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.

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。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

时间序列模型在经济分析中的应用——陕西省GDP分析与预测

相对精准的GDP分析与预测可以为国家或地区在进行经济发展战略部署及相关发展措施的制定方面提供重要参考依据。文章借助时间序列的相关定义和方法,分析和模拟了影响陕西省GDP的主要因素及其与第一、二、三产业的关系,并进一步采用数据分析方法,建立不同的模型并加以比较,得出了最佳的预测模型,并对第一、二、三产业与GDP进行了预测。

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。

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。

基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法;利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值;实验证明该方法可精准预测不同类型绿色建筑的短期供暖能耗,在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小,预测的可决系数较高,即预测精度较高。

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.

基于灰色—时间序列组合模型的建筑沉降预测

为了更加准确地掌握建筑物沉降变形规律,科学预测沉降变化趋势,在灰色系统和时间序列模型的基础上,将两种单一模型结合,构建灰色—时间组合预测模型,通过建筑沉降实测数据验证组合模型的建筑沉降预测结果。相比灰色和时间序列单一模型,灰色—时间序列组合预测模型具有更高的预测精度和稳定性,在建筑沉降长期预测方面具有明显优势。

基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明:ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。

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。

边坡变形的灰色-时间序列组合预测模型

边坡变形是一个非平稳的时间序列,可分解为趋势项和随机项两个部分。利用灰色模型对边坡变形非平稳时间序列进行趋势项提取,使非平稳时间序列转化为平稳时间序列,对随机项进行时间序列分析。将以上两个模型结合,建立起灰色-时间序列(GM-AR)组合预测模型。以茅坪滑坡变形和某尾矿库边坡变形为例进行预测分析,对比结果可知,组合预测模型具有更高的预测精度和良好的应用前景。

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度。该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SARIMA模型中提取的单位节点比例对LSTM得到的初步预测结果进行修正,得到最终预测结果。实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性。

基于AR与DNN联合模型的地理传感器时间序列预测

地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。

观测分析中的回归-时序列模型

大坝观测数据经常规回归分析后的残差序列一般并非为白噪声 .考虑将回归拟合与随机型时间序列方法结合 ,先对大坝位移数据按水位、温度、时效等物理因素作回归分析 ,再对回归残差作时序列建模处理 .实例采用Box- Jenkins法和由自相关、偏自相关函数及 AIC准则进行模型识别 ,建立时序列模型 .应用示例的计算表明 ,这样获得的回归 -时序列模型能很好拟合实测数据 ,提高精度 ,误差序列也符合白噪声要求 .

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。

银行房屋抵押贷款总额的时间序列预测——基于ARMA模型与趋势-ARMA组合模型的比较分析

基于1990年第一季度到2011年第三季度美国全部银行的房屋抵押贷款总额,建立了ARMA模型以及组合模型来拟合时间序列,并通过残差序列趋势和残差序列相关图,偏相关图等的分析,预测出2011年第四季度与2012年第一季度的美国全部银行的贷款总额。

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。