组合模型在我国能源需求预测中的应用

文章首先比较了不同的能源需求预测方法的特点,并选择确定性加随机性时间序列组合模型对我国能源需求进行预测,然后详细介绍了建模的过程,并对模型预测精度和参数稳定性作了评价,结果表明本文采用的组合模型是一种比较有效的预测方法,最后用该模型对我国2004~2020能源需求进行了预测。     

广东省能源消费的ARIMA模型预测分析

对1985-2008年广东省能源消费总量数据序列进行分析,建立了ARIMA(2,2,2)模型,检验结果表明,该模型对原始数据序列有较好的拟合效果,模型的预测效果良好,可用于短期外推预测.     

CPI数据预测计算的ANFIS模型结构探讨

依据CPI经济序列数据确定性混沌原理,探讨自适应神经模糊推理系统模型构造,并给出此类混沌数据列预测的ANFIS系统结构形式,进行CPI经济序列数据预测.并用实例拟合、预测数据证明:ANFIS模型是一种精度较高的混沌数据序列预报系统.为CPI数据预测提供了一种计算方法.     

优化背景值的GM(1,1)幂模型及其应用

GM(1,1)幂模型中幂指数的连续性,使得模型在一般的S形曲线序列的预测和拟合中具有更广泛的实用性.通过将背景值转化为相邻序列点的确定性函数建立了改进的GM(1,1)幂模型,给出了背景值序列的有关性质,借助已有文献中的算例验证了模型在拟合和预测方面的优越性.     

基于HP滤波和ARMA-GARCH模型的人民币汇率趋势预测

在复杂多变的金融市场,人民币汇率的变化受多种因素的影响,而人民币汇率的变化又影响着经济生活的方方面面,人民币汇率及其变化特征受到人们的广泛关注,研究人民币汇率变化特征,正确分析与预测人民币汇率的走势,对于国家和各个经济主体制定金融政策和投资决策具有十分重要的意义,采用HP滤波法将汇率数据序列分解为趋势成分序列和波动成分序列,然后使用自回归和ARMA-GARCH模型分别进行拟合和预测,通过实证分析发现模型有着较好的预测效果,可以为金融产品的预测研究和制定金融政策提供参考。     

考虑风电出力及负荷预测误差的安全经济运行模型

充分考虑了风电并网和负荷预测不确定性,引入净负荷的概念,实现对风电和负荷预测误差发生概率的综合考虑。通过场景概率的研究,以包括确定性成本和随机性成本在内的综合调度成本最小化为目标函数,构建安全经济运行模型。算例分析表明,本文构建的随机安全运行计划模型相比于传统的确定性模型能够更有效地降低系统运行成本,结果同时显示,根据系统容量和负荷需求合理配置风电装机容量,是减少弃风量、提高供电可靠性的重要手段。     

基于关联面积的变权组合预测方法及其应用

变权组合预测方法是一种应用非常广泛的组合预测方法,它能够有效提高组合预测方法的预测和拟合精度.为了提高拟合精度,利用各个单项预测方法与原始数据序列在两个相邻时刻的关联面积以及关联度,给出了一种确定变权组合预测模型变权重系数的方法.最后利用该变权重的组合预测模型建立了新疆建设兵团城镇化发展水平的变权组合预测模型,结果表明这类变权组合预测方法具有较高的预测和拟合精度.     

南通地区月降水量时间序列分析

根据南通地区1989年-2005年月降水量数据,在统计检验其平稳性、纯随机性的基础上,结合谱分析,建立该地区具有季节效应的疏系数ARIMA月降水量时间序列模型,对模型作了拟合预测检验.研究表明,多个模型的联合使用比单一模型更利于准确拟合预测.     

基于趋势修正的灰预测模型优化研究

针对序列增长趋势不完全满足准指数规律时的灰色预测建模问题,提出基于GM(1,1)模型与序列增长趋势之间偏差修正的建模方法,将GM(1,1)模型还原式中的常数项作为灰变量处理,加入调整系数以缩小拟合值与实际值之间的增长趋势差异,利用灰色离散模型拟合调整系数的变化过程,将得到的调整系数拟合值带入原时间响应函数,进而得到趋势修正的原始序列拟合值;运用新的建模方法对南京市第三产业用电量进行拟合和预测,证明了方法有效提升了GM(1,1)建模精度,并且拟合序列和实际序列的灰色绝对关联度得到提高.     

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。     

部分线性模型在北京市税收分析和预测中的应用

首先运用主成分分析方法对北京市经济指标数据进行降维处理,然后基于降维后的数据拟合部分线性模型.将拟合后的模型对2008年北京市税收进行预测,所得结果优于常用的逐步线性回归分析方法的预测结果.     

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.     

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.     

SARIMA模型在肾综合征出血热发病率预测中的应用

目的:探讨应用时间序列SAR IM A模型进行肾综合征出血热发病率预测的可行性.方法:首先利用余弦函数模型分析肾综合征出血热季节性发病规律,其次进行扩充迪基富勒的平稳性单位根检验,然后根据自相关函数和偏自相关函数判别月别疫情间的相关性,最后基于1990年-2004年逐月发病率进行SAR IM A模型建模拟合,利用2005年各月发病率进行外推预测,并与实际值进行比较.上述统计分析采用Ev iew s3.1和SPSS12.0软件完成.结果:余弦函数确定的高峰时点为3月中旬,高峰时区为3月1日到4月3日.含第一谐量的余弦方程为:^Y1 i=1.274-0.945cos(ti-76.684),决定系数R2=0.853;在备选模型中,SAR IM A(1,0,0)×(2,0,0)12模型不仅很好地拟合了既往时间段上的发病率序列,而且对2005年各月发病率的预测值符合实际发病率变动趋势.结论:余弦函数对于褐家鼠型肾综合征出血热疫情季节分布拟合较好,SAR IM A模型能很好地模拟传染病发病率在时间序列上的变动趋势,并对未来的发病率进行预测,为传染病防制工作服务.     

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.     

基于灰色时滞OBGM-BP神经网络模型的滑坡变形预测

旨在研究大气降雨因素影响下的滑坡变形预测.文章首先使用时滞灰关联分析提取滑坡位移相对降雨量的滞后期特征;然后将该时滞因子引入多变量OBGM(1,N)模型,构建带时滞因子的一种新OBGM模型,以模拟滑坡位移序列趋势特征;以BP神经网络模型拟合具有较强随机性的滑坡位移偏离量;最终建立带时滞因子的灰色OBGM-BP神经网络组合模型来预测滑坡位移.应用模型对长江三峡库区新铺滑坡作实际模拟和预测,结果显示本文模型具有较强的趋势跟踪性能和有效性,对制定滑坡灾害防治策略和措施具有一定实际参考意义和辅助决策作用.     

非等间距序列的灰色模型

在对原始数据序列的一次累加生成时 ,考虑序列的间距 ,提出了对非等间距序列建立 GM( 1,1)模型的基本理论和方法 .通过对算例进行的计算 ,表明本文提出的方法概念明确、计算方便、有较高的拟合和预测精度 .对解决各个领域中广泛存在的非等间距序列的建模拟合和预测问题提供了一种比较好的方法     

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。     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于改进BP神经网络的电力负荷预测

在现有文献研究的基础上,对BP神经网络进行了深入研究,提出了一种新的LAFBP模型,给出了模型的标准BP算法、改进BP算法、权值和阈值的初始化方法.在此基础上,用新的LAFBP模型与传统的标准BP模型对黑龙江省巴彦县的电力负荷进行了预测.预测结果表明,新的LAFBP模型不仅克服了传统的BP模型外推效果不好的缺点,而且在模型的拟合精度、学习时间和学习次数方面明显优于传统的BP模型.