基于季节性ARIMA模型的短时交通流预测方法研究

综合道路特点、行驶时间和车辆的特征等信息,采用时间差值法筛除无效数据,剔除运营车数据;在通过序列分解与ADF-1平稳性检验后,提出基于季节性ARIMA模型的短时交通流预测技术,以探究该模型下车流量预测精度达到最佳预测效果时的最优采样间隔;采用AIC准则对参数寻优定阶,ADF检验和差分分析选择最优的差分阶层;为确保模型的可靠性,使用Ljung-Box Q检验进行白噪声检验。结果表明,时间间隔为15 min的车流量统计模型SARIMA(1,1,2)×(2,0,0)4在预测精度和稳定性方面均优于其他时间间隔和传统的ARIMA模型。同时,该方法也具有一定的通用性,可以应用于其他领域的短时流量预测。

张家川支气管肺炎月发病率的季节性ARIMA模型

医学卫生领域,疾病受到许多因素的影响,很难用结构式因果模型加以解释,根据其自身变动规律建立时间序列的动态模型则是一种行之有效的方法。据此,本文研究了季节性模型在张家川地区支气管肺炎月发病率中的应用。利用2001年9月至2006年7月张家川地区支气管肺炎月发病率资料绘制出时序分布图,观察到该疾病高发在每年12月左右,且有季节性趋势;作偏相关和自相关图,根据模型定阶原则,且残差没有自相关性,进行时间序列模型拟合;最终得到时间序列模型ARIMA(1,0,1)×(2,1,1)12,及其相关数学表达式(1-0.517B)(1+0.784B12+0.137φ2B24)(1-B)12Δ11Zt=(1+0.196B)(1+0.876B12)at,并进行实际值与预测值的比较,估计值虽然与实际值有差异,但基本趋势一致。因此,应该充分考虑各时间段的发病特征,以便更有重点地进行健康防治,有效降低支气管肺炎对人类的危害,保障人类的生活品质。

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析。首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果。

基于季节性ARIMA模型的中国CPI序列分析与预测

CPI是衡量一国宏观经济运行状况的重要参考指标之一,国际上通常用CPI来反映通货膨胀的程度,它是一国制定宏观经济政策、分析债券市场、货币市场和央行公开市场操作的重要参考依据。对CPI的准确预测能为我国货币政策的制定提供一定的依据。文章以CPI时间序列为样本,旨在从其内在动力机制出发,选择季节性ARIMA模型,找寻CPI的变化规律并加以预测。

基于季节性ARIMA模型的入境旅游市场预测模型构建

基于1999~2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)12模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施.

季节性ARIMA模型在疑似预防接种异常反应报告趋势预测中的应用

目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别、模型参数的估计、检验,建立季节性ARIMA模型,对辽宁省AEFI报告数进行模型拟合,用2019年1-12月的预测值与实际值作比较,检验模型的预测能力。结果经过多次检验,确定ARIMA(0,1,1)(1,1,1)_(12)模型预测能力最佳,其残差序列为白噪声。用2019年1-12月数据检验模型,由MAPE的绝对值可以看出,除3月外其他月份预测值与实际值相差均较小,说明模型的拟合优度相对较好,预测结果可靠。结论季节性ARIMA(0,1,1)(1,1,1)_(12)模型可以较为准确地预测辽宁省AEFI病例报告趋势,可为合理配置AEFI调查诊断所需资源提供理论依据。

季节性ARIMA模型在江门市手足口病疫情预测中的应用

目的构建时间序列ARIMA乘积季节性模型,预测江门市手足口病发病趋势,探讨该模型在预测手足口病发病率中的应用。方法根据2009年1月～2017年6月手足口病月报告发病率时间序列构建模型,以2017年7～12月手足口病发病率为验证数据,验证预测模型效果。结果模型ARIMA(1,0,1)(0,1,1)_(12)为最优模型,其BIC=9.87,Ljung-Box=21.76,P=0.11,2017年7～12月手足口病月发病率预测值和实际值的平均相对误差为18.14%,实际值都在预测值95%置信区间内。结论 ARIMA模型能较好预测手足口病发病变化趋势,模型预测效果有待进一步优化。

基于季节性ARIMA模型的新零售精准预测

本文旨在建立新零售的精准预测模型,首先通过对新零售目标商品的主要指标数据进行数据预处理,接着建立Pearson相关系数模型,使用Python分析得到热力图,确定销售量具有较好的预测性并存在自相关性,将其作为本文预测模型的重要决策变量,然后建立差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA),同时考虑商品由于季节所造成的影响,并优化成季节性ARIMA预测模型,最后使用平均绝对百分比误差(MAPE)评估模型,得到预测误差百分比均值为19.33%。本文模型预测误差小,对新零售商品的预测具有指导意义。

季节性ARIMA模型对社会消费品零售总额的建模和预报

近年来,我国消费品市场总量不断扩大,消费持续发挥着经济增长第一驱动力的作用。时间序列领域,季节性ARIMA模型是一种较为有效的预报模型。本文对近年的社会消费品零售总额做简要的分析并通过建立季节性ARIMA模型来预测2019年各月的社会消费品零售总额情况。

基于季节性ARIMA模型的小区供水预测

为了减少二次供水设施给小区供水管网所带来的压力,对供水管网运行状况进行更加精确的预测。结合物联网和时间序列分析等技术,通过对供水管网的历史数据的分析,采用季节性ARIMA模型对供水数据进行预测。设计数据预测分析的步骤和方案,建立方差估值为0.404 9、AIC为284.85的ARIMA(3,0,1)×(1,1,1)24模型。实验结果表明,设计的季节性ARIMA模型的预测周期短且有较高的预测精度,能够有效地对供水管网运行状态进行预测。

基于乘积季节性ARIMA模型对神经内科医院感染发病率的预测研究

目的建立神经内科病房医院感染预警模型,预测神经内科患者发生医院感染的风险,为早期防控提供依据。方法收集贵州省某三级甲等医院神经内科病房医院感染发病率数据,构建乘积季节性ARIMA(p,d,q)×(P,D,Q) s模型,对建立的模型进行参数估计、模型诊断,选择最优预测模型。利用构建的最佳模型对神经内科病房医院感染发病率进行预测,并对预测效果进行评价。结果以该院2014—2017年神经内科月度医院感染发病率数据作为训练样本,获得最优预测模型ARIMA(2,1,2)×(1,1,1)_4。以2018年1—5月数据作为模型预测验证样本,结果显示,模型预测值的动态趋势与实际情况基本一致,实际发病率均在预测值的95%置信区间内。用此模型对2018年6—12月神经内科医院感染发病率作预测,预测结果显示预测值均位于95%的置信区间内。结论 ARIMA(2,1,2)×(1,1,1)_4模型能较好地模拟神经内科病房医院感染发病率变化趋势,具有良好的预测效果。

基于季节性ARIMA模型的民航客运量预测

新冠肺炎疫情的爆发对我国经济发展造成较大影响,民航客运业受到极大重创,面对不稳定的旅客运输数量,在保证满足客运需求的同时做到资源最优化是民航企业的一大难题。本文对民航客运量相关研究进行了文献梳理,选取了我国民航旅客运输量2010年1月至2019年12月的历史月度当期值作为样本,建立了Holt-Winters三指数平滑模型和具有季节性的ARIMA模型,挑选出了拟合优度高的ARIMA(0,1,2)(0,1,0)加法模型和ARIMA(0,1,1)(0,1,1)乘法模型,预测了没有疫情影响下的2020年与2021年的民航客运量,与这两年的实际情况相结合,并向民航相关部门提出建议。

基于季节性ARIMA模型的河流观测点流量的时序分析

采用季节性ARIMA模型拟合1960-2009年某河流观测点流量.通过比较,得到ARIMA（1,0,0）×ARIMA（0,1,1）12模型,并用这一模型预测2010年1-12月的流量,预测效果显著.

基于季节性ARIMA模型的全社会用电量预测研究

在分析我国2009年9月至2016年12月全社会用电量月度数据的走势特征基础上,构建了ARIMA(2,1,1)(1,1,0)12模型并通过白噪声检验验证了模型的准确性,最后利用该模型预测了2017年1月至2018年6月全社会用电量,并提出相关对策建议,以维持用电量平稳、提高能源利用率。

月径流序列的季节性ARIMA模型

基于月径流序列是一类周期性的非平稳时间序列的特点,本文建立了季节性ARIMA 模型.文中编制了电算程序,并应用于水库的月径流预报,获得了满意的结果.

基于季节性ARIMA模型的中国货物周转量短期预测

交通运输业的发展对国民经济具有先导作用,利用过去的货物周转量预测未来值,有利于反映物流产业发展趋势。基于国家统计局公开的2012年1月至2020年12月共9年中国货物周转量月度数据,分别选用简单季节ARIMA模型和乘积季节ARIMA模型进行拟合,并预测2021年1月至12月的货物周转量数据。使用两种模型进行预测的平均相对误差均较小,并且乘积季节模型的预测能力优于简单季节模型。

基于季节ARIMA模型对某三级综合性医院门诊量的预测研究

目的 通过建立季节ARIMA模型,对浙江省某三级综合性医院门诊量进行预测,为医院合理配备门诊人力资源提供依据。方法 以2013年1—6月浙江省某医院门诊量数据为基线,利用SPSS软件构建季节ARIMA模型,对2023年7—12月的门诊量进行预测,通过对比门诊量实测值,评价季节ARIMA模型预测门诊人次的精度。结果 该综合性医院门诊量呈现逐年上升趋势,并呈现周期性波动的特征。拟合的最优季节ARIMA模型为ARIMA(0,1,1)(1,0,1)12,BIC(贝叶斯信息准则)为5.273,MAPE(平均绝对百分误差)为14.265,R2(模块决定系数)为0.408,总体相对误差为1.83%,预测结果良好。结论 季节ARIMA模型较好地模拟了该三级综合性医院门诊量在时间序列上的变化趋势,为该院门诊量的短期预测提供理论依据。

一种用于季节性产品需求预测的多元化堆叠回归模型

产品需求预测是智慧供应链的核心环节。针对具有季节性的快消品的需求特点,设计了一种结合Blending线性与多机器学习模型融合的多元化堆叠回归模型RXOEL-X。首先,介绍了RXOEL-X模型的构建及运行步骤,然后基于一组公开数据将此模型与五种传统单一化模型进行比较,证明其在预测精度方面比其他模型更优。同时基于某饮料公司的实际销售数据,对模型性能进行进一步测试,证明RXOEL-X模型在预测精度、数据拟合能力、时间效率等方面整体表现最佳。RXOEL-X模型为季节性产品乃至更广泛的企业供应链管理中的需求预测问题提供了一种前沿的解决策略,有利于帮助企业在节省成本、减少库存积压的同时,提高对市场变化的响应速度和供应链的整体灵活性。

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。

基于ANN-CA模型的F县季节性闲置耕地模拟及预测

为保护耕地和提高耕地利用率,促进农业可持续发展,本研究利用ANN-CA模型对F县的季节性闲置耕地情况进行模拟预测。模拟结果表明,在α=2,T=0.8的参数组合下,各类用地变化的模拟精度较高,模拟出的用地变化情况与2020年的实际用地情况较为贴近;根据季节性闲置耕地识别规则模拟出F县未来耕地季节性闲置现象呈现明显好转趋势,预测2025年F县季节性闲置耕地主要集中在东北部和南部,面积为25.8318km^(2)。生产中,注意对耕地进行科学合理的养护和利用,以保障农作物的产量和质量,确保农业可持续发展。