基于时间序列AR(P)模型的边坡变形预测与应用

获取边坡的监测数据进行分析,并预测其接下来的变化趋势,具有重要的意义。本文以贵州省福泉市高坪矿区英坪矿段内边坡工程项目为研究对象,对监测数据采用时间序列AR(P)模型方法进行了分析与预测。研究结果表明,模型拟合的结果和预测精度较好地反映了监测点的变化趋势,可为矿区边坡模型建立和监测数据的预测提供一定的参考。

基于正态—Gamma共轭先验分布的贝叶斯AR(p)预测模型

本文系统地分析了AR(P)时间序列模型的数学模型及其条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态—Gamma先验分布情况下模型的贝叶斯推断理论,包括模型自回归系数和精度参数后验分布的统计推断、二次损失函数下参数的贝叶斯估计;同时,从统计数学方法上严格地证明了一步超前预测模型的预报分布为t分布。

基于多尺度下AR(P)耦合预测模型的应用研究

基于多尺度分析理论,运用Mallat算法和Daubechies小波,把时间序列分解为比原始序列更单一的细节和概貌部分,并利用AR(P)模型能反映时间序列中邻近时刻间联系的特性,对序列分解后的部分进行拟合与预测,然后再由多尺度分析中的重构方法进行序列重构,由此建立耦合的预测模型。通过黄河青铜峡270多年(1724～1997)年径流时间序列的建模及验证,表明拟建的耦合模型与传统单一模型的预测精度相比,由50%提高到90%,可用于实际需要。

缺失数据下AR(p)模型的估计方法

研究在缺失数据条件下,零均值AR(p)模型的估计方法.应用EM算法,给出了一个数据和连续两个数据缺失时的具体计算步骤.

基于MCMC方法的贝叶斯AR(p)模型分析

本文提出运用Gibbs抽样的MCMC方法,解决时间序列AR(p)模型贝叶斯分析过程中所遇到的复杂的数值计算问题,借数据仿真分析来说明运用WinBUGS软件建模的分析过程,得出以MCMC为基础的WinBUGS软件简便了贝叶斯AR(p)模型的实际应用的结论。

基于Lasso及Adaptive Lasso的AR(p)模型定阶及参数估计

Lasso类方法可以同时实现变量选择与参数估计,将之运用于AR(p)模型的定阶及参数估计,可以大大简化计算步骤和时间.本文在前人基础上利用Lasso类方法,改进了AR(p)模型的定阶与参数估计,通过计算机编程模拟,验证了此类方法的可行性,并比较了在不同样本量情况下,Lasso和Adaptive Lasso方法在定阶和参数估计两方面的优良性,最后将较优的Adaptive Lasso方法用于实际时间序列数据中,并对结果进行分析,指出了该方法的实用性.

AR(p)扰动下最小均方误差受控过程的联合监控

针对最小均方误差(Minimum Mean Square Error,MMSE)受控过程联合监控可控输入与过程输出这一问题,在任意阶自回归AR(p)平稳扰动模型下开发了一种通用的联合控制图,并将界内点排列非随机判异规则引入其中.同时,对AR(p)平稳扰动模型下生产过程的MMSE控制器和输入与输出的平均链长(Average Run Length,ARL)进行了推导.最后,通过仿真实验验证了该联合控制图的有效性.

AR(p)模型参数估计方法比较和实证分析

对时间序列AR(p)模型的参数估计YULE-WALKER法、最小二乘法、最大似然法三种估计方法进行分析和比较,从模型推导出最小二乘估计、最大似然估计实质上是同一种估计方法,应用MATLAB软件对我国CPI数据建立AR(2)模型并应用3种方法对其参数进行估计、模型检验、预测结果比较,得出的结论与理论推导相符,实证上说明AR(p)模型参数估计使用最小二乘法和最大似然法估计的结果是一样的。

补偿最小二乘估计精化AR(p)的变形建模与预测

以AR(p)模型为例,考虑模型误差对变形预测的影响,将模型误差看做非参数信号,采用半参数补偿最小二乘方法来处理,即利用半参数中的非参数分量表达模型误差;为更好地控制残差部分VTPV和光滑部分STRS之间的平衡,提出一种求解平滑参数α的Xu函数;最后,通过实例将精化后的AR(p)模型与灰色模型、灰神经网络模型、常规AR模型的结果进行了比较。结果表明,补偿最小二乘方法能有效地处理变形建模中存在的模型误差,具有较好的预测效果。

基于季节性AR(P)模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象.文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平穗序列,且序列具有明显季节性(月份)变化的特性。为此尝试建立季节性AR (P)模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。

具有AR(p)误差的非线性模型异方差和相关性检验

讨论随机误差是AR(p)序列的非线性回归模型的异方差和自相关性检验问题.首先导出联合检验的score统计量,然后利用参数的正交变换,得到了调整的score检验统计量.当模型存在自相关性时,给出了检验异方差性的score统计量和调整的score统计量.最后利用得到的检验方法分析了氯化物数据,分析结果表明,该数据具有显著的异方差和AR(2)相关性.

尤尔建立时间序列线性自回归AR(P)模型的历史过程探析

文章透过尤尔的生平经历及研究背景,立足于原始文献,从变量差分方法和无意义相关以及时间序列的分类等基础性工作出发,深入探讨了模型的历史形成过程及其意义。

基于AR(p)模型的渭河水质预测

对溶解氧序列的检验结果为平稳序列及非白噪声序列,结合水质标准,建立AR预测模型,预测水质所处状态,从而指导工农业生产及水质治理.

椭球分布AR(p)序列的Bayes建模与预报

本文中，设ＡＲ（ｐ）序列的样本分布为椭球分布，ＡＲ（ｐ）序列的噪声为椭球白噪声。我们得到模型参数的Ｂａｙｅｓ估计，又得到Ｂａｙｅｓ预报。

AR(p)模型在中国总人口预测中的应用

利用AR(p)模型对我国总人口进行了动态预测.通过实证分析,对模型进行了检验,短期预测误差较小,应用效果比较符合实际。

多维AR(p)与指数平滑组合预测算法的研究及应用

介绍了时间序列多维AR(p)模型和指数平滑模型的理论和方法,将这两种模型结合起来构成新的组合预测模型,并用于预测测井曲线.应用实例证明,多维AR(p)与指数平滑组合预测模型比单独用多维AR(p)预测模型有更高的预测精度.表明该组合预测模型是一种非常有效的预测新方法.

多维AR(p)模型的估计理论及应用

叙述了多维AR(p)模型的分析与处理方法、多维AR(p)预测模型的建模过程及参数估计的计算方法,并将该模型在测井曲线的预测中加以实际应用.应用结果表明:本预测模型对多维动态数据进行预测是可行的.

基于AR(p)模型的实时数据处理技术的研究与应用

在分析数据建模的数据质量时,提出了一种基于AR(p)模型的数据处理方法。该方法能处理不同的误差干扰,进行有效的数据预测,防止数据丢失及数据错误。该方法在水下机器人作业的数据事例中,收到了良好的效果。

AR（p）序列部分和分布的随机加权逼近

对于自回归系数未知的ＡＲ（ｐ）序列，本文构造了适当的随机加权统计量，以其条件分布逼近ＡＲ（ｐ）序列的部分和分布，在相当一般的条件下，证明了其逼近精度可达，其中ｎ为样本容量。

AR(p)与指数平滑组合预测算法

本文提出一种对铜锍品位进行预测的新方法 ,以采集的现场数据为基础 ,采用系统辨识动态地建立了 AR( p)模型与三次指数平滑模型。 AR( p)模型要求数据对象是平稳时间序列 ,而三次指数平滑模型的数据对象具有随机性 ,考虑到铜锍品位的波动性 ,本文将二模型按最小二乘法原理 ,以组合预测误差平方和为目标函数 ,通过使误差平方和极小化来确定两种预测方法的优化 ,建立了一种新的组合模型 。