基于ARMA模型的农产品供应链成本优化研究

近年来,在乡村振兴战略背景下,农产品流通逐渐呈现出“农村电商”新业态。农产品供应链作为连接农户、电商平台和消费者的桥梁,在农村电商发展过程中扮演着重要角色。随着农村电商的快速发展,农户生产积极性提高,农产品产量显著增加,但与此同时农产品供应链成本结构也发生了显著变化。为优化农产品供应链成本,提高农户生产积极性,本文以农村电商模式下农产品供应链为研究对象,以ARMA模型为基础,通过构建农产品供应链成本结构方程模型,发现当前农产品供应链成本结构具有非对称性和非线性的特征。文章首先从农户生产积极性和农村电商发展两个方面,分析了农村电商发展对农产品供应链成本结构的影响;其次通过引入ARMA模型对影响因素进行分析,发现当前农产品供应链成本结构存在非对称性特征,并从农户生产积极性、农村电商发展水平和农村物流体系等方面提出了优化路径;最后,基于优化路径提出了政策建议。

基于ARMA和GRU的数据权重负载预测

文章将小波分解与自回归滑动平均模型(ARMA)和门控循环单元(GRU)结合起来,用于预测接下来几个时间间隔内的用户负载。为了降低数据中随机因素对模型的影响,对数据进行了加权处理。该方法首先通过Savitzky-Golay滤波对时间序列进行平滑处理,然后利用小波分解将平滑后的时间序列分解为2个分量。

海外高端消费回流对产业数智化的作用机制——基于ARMA模型

海外高端消费回流支撑和助力产业数智化转型升级,推动我国经济高质量发展。本文基于ARMA模型,检验海外高端消费回流对我国产业数智化的影响效应及作用机制。研究发现:近年来海外高端消费回流和产业数智化转型升级呈现加速态势,且二者均已形成正向良性循环。海外高端消费回流可有效驱动我国产业数智化,主要通过高端消费者、高端代工商和高端服务商等主体回流的直接带动,以及消费升级、高端产业升级等间接路径实现。据此建议相关部门完善政策保障机制,行业协会发挥桥梁作用促进品牌合作,相关企业加快数智化转型,以更好发挥高端消费回流对产业数智化的赋能作用。

基于ARMA模型的云南咖啡供给预警研究

云南省作为中国咖啡产业的核心产区,其咖啡产量在全国市场中占据主导地位。近年来,云南咖啡产量的显著波动对整个产业链造成了一定的冲击。鉴于此,确保云南咖啡产业的稳定性与安全性,进行咖啡供给的预警分析显得尤为重要。研究旨在通过构建一个有效的预警模型,对云南咖啡供给进行预测和风险评估。研究首先确定了云南咖啡产量年增长率作为警情指标,并选取了影响云南咖啡供给的关键因素作为警兆指标。为了进一步分析这些指标的动态关系,采用层次聚类分析法将指标划分为先行指标、同步指标和滞后指标。随后,利用灰色关联分析法对所选指标的合理性进行了评估,以确保模型的科学性和实用性。在此基础上,构建了ARMA(6,2)预警模型。通过2006—2021年的历史数据对模型进行了训练和验证。模型训练完成后,利用该模型对2022—2030年的云南咖啡产量增长率进行了预测。预测结果显示,ARMA(6,2)预警模型的预测值与实际观测值之间存在高度吻合,这表明所构建的模型在云南咖啡供给预警方面具有较高的准确性。

基于ARMA过滤器的时空图卷积网络短时交通流预测

针对大多数现有的时空融合图卷积网络模型在分析交通流数据所采用的过滤器提取空间特征时,可能会导致网络节点特征过于平滑从而丢失原始信息、计算量大等问题,将一种能有效逼近任何所需响应的基于自回归移动平均(ARMA)过滤器的图卷积网络与门控循环单元(GRU)相融合,提出一种基于ARMA过滤器的时空图卷积网络短时交通流预测模型。在该模型中,采用GRU提取交通流数据的时间特征;利用基于ARMA过滤器的图卷积网络提取空间特征;通过平均池化层得到预测结果。在美国加州高速公路公开数据集PeMS04、PeMS07和PeMS08上进行了实验。结果表明,相比于切比雪夫多项式等传统的过滤器,ARMA过滤器能够更好地捕获交通流数据中的空间特征且能有效提升计算效率,在三组数据集上相比于GRU、DCRNN、T-GCN、ASTGCN和MSTGCN等基准模型,新模型的平均绝对误差指标平均降低了26.28%、28.25%、39.59%、26.24%和19.07%,训练时间平均降低了26.54%、95.00%、78.87%、93.58%和89.03%。

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。

基于ARMA模型的城乡居民收入差距预测分析--以安徽省为例

ARMA模型是当前普遍应用的时间序列建模方法之一。选取安徽省1980—2020年的城乡居民收入差距数据为样本,借助EVIEWS9.0软件,针对绝对收入差距与相对收入差距先后构建ARIMA((1,4),1,0)与ARMA(1,3)模型,两个模型的样本内静态预测结果均较好。分别利用所建立的两个模型,样本外动态预测2021—2023年安徽省城乡居民绝对收入差距依次为23756.7元、24846.8元与26094.6元,相对收入差距依次为2.563078元、2.563116元与2.563147元,以期为相关部门制定政策提供数据支持。

基于ARMA模型的海洋磁力测量数据小波去噪方法研究

海洋磁力测量是指通过安置在海底质子旋进磁力仪来直接测量地磁场,这样在海洋表面和海底同时测量,就可以得到地磁场的垂直梯度。但处理海洋磁力测量数据时不仅需要消耗大量时间,并且分块处理拼图还会导致精确度较低。为了实现对海洋地质层参数的准确测量,提出基于ARMA模型的海洋磁力测量数据小波去噪方法。构建海洋磁力测量数据的小波降噪和滤波检测模型,通过对海洋磁力测量数据的类型化分类识别,进行多波束的信息分割,实现对海洋磁力测量数据的自动滤波降噪,使得输出数据更清晰、自然。测试结果表明,使用ARMA模型后,输出数据的信噪比较之前提升了33.6632 dB,海洋磁力测量数据去噪效果好。通过ARMA模型对海洋磁力数据进行去噪,有助于达到更精确的海洋磁力测量数据,为研究地磁场及其变化、海洋地质构造、矿产预测和国防建设提供了重要支持。

基于ARMA模型的隧道变形预测及参数估计分析

以北京市海淀区某地铁站一体化棚户区改造项目为例,运用ARMA模型对高层建筑盖挖逆作法施工过程中邻近既有地铁隧道变形进行预测。以既有地铁隧道沉降实时监测数据为原始数据集,对原始数据集进行适当插补处理后,通过极大似然估计法对模型进行参数估计,给出了模型关键参数,构建了合理的预测模型。将模型预测结果与实测数据进行对比,显示预测结果与实测数据变化趋势高度吻合,充分验证了预测模型的可行性、有效性与稳定性。

中国物流业景气指数预测——基于ARMA模型

中国物流业景气指数(LPI)是2013年3月5日由中国物流信息中心和中国物流与采购联合会发布的一项指数,它的调查采用PPS(容量比例概率抽样法)抽样方法,按照各个物流行业对物流业主营业务收入的贡献度,确定这些行业各自的样本数。通过对新订单、业务总量、设备利用率、库存周转次数、从业人员这五项指数进行加权,合成一个合成指数,再将其与新订单、业务总量、设备利用率、库存周转次数、从业人员等12个分项指数一起构成中国物流业景气指数。LPI从总体上反映了我国物流业经济发展的变化情况,它以50%为分界点来区分经济的强弱,物流业经济在LPI> 50%时扩张,在LPI <50%时收缩。

基于LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和自回归移动平均模型(ARMA)的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列——趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。

基于灰色模型和ARMA模型的猪瘟月新发生次数预测比较

对猪瘟月新发生次数(每个月的新发生次数)的定量预测可以为当地动物疫病防控部门提供依据,使其针对猪瘟发病风险有选择性地采取防控措施。该文分别选用灰色预测模型和ARMA预测模型对贵州省猪瘟月新发生次数进行了预测。灰色模型和ARMA模型以2005-2008年兽医公报中统计的贵州省猪瘟发病数据为预测依据,以2009年的统计数据评价比较预测效果。灰色模型和ARMA模型预测平均绝对误差分别为1.84和1.48,平均绝对百分误差为0.272和0.229。预测结果表明,ARMA预测模型的预测精度更高,对贵州省猪瘟发病的预测是可行有效的。

基于MM-ARMA算法的次同步振荡模态参数辨识

传统电力系统次同步振荡的辨识方法存在对噪声敏感、辨识精度不高的局限性。为此,提出了一种基于数学形态学自回归移动平均(MM-ARMA)算法的辨识方法,实现了在有噪声干扰下对次同步振荡模态的准确辨识。该方法利用形态滤波器可以有效抑制噪声的特性对次同步振荡信号进行消噪处理,保留信号的主要特征信息;对消噪后的信号建立基于加权递推最小二乘法参数估计的ARMA模型,根据估计的模型参数计算次同步振荡模态参数,完成次同步振荡模态辨识。与传统的Prony算法和自回归移动平均(ARMA)算法辨识结果进行的对比分析结果表明,所提次同步振荡模态辨识方法能快速、准确地辨识出模态参数,且具有较强的抗噪能力。

基于噪声场合下ARMA模型的风力发电量预测

针对普通的ARMA模型的预测质量由于各种原因会大大降低的情况,依据富锦风电场风力发电量的时间序列,基于HOYW定阶方法建立了噪声场合下的ARMA模型。通过对模型残差白噪声性能的分析,验证了模型的适用性。应用此模型进行了预测分析,得到的归一化平均绝对误差(NMAE)为0.0658。通过与普通的ARMA模型预测精度方面的对比,进一步验证了噪声场合下基于ARMA模型风力发电量预测的优越性。

一种基于ARMA的WSN非均衡分簇路由算法

针对无线传感器网络中分簇路由算法中存在的"热区"问题,提出了一种基于虚拟区域划分的非均衡簇路由算法.算法将簇划分的任务交由能量无限制的汇聚节点完成,使得靠近汇聚节点的内层簇的规模小于外层簇的规模.在簇的结构中引入了主、从簇头节点,从而实现了分布式簇头选举工作,同时在分簇过程中避免了每个阶段的能量消耗.将ARMA预测模型引入到主簇头节点的更换过程中,从而避免了主簇头因为能量完全消耗而死亡,也避免了因为主簇头死亡而造成网络分割,降低网络的生存时间,利用NS2.31仿真平台对基于虚拟区域划分的非均衡簇路由算法进行了仿真验证,结果表明与传统路由算法相比,该算法延长了WSN的生存时间,有效提高了WSN网络健壮度.

基于ARMA和卡尔曼滤波的短时交通预测

交通预测是智能交通运输系统研究中的一个重要组成部分.为了有效地获取短时交通流量预测数据,保障交叉口畅通,依据道路情况的不确定性以及交通流的非线性变化,应用ARMA模型及卡尔曼滤波模型通过预测结果误差大小来组合预测路段短时交通流量.实例表明,组合模型预测结果达到较高的预测精度,预测误差降低到了5.79%,并且比单一模型预测精度要高.通过该组合模型可以更准确地预测短时交通流量,同时也可以为交叉口信号配时提供必要的理论依据和技术指导,对减小交通延误,提高道路服务水平有一定的应用价值.

Prony方法和ARMA法在低频振荡模式辨识中的适用性比较

Prony方法和自回归滑动平均(ARMA)法是2种典型的电力系统低频振荡特征参数辨识方法,提出对这2种方法进行不同类型信号适用性的比较研究。在介绍2种方法基本原理的基础上,对比得出其在信号建模思想、模型参数估计原则上存在区别,进一步将这2种方法应用于处理36节点系统仿真明显扰动激励后系统响应信号和类噪声信号,对低频振荡模式辨识结果进行系统性研究。分析结果表明,ARMA法具有更好的适用性。

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。

基于ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测。本文建立了一种基于ARMA模型的光伏电站预测模型。结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较。大量的数据表明,ARMA预测模型有较高的精度,能够满足实际工程的应用要求。

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测;经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值,并将其与检索量的实际值做比较.结果表明,用同一个ARMA模型拟合相似时间序列的方法具有可行性,且有较高的预测准确率.从聚类结果还可看出,同品牌产品的检索量数据趋于聚成一类,这为检索词关系的挖掘提供了参考.