自回归模型偏自相关函数截尾性检验

文章研究了自回归模型偏自相关函数截尾性检验问题。基于经验似然方法建立了检验统计量,并且在原假设下给出了检验统计量的极限分布。并通过随机模拟将上述方法用于具体观测数据的实证研究,模拟结果表明上述方法具有可行性。

MA(1)模型偏自相关函数计算公式的证明

基于MA(1)模型的Yule-Walker方程组,本文利用克兰姆法则以及递推关系求解的方法证明了MA(1)过程偏自相关函数计算公式.

径向基函数预测网络拓扑确定新方法

预测能力相对薄弱,已经成为制约PHM(Prognostics and Health Management)技术发展和应用的瓶颈.随着传感器和BIT(Built-in Test)设计技术的日益进步,采用序列分析的方法对复杂系统装备进行故障预测已经成为可能.在基于序列分析的预测方法研究中,径向基函数预测网络具有结构简单、学习速度快、具备非线性建模能力等诸多优点.为了改进其预测性能,在深入分析网络拓扑对模型性能及建模时间影响的基础上,综合考察了序列最佳线性自相关长度、建模精度和模型复杂度等多种因素,提出了基于偏自相关函数统计检测的输入层节点数目确定算法和基于BIC(Bayesian Information Criteria)准则的隐层节点数目确定算法,用以构建径向基函数预测网络;并对算法的有效性进行了分析.仿真结果表明,同传统建模算法相比较,由新算法构建的径向基函数预测网络具有最佳的预测性能,且建模时间不足传统算法的3%.

基于数据平稳化和BiLSTM的短期风电功率预测方法

针对风电功率数据序列波动大、随机性强、非线性以及选取输入变量困难的问题,提出一种结合自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆网络(bidirectional long short term memory,BiLSTM)的短期风电功率预测组合模型。通过CEEMDAN对原始功率数据序列进行分解及平稳化处理,并根据各分量样本熵值进行合并重构;利用偏自相关函数(partial autocorrelation function,PACF)计算各重构分量的滞后期数,以此确定各重构分量在BiLSTM网络模型中的最佳输入变量;根据各重构分量的预测值相加得到最终预测结果。实验结果表明,与几种传统的单一预测模型和组合预测模型相比,提出的模型具有更优的预测结果和更高的预测精度。

基于CEEMDAN-ISSA-LSSVM模型的短期风电功率预测

为提高风电功率预测的准确性,采用基于自适应噪声完备集成经验模态分解、改进樽海鞘群算法及最小二乘支持向量机的短期风电功率组合预测方法。首先采用自适应噪声完备集成经验模态分解将功率数据分解为若干个本征模态分量和一个残差,通过偏自相关函数确定输入维数;然后建立改进樽海鞘群算法优化最小二乘支持向量机预测模型对各个分量进行预测;最后将各分量预测结果叠加得到风电功率预测结果。仿真结果表明,所提出的模型在短期风电多步预测中精度更高。

基于时间序列模型的矿产品价格分析与预测

矿产品价格是矿业投资风险中最重要的不确定因素，矿产品价格预测的准确与否关系到矿业投资的成败。本文据2001-2007年各季度的铜金属价格数据，利用spssl3.0统计软件，建立时间序列ARIMA模型。结果表明模型拟合较成功，通过比较模型预测数据与实际数据，证明模型预测精度较高。该研究不仅为矿业投资决策出示可靠信息，也为矿山企业编制生产计划提供参考。

基于60分钟线的ARIMA模型分析日K线走势

本文利用比日K线更新的60分钟线数据建立ARIMA模型,并对日K线进行预测,取得了较为满意的结果.

乘积季节模型在储蓄存款预测中的应用

运用SPSS软件和SAS软件系统中的时间序列建模方法建立了我国城乡居民储蓄存款模型,并认为用最大似然估计法(ML)对结果进行短期预测,用无约束最小二乘估计法(ULS)对结果进行中长期预测,可得到较高的预测精度.

单变量时间序列模型的识别

本文简单介绍了四种单变量时间序列模型识别的方法,给出了每种方法识别模型时的输出表格,并利用统计软件模拟两个时间序列进行实证研究,总结出了四种方法在实际应用中注意的问题。

基于KPCA-ARIMA算法的瓦斯涌出量预测

为提高瓦斯涌出量预测精度,提出将核主成分分析与自回归积分滑动平均模型相结合的算法.将瓦斯涌出量表示为时间序列,用差分法对获取的数据进行平稳化预处理,用核主成分分析法对影响瓦斯涌出量的原始数据进行降维,对降维后的数据进行瓦斯涌出量特征提取,建立自回归积分滑动平均瓦斯涌出量的预测模型.利用自相关函数和偏自相关函数对模型参数进行优化,综合得到d阶差分结果、自回归系数p、滑动平均阶数q.为验证方法的有效性,对优化后的瓦斯涌出量预测模型进行实验验证,将预测结果与三阶指数平滑、BPNN、GM(1,1)模型进行对比,结果表明:该模型的平均绝对误差、平均相对误差、均方误差均小于其他模型,提出的瓦斯涌出量预测方法具有更高的预测准确度.

中国民航货运量的时间序列模型

主要运用时间序列分析的方法及EViews与SPSS统计软件对时间序列建立乘积季节模型,并搜集了中国1993年1月～2000年12月的民航货运量数据,对其进行分析.根据Box-Jenkins的建模方法,建立了中国民航货运量的模型,并对模型进行适应性检验.同时通过比较预测数据与预留数据间的差别,表明模型较为合理.

甘肃省全社会固定资产投资的ARIMA模型预测

固定资产投资的增长不仅会直接拉动经济的增长,而且还会增加对原材料、生产设备、劳动力等的需求,从而促进与投资活动相关行业的发展。对《甘肃统计年鉴》提供的1982—2007年甘肃省全社会固定资产投资总额的数据进行分析,建立了ARIMA(1,1,1)模型,并检验了该模型的预测效果,为甘肃省固定资产投资的分析提供可靠的依据。

四川入境游人数的预报

根据2004年1月至2010年3月四川入境游数据,运用时间序列分析方法建立干预模型,进而以所建立的干预模型对四川入境游人数进行了预测,为四川省将来入境游事业的规划与发展提供理论依据和政策建议.

单变量时间序列模型识别方法的实证研究

文章简单介绍了四种单变量时间序列模型识别的方法,给出了每种方法识别模型时的输出表格,并利用统计软件模拟两个时间序列进行实证研究,最后总结了四种方法在实际应用中应注意的问题。

基于时间序列模型的区域收入差异预测和分析

当前,我国区域收入的差距明显,特别是东西部之间,由于各种因素的影响,城镇居民收入增长数量和增长速度的差距越拉越大,已成为构建和谐社会征程中的不利因素。本文搜集了全国、浙江和四川城镇居民人均可支配收入的历年数据,运用EViews与SPSS统计软件对其进行了分析和建模,预测和分析了全国、浙江省和四川省城镇居民人均可支配收入的发展趋势,并提出了相关的建议。

田间入渗率的随机模拟分析

本文应用动态数据处理方法中时间序列的理论,对一田间试验地块稳定入渗率的空间变异性进行了分析研究.试验田块45m×45m,曾用两排不同盐分浓度的水喷灌.垂直于喷灌支管方向田间稳定入渗率变异较大,呈对数正态分布.根据样品自相关函数(SACF),入渗率序列是非平稳的.这一空间序列的非平稳性倾向可用一5次幂函数表示.对残余值随机序列可用一阶自回归和一阶滑动平均(AR(1)MA(1))随机模型拟合. 试验田块由于5年来采用不同的水盐组合灌溉模式,其入渗率在空间的变异性可分析为由三部分组成:用一5次幂函数反映其表土土壤由于用不同水盐组合灌溉模式使土壤性质变异而引起的确定性组成成分、反映土壤结构在空间固有的变异,及由于耕作条件等引起的随机模拟组成部分、和由于量测误差及其他因素所引起的噪音部分. 随机模型估算残余值加上5次幂函数值与实测值比较,结果良好,r^2=0.828.

我国进出口总额的时间序列分析

本文利用1984—2004年中国进出口总额的年度数据，通过自相关函数和单位根检验检验其平稳性，并应用对数差分方法对该数据进行平稳性处理，在此基础上，选择一个最适合的ARMA模型，对2OO5年我国进出口总额数据进行了预测和比较。

山东省GDP的时间序列分析

本文广泛求证和搜集五十四年来山东省GDP的相关数据，运用统计学和计量经济学原理，从时间序列的定义出发，探索山东省GDP时间序列的平稳性，并结合统计软件EVIEWS运用ABMA建模方法，对山东省GDP时间序列进行识别、估计、诊断和预测后，建立最优计量经济模型进行经济预测，并为各级政府和企业的管理决策提供数量化的建议。

高拱坝施工仿真参数EMD-P-ILSTM动态更新模型研究

施工仿真参数更新是确保建设期施工进度仿真准确性的关键。但现有的参数更新方法难以对参数局部非线性和波动性变化特征进行学习和提取,更新精度有待进一步提高。为此,本文利用深度学习模型能够深度挖掘参数序列隐含信息的优势,采用分解-预测-集成的建模新思路,提出高拱坝施工仿真参数EMD-P-ILSTM动态更新模型。该模型利用基于自适应步长改进的天牛须算法对长短期记忆网络模型的超参数进行自动寻优,以提高建模效率。采用经验模态分解法将参数序列分解为多个平稳的子序列,并利用偏自相关函数自动选取各子序列的时间窗口。工程实例表明,相比于未改进的LSTM、BPNN、SVM和贝叶斯更新方法,本文模型能有效跟踪施工参数的复杂变化,具有更高的预测精度。

吉林市居民消费价格同比指数的预测分析

根据国家统计局吉林市调查队提供的2009～2014年吉林市居民消费价格同比指数的数据Y2，用时间序列分析方法进行统计分析，确定数据对应的模型为ARNIA（2，2）模型，并对模型参数进行了估计和模型的适应性检验。最后，根据此ARMA（2，2）模型对2014年9～12月的消费价格同比指数进行了预测分析，而且预测的结果与真实值偏差较小。