进一步推广及应用

把原始时间序列进行多次累加,产生多个新序列,研究它们之间的关系,建立多元线性(或非线性)回归模型.给定显著性水平α,对回归方程进行显著性检验,在置信度1-α下,利用微分,差分关系建立相应的高阶微分方程,从而实现对原序列的预测或控制.该方法进一步推广了灰色预测法,为时间序列建模提供了一个新手段,一些著名的微分方程模型成为这一方法的特例,最后,用该方法对中国1979年至2008年的GDP序列建立微分方程模型并进行预测.     

Optimized prediction model for concrete dam displacement based on signal residual amendment

The traditional statistical model of concrete dam's displacement monitoring is used widely in hydraulic engineering. However, the forecasting precision of the conventional calculation model is poor due to the antiquated method of information mining and weak generalization capacity. Furthermore, the uncertain chaos effect implied in residual sequence is also intractable for modeling. In consideration of the nonlinearity, time variation, and unsteadiness of the chaotic characteristics of a dam time series, multiscale wavelet technology is used to decompose and reconstruct the residuals of multiple regression models. The fitting prediction of the low-frequency autocorrelation part is completed through the linear training ability of the autoregressive integrated moving average (ARIMA) model, and the support vector machine (SVM) regression model is constructed to optimize and process the nonlinear high-frequency signal. Then, a combined forecasting model for concrete dam's displacement based on signal residual amendment is established. The analysis of an engineering example indicates that the combined model built in this study can identify the time–frequency nonlinear characteristics of the prototype monitoring signal well, thus improving its fitting precision, antinoise ability, and robustness. In addition, the combined mathematical model established in this study is improved and developed for application to the prediction analysis of the effect quantities of other hydraulic structures.     

Forecasting business cycle with chaotic time series based on neural network with weighted fuzzy membership functions

This study presents a forecasting model of cyclical fluctuations of the economy based on the time delay coordinate embedding method. The model uses a neuro-fuzzy network called neural network with weighted fuzzy membership functions (NEWFM). The preprocessed time series of the leading composite index using the time delay coordinate embedding method are used as input data to the NEWFM to forecast the business cycle. A comparative study is conducted using other methods based on wavelet transform and Principal Component Analysis for the performance comparison. The forecasting results are tested using a linear regression analysis to compare the approximation of the input data against the target class, gross domestic product (GDP). The chaos based model captures nonlinear dynamics and interactions within the system, which other two models ignore. The test results demonstrated that chaos based method significantly improved the prediction capability, thereby demonstrating superior performance to the other methods.     

基于ARIMA的基金组合绩效成长性的预测

对投资机构而言,准确预测其投资组合的成长性能够为其未来的组合管理提供有效参考.ARIMA时间序列模型能够针对具有时间序列属性的数据进行预测.选取三只债券型基金组成投资组合A并计算其组合指数,以中信标普全债指数为参考,通过ARIMA时间序列模型预测投资组合A的组合指数与中信标普全债指数的差额来预测投资组合A的成长性.     

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。     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显示,XGBoost时序模型比经典的时间序列预测模型ARIMA模型、BP神经网络模型、贝叶斯时序模型具有更高的预测精度.在此基础上,运用XGBoost时序模型对我国2019-2023年的GDP进行短期预测,研究结果显示,未来5年我国GDP依然保持持续稳定增长趋势.     

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。     

基于ARIMA的油田A类物资市场价格预测

本文研究了油田A类物资的市场价格预测。采用时间序列方法中的ARIMA模型,结合油田物资历史价格数据,分析并提出了一套针对油田A类物资的市场价格预测模式。该模式包括两个模块:样本集模块和ARIMA模块。样本集模块的主要功能是样本集的输入和实时更新;ARIMA模块包括了价格预测模型的拟合、检验、预测、评价、动态反馈和调整等主要环节。在该模式的指导下,以大庆油田A类采购物资中的小螺纹钢(20-HRB335)(天津、石家庄和沈阳3个产地)为例,对2011年各月的市场价格进行了模拟预测,预测的平均相对误差分别控制在2.13%,1.64%和1.82%,该结果得到了用户的认可。该预测模式的运用对大庆油田物资集团制定合理的物资采购方案提供了依据。结论部分对该预测模式的意义及存在问题进行了分析,并给出改进建议。