回归和时间序列的组合模型在建筑物变形监测数据处理中的应用

为了提高变形预测的精度,获得可靠有效的预报模型,通过对回归模型残差项的进一步分析,利用Eviews对残差序列建立了时间序列模型,从而得到了回归和时间序列组合模型.利用该模型对一组实测数据进行分析、预测,并将变形数据和实测数据进行比较,证明了组合模型具有更好的预测精度和可靠性.

灰色Verhulst-时间序列组合模型在沉降监测中的应用

针对传统单一的灰色模型、时间序列模型在进行沉降监测数据模型存在精度较低的问题,本文提出了一种灰色Verhulst模型和时间序列模型的组合优化模型。首先,对灰色Verhulst模型、时间序列模型的基本理论进行阐述;其次,建立了灰色Verhulst-时间序列模型,即以灰色Verhulst模型得到的样本数据拟合值作为时间序列模型进行预测的样本值;最后,通过以某建筑物沉降监测点为例进行计算并进行灰色Verhulst模型、时间序列模型以及灰色Verhulst-时间序列模型的预测结果对比。实验结果表明,灰色Verhulst-时间序列组合优化模型的预测精度最高,均方差为0.3275 mm,验证了该组合模型更贴合建筑物沉降的变形趋势。

回归-时间序列组合模型在石油企业费用预算编制中的应用

石油企业完善的预算编制机制对企业的长远发展有重大作用.而其中的费用预算又是影响企业销售量和利润的一个重要因素.本文对石油销售企业的费用预算编制方法进行了研究,并根据费用的特点,提出回归-时间序列模型来进行费用预算编制,以提高企业的预算编制效率和科学水平.同时,通过对电费的实例计算验证了方法的实用性和可靠性.

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响,水文时间序列表现出复杂的非线性,包括确定性成分和随机成分,如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR(p)建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR(p)模型进行水文中长期预报的组合预测方法,并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证,结果比较满意。

基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。

时间序列自回归模型预测茶园小绿叶蝉种群动态的探讨

选定西湖龙井茶叶原产地的优质丰产茶园、普通丰产茶园、山林间茶园、种质资源圃和茶-林间作等5类代表性茶园,从2007年4月20日～12月26日,5 d 1次调查假眼小绿叶蝉种群数量,作为时间序列自回归模型的数据源。据此对自回归模型预测假眼小绿叶蝉种群动态的可行性、建模步骤及准确性验证进行了探讨。与其他相关预测模型相比,自回归模型显得简便易行实用。

遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法,可同时优化门限值和自回归系数,解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明:通过门限值的控制作用,TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息,限制了模型误差,保证了TAR模型预测性能的稳健性,提高了预测精度。该方法具有通用性,在各种气象非线性时序预测中具有广泛的实用价值。

时间序列的自回归模型在杨凌地区降水量预报中的应用

对平稳时间序列的理论和方法,自回归模型[1]的概念,定阶,模型建立,预报,平稳性进行了综述。通过对杨凌张家岗气象站1935—1955年的四季降水量建立自回归模型,利用所求得的模型对1956年的四季降水量进行了预报。结果表明,该模型对冬季降水量预报效果最好,接下来依次为秋季、夏季、春季。因此平稳时间序列预报方法适用于预报变化比较缓和、持续性和周期性比较好的天气,对变化剧烈的天气和转折性的天气的预报能力较差。

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性。研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能。

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

基于带回归权重RBF-AR模型的混沌时间序列预测

提出了用带回归权重的径向基函数(radial basis function,RBF)网络来逼近状态相依自回归(autogressive,AR)模型中的函数系数,得到了带回归权重的RBF-AR模型。在这种模型中,RBF神经网络的输出权重已不是单一的常量,而是输入变量的线性回归函数。一种快速收敛的结构化非线性参数优化方法被用来估计提出的模型,辨识出的模型用来预测两组著名的混沌时间序列:Mackey-Glass时间序列和Lorenz吸引子时间序列。实验结果表明,提出的模型在预测精度上要优于其他一些现存的模型。

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念,对医院的季节性时间序列资料建立了周期自回归预测模型,其分析结果较为满意。

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型。但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunctionmodels)。与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构。在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考。

线性回归与时间序列加法预测模型

线性回归和时间序列预测模型各有千秋 ,本文将它们结合起来 ,提出了一种线性回归与时间序列加法预测模型 ,它提高了拟合度和预测能力。

误差为线性时间序列下的回归模型

本文获得线性时间序列加权和的渐近正态性，推广和改进了Tran等人在[1]中得到的结果．还得出了另一种通常采用的g(x)的近邻型估计的渐近正态性．

时间序列自回归模型在土壤水分预测中的应用研究

在黄土丘陵半干旱区,多年生柠条林地土壤旱化严重,为了实现土壤水资源可持续利用,需要依据土壤水分状况,调控柠条生长与土壤水关系,而监测和预报土壤水分是防旱抗旱、调控柠条生长与土壤水关系的基础。为此选取黄土丘陵半干旱地区柠条林地2011年4月至2013年2月的土壤含水量时间序列作为研究对象,将各土层土壤含水量变异系数分为3个变化范围,并从3个范围内各选取一个代表土层,建立自回归模型,运用AIC准则及最大似然估计法求解模型中的参数,卡方检验的结果认为建立的模型较好。经过实例验证,实测值与预测值的相关误差均小于10%,说明时间序列自回归模型能够很好地预测黄土丘陵半干旱地区柠条林地的土壤含水量。

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 。

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.

基于自动聚类和自回归模型的时间序列预测

针对股指时间序列,本文提出基于自动聚类和自回归的时间序列预测模型,将自动聚类算法与经典的时间序列模型合并.利用自动聚类算法将论域进行划分,得到相应的划分区间;再利用自回归模型确定预测数据的波动量;最后结合趋势和波动量得到最后的预测值.实验结果表明,提出的模型具有较好预测效果,在预测1992年台湾股指时间序列上,优于同类预测模型.