基于中断时间序列和分段线性回归法分析公立医院绩效考核对平均住院日的影响

目的 研究推行公立医院绩效考核对医院平均住院日的干预效果。方法 收集天津某医院2017年1月—2021年12月的平均住院日数据,以2019年7月医院全面启动公立医院绩效考核为干预措施,采用中断时间序列(interrupted time-series, ITS)设计的分段线性回归(segmented regression analysis, SRA)方法对推行公立医院绩效考核前后全院平均住院日变化进行分析。结果 推行公立医院绩效考核后平均住院日呈明显下降趋势,每月降低0.16 d,比公立医院绩效考核推行前每月降幅增加了0.10 d,平均住院日由2017年1月9.10 d下降至2021年12月的4.79 d。结论 推行公立医院绩效考核对医疗效率有显著的提升效果。

基于时间序列分析的风电机组微观风速预测建模方法研究

受气象条件、地形、机组位置和机组结构的影响,风力发电机组的风能输入存在显著的不确定性和个体差异性,导致风电机组输出功率预测难度很大。为了保证风电机组运行控制的平衡性,实现对风电场更精细化的智能控制,文章使用时间序列分析方法中求和自回归移动平均模型(ARIMA)对风力发电机组的微观风速时间序列数据进行分析,探讨其相关性和随机性,实现对风电机组微观风速的时间序列建模和风速预测试验。该方法为风电场单台机组微观风速预测提供算法上的支持,从而为风电机组抵抗涡激振动、准备并网发电、预防载荷冲击等运行风险和精准控制提供数据支撑,为风电场均衡整场机组性能和运行寿命等精细化管理和高效运维提供依据。

广西城市流动人口影响因素定量研究--基于回归分析与时间序列的实证检验

通过国家统计局及卫健委提供的流动人口监测数据,首先分析广西流动人口的现状,流动人口的规模逐年上升,流动人口的受教育水平程度偏低。其次用回归分析与交叉分析对广西流动人口变动近况及影响因素进行了定量研究,并在此基础上通过收集到的1949—2020年广西流动人口数据建立ARIMA(1,1,0)的一阶差分自回归模型,并对2021年广西流动人口数据进行实证检验。

改进的时间序列法用于边坡沉降分析与预测

运用数学模型或力学方法对变形监测数据进行分析与预测尤为必要,本文详细介绍了时间序列法中的差分自回归移动平均模型(ARIMA)、平稳性与白噪声检验、模型定阶与参数估计、模型检验与预测的过程,针对其预测的准确性会随着时间推移而降低的问题,提出了一种改进的时间序列法,通过建立一个动态的数据窗口,及时引入最新的数据信息更新计算模型参数,并对某轨道边坡工程的沉降监测数据进行了建模分析和对比预测。结果表明:改进后的方法提高了模型的预测精度,在实际工程中具有可行性和有效性。

基于时间序列模型自回归系数灵敏度分析的结构损伤识别方法

该文在分析了时间序列模型的自回归系数对结构单元刚度灵敏度的基础上,提出了一种采用随机载荷作用下结构的时域响应数据进行损伤识别的新方法。该方法首先根据随机载荷作用下的结构响应拟合适用的时序模型;然后建立基于自回归系数的损伤灵敏度矩阵,通过该矩阵可以建立由单元损伤导致的自回归系数的变化与损伤系数变化之间的关系;最后通过求解损伤系数向量来识别损伤位置和损伤程度。对一悬臂梁结构损伤识别的数值结果表明:在计入1%和2%测量噪声的情况下,该方法仅利用单个传感器的时域测量数据,就能够较好地识别单个单元和多个单元损伤;如果对基于多个传感器的识别结果进行综合,识别结果则更加准确、可靠。

综合运用非线性回归和时间序列分析研究边坡变形

边坡变形的复杂性决定了运用非线性回归模型很难准确解决边坡变形规律。本文将讨论综合运用非线性回归模型和时间序列分析的方法进行变形预报。即运用非线性模型和其他模型的有机结合和综合运用正确分析和解决边坡变形规律,同时利用时间序列分析方法解决边坡周期性变形规律,并通过某实测边坡上一系列监测点监测资料的分析和研究,证明该方法的可行性。

应用时间序列分析和非线性回归对沉降过程进行综合建模与预报

本文将时间序列分析和非线性回归用于沉降过程的综合建模与预报,给出了时间序列模型识别、预报的方法,以实测数据为例说明应用此法的全过程,并对计算结果进行了比较分析,证明了该方法的可行性。

观测数据分析中几种方法的探讨 (一)回归—时间序列模型和贝叶斯预测模型

首先 ,叙述用回归分析与随机时间序列技术的组合方法来处理大坝的监测数据。通常 ,回归分析后的残差序列并不满足白噪声假设 ,这个理论缺陷在一定程度上降低了监测的可靠性和预测的正确性。为此 ,采用鲍克斯—詹金斯方法对残差序列进行再处理。按照上述组合方法求得的计算数据能更好地吻合实测数据 ,最终的误差序列能符合白噪声特性 ,并使拟合和预测的正确程度有了较大改善。然后 ,利用贝叶斯动态模型分析监测资料。采用贝叶斯模型时 ,由于状态参数 (相当于回归系数 )能及时调整跟踪 ,故所得的结果比常规回归分析的结果有更高的精度 。

用时间序列逐步回归分析预报枯水期地下水位埋深

本文将逐步回归分析和时间序列分析方法结合起来进行枯水期地下水位埋深预报,使时间序列分析的参数大大减少。实例计算表明,预测精度较高。

用时间序列回归分析法测定技术进步经济参数的实证分析

资金产出弹性α与劳动产出弹性 β的估计 ,是运用索洛增长速度方程测算技术进步效果的关键。本文为测算企业技术进步效果 ,探讨了运用时间序列回归分析法估计经济参数α、β的基本原理和操作程序 ,并对测算结果的客观性、测算方法的实用性进行了评价和修正。表 4,参 2。

对时间序列的ARIMA调整与回归分析——以民航客运统计为例

以2003-2009年我国民航客运统计数据为样本,提出了采用ARIMA模型对时间序列进行预处理之后进行回归分析的研究方法。实证分析表明,ARIMA模型与回归分析相结合为基于月度数据的时间序列定量分析提供了一个有效的工具。

基于回归神经网络的时间序列非线性分析

本文提出了一种基于局部回归神经网络的时间序列非线性预测分析方法，给出了新的非线性模型训练方法，并针对几类常见的时间序列，给出了实验结果。

武汉东湖鱼产量时间序列模型及回归分析

随着城市人口的增长和经济的快速发展,武汉东湖的水体富营养化日益严重。80年代以来,东湖通过实施滤食性鱼类治理水华取得了一定成效。利用统计学软件SPSS,应用时间序列模型和回归分析对东湖44年鱼产量数据进行运算,对东湖鱼产量变化进行了分析和预测:东湖最高鱼产量在1700～1850t之间,比较合理的鱼产量应维持在1150t左右。

基于时间序列和多元回归分析法电量预测问题的研究

针对用户用电量的问题,使用了时间序列,和多元回归分析的方法,分别建立了时间序列、灰色预测型,对未加入天气因素和加入天气因素对未来电量的负荷量进行了预测,综合使用了SPSS、EVIEWS和Excel等软件编程,分别得到结果.最后,再深入考虑季节、经济增长和人口变化等因素,对模型做出季节性调整,得到调整后的结果.

九寨沟景区日游客量分析与管理建议——基于自回归与时间序列加法分解

游客是旅游业赖以生存的基础,也是旅游管理部门和旅游从业人员关注的焦点。游客量是旅游目的地基础设施的建设,第三产业从业人员的安置,以及运输部门的合理安排运力的基础。同时,游客量也是每一位游客在出游前选择旅游目的地的依据之一。如何合理有效的对游客量进行分析,也就成为旅游研究的热门问题。九寨沟作为国内外热门的旅游目的地,游客量的变化也受到了许多研究者的关注。目前国内外对游客量的研究主要集中在预测、季节性分析与流动分析,对游客量变动规律性研究还较少,本文希望从分析日游客量的变动规律的基础上,对景区的运营与管理提供帮助。

基于分位数回归的轨道质量指数阈值合理性数据分析

高速铁路轨道高平顺性是保障列车行车安全的重要基础,考虑到现有规范中针对轨道不平顺养护维修的局限性,需要对轨道动态不平顺管理值的合理性进行研究和改善。利用历史数据及统计方法挖掘轨道动态不平顺峰值管理值与均值管理值的联系,基于时间序列的异常检测与修正模型,通过分位数回归探究各项指标半峰值与标准差关系,并给出相应的均值管理建议值。结合7条不同工况线路的实测数据,研究结果表明:速度200~250 km/h线路建议采用80%及以上分位数的标准差作为管理值,而速度250(不含)~350 km/h线路建议采用95%及以上分位数的标准差作为管理值;相同时速线路、同一分位数下,若建议管理值越高,表明峰值与标准差的倍数较小,该线路状态较好,特别是单点不平顺超限的数量较少,不需要较严格的TQI管理值进行整体管理;反之,则表明单点超限可能较多,需要压低TQI管理值确保较低的峰值超限数量;对于5项不平顺指标,轨距出现峰值超限的概率最大,养护维修时需着重关注。

高耸筒体建筑偏移量多元回归和基于时间序列分析预测的比较研究

通过对高耸筒体建筑物的偏移进行安全监测并分析、确定其影响因素,采用基于SPSS统计分析软件的多元回归分析方法和针对偏移量的时间序列分析预测方法,建立静、动态数学模型进行偏移量的预测精度分析比较,认为对于模糊动态系统时间序列预测分析方法比多元回归分析预测方法略具优势,同时为制定合理可行的措施以控制线性增长趋势提供合理化建议,从而达到为企业安全生产服务的目的。

复合型时间序列的预测分析——汽车销售量的回归分析

本文对时间序列成分进行了分析,确定了汽车销售量的序列成分为趋势成分、季节成分和随机成分。利用二次移动平均法计算季节指数并分离出季节成分,利用一元线性回归模型对甲公司2006年至2010年汽车季度销售量数据进行了回归分析。

北京市大气污染与城区居民死亡率关系的时间序列分析

为定量评价北京市大气污染对居民每日疾病死亡率的影响 ,运用时间 -序列分析方法 ,控制了流感、季节等混杂因素的影响后 ,对北京市主要大气污染物CO、SO2 、NOX、TSP、PM10 与居民相应疾病死亡率的相关关系进行了定量评价。以呼吸系统疾病、循环系统疾病、冠心病、慢性阻塞性肺病和消化系统肿瘤疾病死亡人数分别为因变量 ,大气污染物浓度和平均温度、湿度为自变量 ,进行了泊松回归分析。单变量分析结果表明 ,除TSP对冠心病死亡率的影响无显著意义外 ,大气中CO、SO2 、NOX 、TSP浓度与呼吸系统、心脑血管疾病、慢性阻塞性肺病和冠心病死亡率之间的正相关关系均有显著意义 ,而多因素泊松回归得到的暴露 -反应关系模型显示 ,SO2 浓度每提高 10 0 μg m3,呼吸系统、循环系统、冠心病和慢性阻塞性肺病疾病死亡率分别增加 4 2 1%、3 97%、10 68%和 19 2 2 % ;总悬浮颗粒物每增加 10 0 μg m3 ,呼吸系统疾病死亡率增加 3 19% ,循环系统死亡率增加 0 62 %。

应用时间序列分析气象因素对手足口病流行的影响

目的：探讨气象因素对手足口病（HFMD）流行的影响,为该地区HFMD防控与政策制定提供依据。方法：收集河南省郑州市二七区2008年5月至2014年6月气象资料（气温、气压、相对湿度、平均风速、降雨量、平均日照时间）和HFMD疫情资料。采用Spearman秩相关分析气象参数与HFMD的相关性,采用互相关分析气象参数对HFMD流行的滞后效应,采用时间序列分析构建该地区HFMD季节性自回归移动平均（SARIMA）模型,比较引入气象参数前后模型的拟合优度和预测精度。结果：该地区HFMD流行集中于3~7月份,4~5月份达到高峰。HFMD周发病人数与每周日平均气温滞后2周（rS=0.248,P〈0.05）、最高气温滞后2周（rS=0.170,P〈0.05）、最低气温滞后2周（rS=-0.223,P〈0.05）相关。每周日平均气温滞后2周纳入HFMD周发病人数SARIMA（1,1,0）（0,1,0）52预测模型。引入气象参数前、后模型的拟合度为0.797、0.833,预测精度为11.573、10.611。结论：平均气温可影响HFMD的流行,引入平均气温构建的SARIMA模型能较好地拟合和预测HFMD的流行。