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.     

PM2.5扩散模型及预测研究

以武汉为例,以高斯扩散模型为基础研究PM2.5的扩散与衰减规律,充分考虑影响PM2.5扩散的因素,分析地面与建筑物边界反射、干沉积、雨洗湿沉积及湿度的影响,逐步改进高斯扩散模型,并引入时间t,计算当点源持续污染情况下,污染源上风和下风L公里处的浓度.通过数值仿真,得到距污染源下风向距离一定条件下污染扩散浓度的分布规律,预估突发情形下PM2.5的扩散距离及安全区域,结合三维图及平面图分析危险区及安全区.最后,结合小波理论及神经网络理论,提出小波神经网络的结构及算法,并通过Matlab实现了对PM2.5值的预测,并取得较高的预测拟合度.     

基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

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.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

空气中PM2.5的动态扩散及宏观预测

以PM2.5扩散、衰减模式为研究对象,分析探究了PM2.5的扩散规律、危机治理及其后5年的治理问题.首先通过主成分分析法,建立了PM2.5与其它污染物之间的多元非线性对数模型.同时引入相对湿度的影响因素对模型进行再度优化,提高了模型的拟合优度.运用统计学原理,得出采集点之间的PM2.5具有较高的协同性.另外分析了静态下PM2.5污染物颗粒的受力和漂移模式和从点源、面源两方面分析了PM2.5动态扩散模式,建立了PM2.5的扩散偏微分方程模型.根据建立的扩散模型,对突变的污染物浓度确定安全区域的范围.最后建立综合费用和专项费用的多目标优化模型,利用贝叶斯支持向量机方法对PM2.5进行宏观预测,并运用系统动力学理论对目标值进一步优化,并对不同治理模式进行对比分析.     

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.     

空气中PM2.5的扩散衰减与预测分析

以西安市2013年1月1日-9月19日的空气污染监测数据为例,采用非稳态的二维多箱模型,综合考虑了风向、季节等因素的影响,对西安市PM2.5的面源污染扩散和衰减规律进行模拟预测,计算模型相对误差;再选用高斯模型对某一天西安市突发情况下PM2.5浓度扩散情况进行点源污染扩散预测,并评价模型的有效性.     

上海未来短期客运量的预测分析——基于最小二乘法改进的GM(1,1)模型

客运量受诸多因素影响因此数据波动性大,并且具有小样本性及贫信息等特点.采用基于最小二乘法改进的GM(1,1)模型,对上海市的客运量进行短期预测.首先介绍了普通GM(1,1)模型的建立方法;然后通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性建立改进的新GM(1,1)模型;其次结合2005-201.4年数据建立预测模型;最后使用2014年数据对模型可靠性进行验证.结果表明该预测方法精度高误差小,改进的模型预测结果更加接近实际值.该模型为其他相关预测提供了理论依据,也便于上海市对未来交通运输的宏观调控.     

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.     

股票指数的时间序列模型分析

借助于SA S软件将工程中的K a lm an滤波方法与时间序列的状态空间模型结合对上海A股指数进行了拟合与预测分析,通过对拟合与预测误差的计算可以发现这种模型是可行的;然后还把与滤波结合的状态空间模型的分析结果和常见的时间序列模型如:AR IM A模型、逐步自回归模型以及指数平滑模型的分析结果进行比较,比较的结果说明结合滤波的状态空间模型分析的结果比后三种的结果更加精确.结果为时间序列数据分析提供了一个较好的分析工具.     

基于GARCH类模型和SV类模型的沪深两市波动性研究

以CSMAR数据库2007年2月27日至2008年5月14日共297个交易日的上证综指和深证综指的收盘价数据为研究对象,通过比较5类GARCH模型和两类SV模型对上证综指和深证综指样本内(2007年2月27日至2008年2月27日)收益率波动特征的描述能力以及样本外(2008年2月28日至2008年5月14日)收益率波动的预测能力,得出GARCH类模型相比SV类模型更适合描述中国证券市场的波动性.     

上海股市波动的预测方式和模型

探讨基于 SV类模型的上海股市波动的预测方式和模型问题 .比较了 SV( stochastic volatility)类模型 (包括基本 SV模型和 ASV模型 )在两种不同方式下的预测效果 ,并将基本 SV类模型的预测效果与 ASV模型 ,以及其他常用模型做了比较 .结果表明 :SV类模型在两种预测方式下的预测效果存在一定的差异 ;基本 SV模型对于上海股市具有较强的预测能力 ;ASV模型的预测效果不理想 .     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

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。     

基于GARCH模型族的中国股市波动性预测

收益与风险历来都是投资者与研究者所关注的问题 .本文选取 GA RCH、TGARCH和 EGARCH模型来拟合中国股市的波动性 .实证分析结果表明 ,中国股市的波动具有显著的波动聚类性与持续性 ;由 E-GARCH模型所预测的上证 30指数、上证综合指数和深证成份指数未来一天的波动要明显优于 GARCH和TGARCH模型的对应值 ,而对香港恒生指数 ,三种模型的预测结果无显著的差异 .     

ARIMA乘积季节模型及其在传染病发病预测中的应用

本文研究乘积季节模型在传染病发病情况预测中的应用,并探讨提高模型准确性和实用性的途径.以1980年1月至2000年7月江苏省肾综合征出血热发病资料建立模型,以2000年的发病资料作为模型预测效果的考核样本.首先采用差分方法对序列资料进行平稳化,然后进行定阶并估计参数,建立乘积季节模型,最后对预测结果进行检验和分析.从而更好地掌握未来疫情动态发展趋势.检验结果表明,用乘积季节模型对肾综合征出血热月发病情况的拟合结果满意,预测效果良好.     

盈余管理计量模型效力的实证研究

本文以随机抽取的上海和深圳证券交易所的1000家被并购上市公司为样本,研究了盈余管理计量模型的检验效力问题。本文通过三种验证各模型效力的实证方法比较了6种盈余管理的计量模型。研究发现:第一类误差的方法认为Healy模型、修正的琼斯模型和前瞻性修正的琼斯模型能有效地检验出盈余管理行为:预测误差标准方法则认为前瞻性修正的琼斯模型是最优的模型:而根据对操纵性应计部分的短期效应的实证则认为Healy模型、修正的琼斯模型、KS模型和前瞻性修正的琼斯模型是较优的计量模型。在综合考虑各种实证结果和中国资本市场实际情况的基础上,认为前瞻性修正的琼斯模型在中国证券市场检验盈余管理行为的效力最强。     

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.