油田A类物资采购决策支持系统研究

结合大庆油田物资公司在重要供应链管理环节,即采购、需求和库存中所面临的实际问题(物资需求增加、仓储压力增大、采购成本增多)及三者之间的相互作用,基于预测和优化理论,构建了针对油田A类物资的采购优化和库存管理决策支持系统原型,包括：预测模块、优化模块和方案调整评估模块,为相关部门制定合理物资采购方案提供决策支持.进一步,以银浪仓库中的4种A类物资为例,运用该原型系统进行数值模拟. 结果表明,2009年和2010年4种物资的总成本节省率分别为10.35%和8.07%,效益可观. 考虑到油田物资数据结构不完备及优化模型的复杂性,该原型系统在大庆油田大规模推广方面仍需进一步完善.     

大庆油田物资采购及库存优化机制设计与模型研究

本文结合大庆油田物资采购中的实际问题, 考虑物资市场、需求、库存三方之间的不确定性和复杂性,分别讨论了物资采购价格时变、物资需求时变、以及不同仓储容量限制下的库存优化模型的研究进展。进一步,设计了针对大庆油田物资的采购及库存优化机制,并选取大庆油田实际采购中的4种A类物资,基于时间序列方法和0-1混合整数规划,分别对机制中的价格预测部分和策略优化部分进行了数值试算,结果表明,基于准确度较高的预测价格,运用混合0-1整数规划模型制定的多品种物资的最优联合采购策略,可以实现采购成本的节省,相比于4种物资2009年的实际采购成本,节约比率高达7.66%,同时价格预测的精度也得到了用户的认可。该机制为油田物资采购和库存优化管理项目中的辅助决策支持系统原型设计提供了参照。但考虑到大庆油田实际采购中的各种复杂因素的影响,还需进一步完善该优化机制,并对相关模型进行改进。     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．     

组合预测模型在农产品价格短期预测中的应用——以苹果为例的实证分析

以我国苹果批发市场价格为研究对象,利用2006年7月7日至2012年3月30日期间的300个周数据作为分析样本,通过对时间序列的平稳性、趋势性、季节性、异方差等数据特征进行统计检验,筛选出双指数平滑模型、Holt-Winters乘法模型、ARIMA(1,1,4)模型为我国苹果市场价格短期预测的适用模型,以此为基础,以误差平方和最小为最优准则建立了组合预测模型.经对未来3期的苹果市场价格开展预测,结果表明,组合预测的精度要高于单项时间序列模型,组合预测方法完全适用于农产品市场价格的短期预测.     

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.     

生猪市场价格风险预警的GRNN建模及其实证研究

为了对生猪市场价格风险进行预警,根据我国2009年1月-2011年8月14个指标的32组样本数据,建立了广义回归神经网络(GRNN)预警模型,其中训练样本29组,测试样本3组.训练样本和测试样本的均方根误差、平均绝对误差(AAE)和相关系数都非常接近,说明建立的模型具有较强的泛化能力和鲁棒性,测试样本的AAE为0.0062,平均相对误差为2.3%,说明建立的GRNN模型具有很高的预测精度,可用于我国生猪市场价格风险预警研究和实际预测,并为政府有关部门指导生猪生产和进行市场调控提供决策依据.     

基于ARIMA模型的中国铁矿石价格指数预测

中国铁矿石价格指数(CIOPI)自2011年10月起公开发布,这不仅对铁矿石买卖双方具有重要的价格指导意义,更是我国在争取铁矿石定价权上取得的实质性进展.为探究中国铁矿石价格指数的内在规律,以2017年5月8日至2018年6月1日的数据为训练集,用Holt-Winters滤波和ARIMA模型分别进行拟合和预测,对比未来5天的预测值与实际值,发现ARIMA(3,1,3)模型预测效果最好,平均相对误差为1.09%.结果显示,未来5日中国铁矿石价格指数将在235附近波动,呈现小幅上涨趋势.     

基于时间序列法的国税月度收入预测模型研究

研究了基于时间序列方法的国税月度收入预测. 通过采用Box-Jenkins的ARIMA模型, 结合国税月度收入数据, 分析并提出了一套针对月度税收收入的预测研究框架, 包括对税收预测模型的拟合、检验、预测、评价、动态修正等主要环节的处理方法. 在该研究框架的指导下, 以增值税、海关代征税和营业税为例, 对2006年各月的税收收入进行了模拟预测, 月度税收收入预测的平均相对误差分别控制在5.47\%, 8.63\%和2.37\%. 最后给出了在实际应用中动态修正税收预测模型的建议, 并简要讨论了时间序列方法在税收预测中面临的问题.     

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.     

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.     

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.     

Time Series Forecasting Based on the Logistic Curve

This paper presents a class of models which are designed for forecasting the net sales of a product when the stock of that product is believed to be subject to a saturation level. The forecast function for the stock takes the form of a general modified exponential, a family which includes the logistic as a special case. However, framing the model in terms of the net increase in the product enables a link to be made between the traditional approach to forecasting based on non-linear trend curves and the approach based on ARIMA models.     

The Application of Kernel Smoothing to Time Series Data

There are already a lot of models to fit a set of stationary time series, such as AR, MA, and ARMA models. For the non-stationary data, an ARIMA or seasonal ARIMA models can be used to fit the given data. Moreover, there are also many statistical softwares that can be used to build a stationary or non-stationary time series model for a given set of time series data, such as SAS, SPLUS, etc. However, some statistical softwares wouldn＇t work well for small samples with or without missing data, especially for small time series data with seasonal trend. A nonparametric smoothing technique to build a forecasting model for a given small seasonal time series data is carried out in this paper. And then, both the method provided in this paper and that in SAS package are applied to the modeling of international airline passengers data respectively, the comparisons between the two methods are done afterwards. The results of the comparison show us the method provided in this paper has superiority over SAS＇s method.     

Development of improved adaptive approaches to electricity demand forecasting

This paper develops a short-term forecasting system for hourly electricity load demand based on Unobserved Components set up in a State Space framework. The system consists of two options, a univariate model and a non-linear bivariate model that relates demand to temperature. In order to handle the rapidly sampling interval of the data, a multi-rate approach is implemented with models estimated at different frequencies, some of them with ‘periodically amplitude modulated’ properties. The non-linear relation between demand and temperature is identified via a Data-Based Mechanistic approach and finally implemented by Radial Basis Functions. The models also include signal extraction of daily and weekly components. Both models are tested on the basis of a thorough experiment in which other options, like ARIMA and Artificial Neural Networks are also used. The models proposed compare very favourably with the rest of alternatives in forecasting load demand.     

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。     

Point and interval forecasting for carbon price based on an improved analysis-forecast system

Effective analysis and forecasting of carbon prices, which is an essential endeavor for the carbon trading market, is still considered a difficult task because of the nonlinearity and nonstationarity inherent in carbon prices. Previous studies have failed at the analysis and interval prediction of carbon prices and are limited to point forecasts. Therefore, an improved carbon price analysis and forecasting system that consists of an analysis module and a forecasting module is established in this study; more importantly, the forecasting module includes point forecasting and interval forecasting as well. Aimed at investigating the characteristics of the carbon price series, a chaotic analysis based on the maximum Lyapunov exponent is performed, the determination of appropriate distribution functions based on our newly proposed hybrid optimization algorithm is conducted, and different distribution functions are effectively designed in the analysis module. Furthermore, in the point forecasting model, the phase space reconstruction technique is applied to reconstruct the sequences decomposed by variational mode decomposition due to the chaotic characteristics of the carbon price series, and the reconstructed sequences are considered as the optimal input–output variables of the forecasting model. Then, an adaptive neuro-fuzzy inference system model is trained by the newly proposed hybrid optimization algorithm, which is developed for the first time in the domain of carbon price point forecasting. Moreover, based on the results of point forecasting and the distribution function of the carbon price series determined by the analysis module, the interval forecasting results can be obtained and implemented to provide more reliable information for decision making. Empirical results based on the carbon price data of the European Union Emissions Trading System and Shenzhen of China demonstrate that the proposed system achieves better results than other benchmark models in point forecasting as well as interval forecasting.