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-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.     

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

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.     

基于机器学习组合模型的疟疾发病率预测研究

由于疟疾传播的复杂性,运用发病率历史数据和现有时间序列模型难以准确预测其发病率趋势.拟建立一种新的组合模型,以提高模型预测性能,并将其与应用较广泛的组合模型ARIMA-NNAR,ARIMA-LSTM进行比较.其中,以ARIMA(1,1,2)(0,1,0)12为基础建立的ARIMA-NNAR-XGBoost加权组合模型,...     

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。     

ARIMA时间序列模型和BP神经网络组合预测在铁路客座率中的应用

首先利用python3.5对铁路客座率原始数据进行预处理,然后利用ARIMA时间序列和BP神经网络进行单一的模型预测,得出单一预测模型的均方误差.在组合预测求解时,先求出ARIMA时间序列模型的误差向量E_1和BP神经网络的预测误差为E_2,由于这两种预测方法是相互独立的,因此误差向量E_1和E_2线性无关且组合预测误差向量为E=(E_1,E_2),得出组合预测平方和的形式为J-W~TEW,然后根据组合预测误差平方和最小的原则来确定权值w_1,w_2,最后求解凸二次规划问题得到权值并求出组合预测模型和均方误差.通过比较单一模型预测和组合预测的均方误差,得出结论:组合预测模型的精确度高于单一预测模型的精确度.     

ARIMA(p,d,q)与GM(1,1)模型在洪涝灾害预测中之比较研究——以广东省做实证分析

运用经济时间序列ARIMA(p,d,q)模型与GM(1,1)模型对广东省的洪涝灾害进行了预测.研究结论显示,所建立的ARIMA(p,d,q)模型能够较好的对洪涝灾害进行预测,模型可以运用到各种主要气象灾害风险预测与管理中,但所建立的GM(1,1)模型虽然具有很好的精度,但预测效果并不好.这充分体现了模型选择在预测过程中的重要性.     

改进LSTM网络对于时间有效性经济指标预测模型的研究

针对经济指标的预测,尤其是关于时间有效性的预测,具有重要的现实意义.通过筛选,得到对于起经济预测影响较高的指标.基于LSTM网络模型,对LSTM模型的初始权重及阈值进行了优化,提升了模型的经济预测效果.结合不同类型的灰度模型算法,重点体现时间有效性,进而构建新的组合灰度改进-BA-LSTM网络模型,将其用于经济指标的预测.利用其他三种不同的灰度模型和组合灰度模型分别结合效果更稳定的改进BA-LSTM模型对经济指标进行预测,实验结果证明,对比其他的经济预测模型,模型的精度更高,预测结果更准确,可以有效用于CPI和GDP等数据的预测,预测结果满足时间有效性要求,证明该模型的实用价值.     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

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。     

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.     

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.     

最优组合预测线性模型在旅游需求预测中的应用——以中国大陆赴澳门游客量预测为例

研究运用ARIMA、多元线性回归(MRL)、ADL_EC和VEC四种单一模型对中国大陆赴澳门游客量进行预测,运用等权组合、简单加权组合和熵值加权组合三种非最优组合预测及最优组合预测线性模型对单一模型预测结果进行优化,用平均绝对百分比误差(MAPE)和希尔不等系数(TIC)对优化结果进行评价与比较,确定最优组合预测线性模型是比较切合澳门入境旅游实际的预测模型,并运用其进行预测,达到了预期效果.     

基于时间序列方法的全国铁路旅客周转量的分析与预测

应用两种时间序列分析的方法对全国铁路旅客周转量的月度数据进行分析.运用X-11方法和季节ARIMA模型进行分析并分别对未来5个月的周转量做了预测,结果表明季节ARIMA模型优于X-11方法.通过对全国铁路旅客周转量的定量分析,为铁路部门在计算运输成本,劳动生产率,旅客平均行程等方面提供有效的依据.     

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.