基于季节性时间序列模型的西藏那曲牧草生长预测研究

为了保护西藏生态环境,了解牧草相关的生长情况,使用NASA提供的16天合成MODIS数据,以归一化植被指数(NDVI)作为牧草的生长覆盖特征指标,预测NDVI就可以更好地评估牧草的生长情况,以那曲市的NDVI为例,利用ARIMA和SARIMA模型进行预测,结果显示SARIMA模型有着良好精度预测,能够更好地评估牧草地生长情况。

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。

季节性多元回归模型与时间序列分解模型在内陆用箱需求预测中的应用比较

“一带一路”战略的部署和实施推动我国产业结构调整和经济转型发展,作为连接丝绸之路经济带与海上丝绸之路的桥梁,我国中西部经济走廊的作用和地位越发显现.一方面,随着沿海制造业向内陆转移,腹地货源得到释放,从而带动物流运输业发展;另一方面,在世界经济下行以及集装箱船舶运力严重过剩的背景下,船公司为填满舱位,争相通过向内陆延伸海运服务来扩大营销网络覆盖面,以期从源头上掌提集装箱货源,

探讨基于小波分析的季节性时间序列预测模型

利用 SAS软件编程对季节性时间序列进行非线性加权拟合、利用 C语言编程进行门限小波包 3级分解及重构 。

多元时间序列的回声状态网络模型表达与分类

回声状态网络(echo state network,ESN)的储备池结构不仅能充分挖掘序列数据中动态信息,也进一步提高了训练效率。然而目前基于ESN的算法难以达到复杂神经网络的精度,为此提出一种基于生成模型距离度量的多元时间序列学习与分类方法。利用ESN在动态数据表示的优势将低维动态原始输入映射到高维静态空间,再拟合储备池状态序列的生成模型作为数据的模型表达,结合原型推理,基于生成模型集合张成的空间中原型与输入的距离进行分类,其结果能通过在模型读出空间的相似原型来推导,具有可解释性。基准数据集上的实验验证了该方法在算法实时性和分类性能上的优势。

小波分析在建立季节性趋势时间序列预测模型中的应用研究

为探讨小波分析在建立季节性趋势时间序列预测模型中的作用,提高预测精度,研究选择Meyer小波作3层分解与重构,分离出时间序列中的趋势项、周期项和随机项并分别建模。与Box-Jenkins模型相比较,验证该方法是可行的。

基于VAR模型的多元时间序列预测研究

为了研究因果序列使用VAR模型对多元时间序列预测的影响,选择2014年1月1日至2014年4年30日的中国银行数据的五组时间序列,即开盘价、最高价、最低价、关盘价和成交量进行多元预测,前期进行格兰杰因果性检验发现前四组序列存在因果关系,成交量序列与前四组关系不大。基于此,实验提出采用VAR+ARIMA模型和纯VAR模型对中国银行数据进行预测。结果表明:因果序列采用VAR模型预测效果,比非因果序列预测效果更佳。并且非因果序列预测会影响原因果序列预测的拟合效果。

改进的半参数模型法在GNSS时间序列季节性信号提取中的应用

GNSS基准站坐标时间序列具有明显的季节性变化。基于谐波函数模型的最小二乘拟合方法只能得到固定振幅的季节性信号,而真实的季节性信号其振幅是变化的。采用半参数模型进行季节性信号提取时又存在最优平滑因子确定困难、迭代速度慢的问题。提出一种赋相对权比的半参数模型,采用迭代更快速的黄金分割法与改进效率法相结合的策略确定最优平滑因子。通过模拟数据实验,验证了改进模型的可用性。实验表明:改进方法的计算效率明显提高,对于10 a长度的模拟数据,相较GCV函数法搜索速度提高68.1%,相较L-曲线法速度提高25.8%;计算精度较最小二乘法和半参数模型法均有提高,所得残差中没有明显的季节性信号。

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。

利用Fourier级数模型预测具有非季节性周期的时间序列

文中建立时间序列模型与Fourier级数模型的混合预测模型,使模型能够有效地对具有非季节性周期的数据进行预测。结果表明:模型能较好地反映数据的周期性,也有较准确的短期外延预测效果,但模型对奇异值的拟合和预测能力还须提高。

基于季节性时间序列组合模型的电信运营商呼叫中心话务量预测

一、研究背景通信行业不断发展，移动电话基本普及，更随着ICT的不断发展，电信运营商提供的商品越来越多样化，运营商呼叫中心受到的话务量的压力越来越大。一个普通省公司的呼叫中心每天的话务量就达到20多万，话务员的数量也达到近千人。

基于时间序列和多元模型的集约化猪舍温度预测

【目的】从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。【方法】采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。【结果】对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。【结论】本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。

基于ARIMA的多元时间序列神经网络预测模型研究

文章基于ARIMA模型具备准确提取时间序列当前值、过去值及误差值之间回归关系的能力,人工神经网络具备对各种变量的感知能力强,非线性逼近、自适应、自学习性等特性,构建了一种多元时间序列预测模型,并进行了理论探讨和实证。该模型能较准确模拟和预测时间序列的变化规律,可较好满足对复杂时间序列的分析预测需求。

基于Transformer的时间序列插补技术研究

本文旨在解决多元时间序列数据中的缺失值插补问题,提升时间序列数据插补的效果。时间序列数据是反映随时间变化的随机变量的结果,在物联网应用中得到广泛应用。然而,数据缺失问题是时间序列处理中的一个重要挑战,因为大多数下游算法需要完整的数据进行训练。本文通过总结以往时间序列建模过程中采用的插补方法,改进了一种基于Transformer模型的插补模型,并在多个数据集中验证了本文中插补模型的效果。通过本文的研究,可提高时间序列预测的准确性和实用性,对于物联网应用和其他领域中的时间序列分析具有一定的实用价值。

基于时间序列的校园网络流量分析

准确分析校园网络的使用趋势和及时检测网络异常,是众多高校校园管理者提高网络资源利用率和应对网络故障做出判断和响应的关键。使用STL季节性分解算法对网络流量数据原始时间序列进行分离,获得长期趋势、季节差异和短期波动特征,分析校园网络使用情况。同时,将季节性分解算法与ARIMA模型相结合,建立SARIMA模型,通过获取某高校8个月的168万条校园网络数据,建立适应动态特征网络流量变化的复杂时间序列模型,对未来可能的网络流量值进行预测,当预测值与真实值的差值过大时,视为流量出现异常,产生网络预警信息。

基于多元时间序列的Kn近邻预测模型

提出了一种基于多元时间序列的Ｋｎ近邻短期气候预测模型。该模型既保留了Ｋｎ近邻算法的优良特性，同时又考虑了气候系统有关状态量之间的物理关系和动力行为特性。用该模型对云南各区域的平均月雨量距平值进行预测试验，其对云南１９９１年５月～１９９８年６月的月雨量距平值预测检验的距平符号相关准确率为６３．５％，对云南１９９１～１９９８年的５月雨量距平值预测检验的距平符号相关准确率则可达到７０．０％。该模型的建立具有一定的实际业务应用价值。

时间序列GM（1，1）残差季节周期模型及其应用

时间序列ＧＭ（１，１）残差季节周期模型及其应用许汝福王文昌尹金焕张蔚（第三军医大学卫生统计学教研室重庆６３００３８）季节性资料的分析多采用经典时间序列分析技术，由于涉及因素较多，常需要较大的样本含量才能保证其预测效果［１］。本文将ＧＭ（１，１）模型与...

基于多元统计时间序列模型的间歇过程故障预测方法研究

青霉素发酵过程是一个典型的间歇过程并且生产过程伴随着非线性,多阶段,动态性能等特点,一旦过程中发生故障,发酵底物可能会被破坏,造成巨大的财产损失,因此提前预测间歇过程的故障是非常有意义的。针对间歇过程多元统计(MPCA)故障诊断的研究方法,文中提出一种时间序列模型与MPCA相结合的方法来预测缓变故障,在建立和SPE统计量的自回归模型之后,再与各自建立的控制限对比,判断是否超限来预测渐变故障。文中采用的是Pensim 2.0仿真平台对该方法进行仿真研究,仿真结果验证了该方法的有效性。