ARIMA-GARCH随机收益鞅过程下幂型交换期权定价

为了更好地体现现实的股价中漂移率和波动率对其资产价格的影响,利用随机微分方程和其解中都含有的漂移率和波动率,在传统的资产定价中加入漂移率和波动率的鞅表示算法,利用测度变换确定资产价格.最终在经典的ARI-MA和GARCH过程基础上联合建立了一个反映股价非线性特点的随机过程ARIMA-GARCH过程,对奇异期权定价提高精度,通过过去信息对具有线性幂型交换期权进行高精度定价.

基于ARIMA模型对北京垃圾分类对策的计量分析

针对垃圾分类对策,首先运用相关分析法研究了北京市常住人口、居民消费水平与垃圾总量之间的关系,运用ARIMA模型对北京市未来垃圾生产总量进行预测,使用SPSS等软件进行处理,研究得出北京市2020至2024年垃圾生产总量的变化情况。其次,运用层次分析法给出垃圾分类方案,并据此为北京市制定了一份垃圾分类实施计划,使垃圾分类更容易实施并被人们接受。

ARIMA模型在LMT数据处理中的应用

为了解决LMT时间序列出现的缺失和强干扰现象,根据实测资料数据量大、非线性、非平稳性等特点,首次采用ARIMA模型进行预测和填补,基于平稳性检验和贝叶斯信息准则确定模型阶数,采用最小二乘原理确定模型参数,建立双向预测模型和线性合并方法进行预测,并对比ARIMA模型和AR模型预测数据的准确度。实例表明,ARIMA模型预测结果准确,精度比AR模型高,且误差不会累积,解决了原始资料的不连续性和强干扰的问题。

基于GPR-ARIMA-GA模型的高粘土心墙堆石坝参数反演分析

以某粘土心墙坝为例,提出了基于GPR-ARIMA-GA模型结合有限单元法反演高粘土心墙堆石坝材料参数的方法,利用高斯过程回归非线性模型(GPR)来表征材料参数与坝体沉降量之间非线性关系,从而在搜寻真实坝体材料参数时减少了有限元程序样本计算次数,提高了反演效率;为进一步提高GPR拟合精度,提出应用ARIMA模型对拟合误差进行修正;在构建GPR-ARIMA模型过程中,采用遗传算法(GA)来优化GPR模型超参数;在建立GPR-ARIMA模型后,二次应用GA全局搜索坝体材料参数的真实值。实例应用结果表明,该方法极大地减少了有限元程序计算量,且能够准确、快速搜索得到坝体真实材料参数,将最优材料参数代入有限元程序计算得到沉降量与实测值较为接近,验证了该方法可行、有效。

应用R软件的ARIMA模型教学案例设计

为了培养学生学习随机过程的兴趣,本文提出了采用教学案例设计的方法把ARIMA模型知识点和实际传染病数据联系在一起,借助统计专业的R软件,应用可视化的实验结果对案例进行分析,加深学生对知识的理解,进而提高学生的解决问题的实操能力。实践表明,采用教学案例设计的方法进行教学能够满足学生学习随机过程课程的需要。

基于ARIMA模型烧结脱硫烟气指标的统计过程控制

应用统计过程控制工具对烧结烟气日常生产数据进行分析评价,根据反馈信息及时发现系统性因素出现的征兆,并采取措施消除其影响,以保证各污染物实时达标排放。因烧结脱硫后外排烟气中SO_2质量浓度在线检测数据不独立、且存在自相关性,不能直接使用SPC控制图进行统计过程监控。采用ARIMA模型先对烧结脱硫烟气SO_2质量浓度检测数据拟合分析,然后通过统计过程图分析拟合后的残差值,可准确判定脱硫系统生产操作过程是否稳定、受控,以及时指导操作调整,确保烧结脱硫烟气SO_2质量浓度实时指标满足国家环保法规的要求。

基于ARIMA模型的区域用电量预测方法

传统区域用电量预测方法存在预测能力差的问题,为此,提出基于ARIMA模型的区域用电量预测方法。获取区域的历年用电量数据进行预处理,获取统一的用电量数据;再利用ARIMA模型对用电量时间序列进行平稳性检测,利用最小二乘估计方法估值用电量参数;最后结合线性神经网络构建区域用电量预测模型,将统一的用电量数据放入模型中进行计算,以此完成区域用电量的预测。实验结果表明,所提方法可以有效检测出电量负荷及电量同比增速,预测能力强、预测精度高。

基于ARIMA模型的陀螺随机误差分析

根据陀螺随机漂移数据的非平稳特性,建立了基于非平稳随机过程的ARIMA求和自回归滑动平均误差模型,在此模型的基础上结合卡尔曼滤波对于漂移数据进行滤波处理。实验结果表明,此方法能够有效地抑制陀螺随机误差,并且提高陀螺的精度。

基于X-11-ARIMA模型在GNSS定位数据后处理的应用

定位数据分析及后处理是卫星导航定位系统在测绘和地灾监测应用中的关键环节.通常,在卡尔曼滤波处理定位数据后得到的平滑数据,能够剔除噪声干扰得到贴近真值的数据.但在长时间跨度的情况下,周期性发生的干扰难以在短时间内被识别和滤除,从而反映为一种频率较低的噪声波动.假设该波动干扰存在周期性,以X-11分解时间序列分析方法进行数据处理,平滑后定位数据的方差从4.733减小至2.683,精度提高了43.3%.并对拆分数据进行差分自回归移动平均模型(ARIMA)建模预测.还原数据对比直接预测数据的分析结果表明:拆分后分别预测再整合还原精度高于直接预测5%~10%,可以应对平滑处理实时性差的问题.

基于ARIMA模型对突发状况下煤炭价格的预测

针对突发状况下煤炭价格的预测,考虑煤炭价格的影响因素较多,运用层次分析法,选择合理的影响因素,计算其权重.基于灰色马尔科夫预测模型和多元线性回归分析,研究煤炭价格的波动趋势,运用ARIMA模型得出在突发状况下煤炭价格的急剧下降走向的结论.

快递需求问题的数学建模分析

以某快递公司记录的部分地区快递运输数据为基础,文章结合当地气候、人群密度、经济状况等因素对该地区在未来一段时间内的快递需求量进行了分析和预测,同时建立了时间序列预测模型以模拟相关数据。这对于研究我国快递运输行业及优化快递体系具有一定意义。

基于统计聚类分析的短期风电功率预测

考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类。根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本。运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性。运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持。

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.

自回归求和滑动平均方法用于间歇过程变量在线预测

间歇过程变量的在线预测是一种重要的生产过程质量控制手段。实现间歇过程变量的在线预报需要对过程以往的批次数据建立预测模型,即需挖掘批次间和批次内的数据信息。针对间歇过程数据不同批次不等长、数据长度短、非线性等特点,采用数据重构——自回归求和滑动平均方法建立其在线预测模型:将收集到的间歇过程变量以批次为单位进行数据平滑;对这些批次数据按照随机的顺序首尾相接,组成长数据集;对于批次连接处数据跳跃的情况,采用后面所有批次数据减去上一批次的最后一个值,以实现数据的平滑;采用自回归求和滑动平均方法建立数据模型,并用于间歇蒸馏温度的在线预报。采用该方法建立的4步预测模型对某间歇蒸馏过程上升气温度的预测均方差较小,符合生产现场的预测要求。

基于条件植被温度指数的冬小麦产量预测

条件植被温度指数(VTCI)综合了地表主要参数——植被指数(NDVI)和地表温度(LST),能够较为准确地对干旱进行监测,可为抗旱救灾、遥感作物估产等提供科学依据。在改进层次分析法的加权VTCI与冬小麦产量的相关性研究成果和VTCI的季节性ARIMA模型干旱预测研究成果基础上,对关中平原的冬小麦产量进行向前1旬、2旬和3旬的预测研究。研究结果表明,产量预测结果与产量监测结果吻合较好,预测精度随着预测步长的增大而降低,关中平原4个地级市平均产量预测结果的最大相对误差为3.27%,说明用该方法可以进行向前3旬的产量预测。

基于机器学习的Lee-Carter模型死亡率预测方法研究

世界各国人口死亡率不断降低,预期寿命变得难以预测。改进死亡率预测方法,准确预测未来人口的数量变化有着重要意义。传统的Lee-Carter模型通过年龄组平均死亡率、时间项以及年龄因子随时间变化的敏感度这三个参数来刻画死亡率的变化,模型中的时间项采用ARIMA方法进行预测。但该方法并不能解决死亡率数据具有长记忆性的问题,并且现有研究很少将传统人口学方法与大数据背景下机器学习方法相结合。因此本文引入LSTM(长短期记忆深度学习神经网络)和分数布朗运动驱动的O-U过程来对死亡率预测进行改进。由于中国大陆有关死亡率的数据样本量少且不完整,选用中国香港男性分年龄组死亡率数据,分别采用时间序列ARIMA方法、时间序列与机器学习相结合的ARIMA-LSTM方法以及分数O-U过程来拟合和预测模型中的时间项,通过残差图和三种评价指标值来比较三种方法的短期预测效果。结果表明,ARIMA-LSTM方法的短期预测效果最好,证明了引入机器学习方法对死亡率预测方法改进的可行性,为政府预测未来死亡率提供新思路,也为相关机构研究长寿风险提供依据。

采用改进模糊层次分析法的风速预测模型

针对风速具有较强随机性的特点,提出一种基于改进模糊层次分析法的风速预测组合模型。以风速预测周期、风速的振荡性及预测者对预测模型的信赖度为目标准则;通过模糊判断矩阵的方法确定组合模型的最优权重。该组合模型可以综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。算例分析表明,该组合预测模型的预测结果与传统的单一预测模型相比,误差更小,精度更高。

基于最小二乘支持向量机的声波测距系统消噪处理

针对声波测距系统噪声复杂,淹没在噪声中的回波难以检测的问题,以机器统计学习理论为基础,采用最小二乘支持向量机(LS-SVM)建立系统模型,实现了声波测距系统异常值的预测和噪声的消除,并与传统的时间序列分析方法建立的自回归滑动平均求和模型(ARIMA)的消噪效果进行了仿真对比。仿真结果表明,利用最小二乘支持向量机建立的模型预测精度高,能有效地抑制声波测距系统中的噪声。

基于图像视频的景区人流密度估计方法研究

针对景区人流科学监测、精细化管理的需求,文中对人流密度的估计方法进行了研究。该方法利用景区现有的视频监控设备获取视频图像,基于纹理分析的方法提取图像的灰度共生矩阵,借助能量、对比度、熵值、均匀度和相关性5个指标计算图像中的人流密度。利用不同时刻得出的人流密度数据建立时间序列,用自回归移动平均(ARIMA)建立人流密度估计模型,并用置信区间法评估模型的准确性。采用20个时刻的人流密度样本图像进行方法验证,结果表明该方法在估计人流密度值的平均误差为4.70%,估计出的人流密度变化曲线与实际曲线具有良好的一致性。

基于Wiener过程退化模型的高压阀寿命预测

高压阀泄漏量的退化机理复杂,退化具有动态、周期性、非线性等特征,对高可靠、长寿命的高压阀准确进行寿命预测是一个难点。本研究开展高压阀的模拟试验,获取高压阀泄漏量退化过程的数据,基于Wiener过程对高压阀建立寿命预测模型,根据可靠性函数和剩余寿命的概率密度函数对高压阀的剩余寿命进行评估。结果表明基于Wiener过程的泄漏量的退化模型对高压阀寿命预测与实际试验测量的寿命值的误差均在10%以内。与ARIMA模型预测的高压阀寿命对比,基于Wiener过程的泄漏量的退化模型对高压阀的寿命预测更稳定、误差更小,证明了Wiener过程退化模型在预测高压阀寿命工作中的有效性和准确性。