基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均(SARIMA)模型的递归预测方法.通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式,通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测.仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求.

基于季节性(差分整合)自回归移动平均模型的广西乙类传染病发病情况预测

目的应用季节性(差分整合)自回归移动平均(SARIMA)模型预测广西乙类传染病发病情况。方法将2011年1月至2022年5月广西乙类传染病月报告发病数据作为训练集构建时间序列,拟合和构建SARIMA预测模型;以2022年6月至11月的广西乙类传染病月报告发病数据作为测试集对模型进行测试。结果广西乙类传染病的发病情况呈季节性规律,最优预测模型为SARIMA(3,1,3)(2,0,0)_(12),其预测效果平均相对误差为7.99%,预测发病例数95%CI均包含了实际发病例数。结论SARIMA(3,1,3)(2,0,0)_(12)模型能较好地拟合广西乙类传染病的发病情况,可用于疫情的短期监测。

自回归求和移动平均乘积季节模型在西安地区出生缺陷预测中的应用

目的应用自回归求和移动平均(ARIMA)乘积季节模型预测西安市出生缺陷的发生率。方法利用2009年10月至2015年8月出生缺陷监测数据对西安市出生缺陷发生率数据构建ARIMA乘积季节模型,同时利用2015年9月至12月实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016年的出生缺陷发生率。结果西安市出生缺陷的发生率具有一定的趋势及季节性,建立了ARIMA(0,0,1)(0,1,1)12乘积季节模型,利用2015年9月至12月拟合值与实际出生缺陷发生率比较,绝对误差的平均9.5,相对误差的平均0.084,提示ARIMA(0,0,1)(0,1,1)12乘积季节模型具有较佳的预测能力。预测2016年西安市出生缺陷发生率与2015年接近,总体略有抬升,但峰值下降。结论 ARIMA(0,0,1)(0,1,1)12乘积季节模型可用于西安市出生缺陷发生率的预测。

长沙市流行性腮腺炎季节性自回归移动平均模型预测研究

目的采用季节性自回归移动平均(SARIMA)模型预测长沙市流行性腮腺炎发病数。方法收集2005—2015年长沙市报告的流行性腮腺炎病例数据,将2005—2014年数据作为建模数据,将2015年数据作为验证数据,开展SARIMA模型建立与验证研究,并对2016年流行性腮腺炎发病数进行预测。结果 SARIMA(3,0,0)×(1,0,0)_(12)模型可以很好地拟合实际数据,模型的展开式为:Y_t=222.545+1.225Y_(t-1)-0.713Y_(t-2)+0.291Y_(t-3)+0.366Y_(t-12)-0.448Y_(t-13)+0.261Y_(t-14)-0.107Y_(t-15)+a_t。将验证数据与预测数据进行相关性分析,结果显示呈显著性相关(r=0.61,P<0.001)。SARIMA模型预测2016年长沙市全年发病数将达到3 032例,平均月病例数为253例。结论 SARIMA模型可以用于流行性腮腺炎发病数预测,长沙市2016年流行性腮腺炎疫情仍处于高发态势。

自回归单整移动平均模型在财政支出预测中的应用

财政支出是一个地区或国家经济指标体系中的一个核心指标,它能综合反映经济活动总量和衡量一个地区或国家的工业经济发展水平。对财政支出进行定量分析并对其做出较为准确的预测则可以为相关部门或者企业制定发展规划、实施相关措施提供可靠的理论预测参考。通过财政支出规模和结构的预测,有利于指导未来财政支出结构优化工作的进行,同时建立财政支出结构预警体系,对于财政支出结构中出现异常波动的部分进行重点关注。本文是对财政支出预测理论和途径的一种探索,引入自回归单整移动平均模型,在模型的进一步使用中还需注意其他影响因素的出现,如经济波动、财政政策的大幅度调整等,未来还需要引入相关的要素对财政支出预算模型和理论进行不断完善。

基于季节性差分整合移动平均自回归模型的城市公交短期客流预测

为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本,对非平稳的客流时间序列进行1阶7步差分处理,对差分后的数据进行平稳性检验;通过相对信息量计算,确定预测模型中未知参数,对差分处理后的时间序列进行标准化残差检验,检验结果为白噪声序列,得到周期为7的季节性差分整合移动平均自回归预测模型;利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明,模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高,适用于青岛市公交短期客流量预测。

求和自回归移动平均乘积季节模型在北京市非职业性一氧化碳中毒事件预测中的应用

构建时间序列分析求和自回归移动平均(ARIMA)乘积季节模型,模拟并预测北京市非职业性一氧化碳(CO)中毒事件的发生趋势。采用SPSS 21.0软件对2012年1月—2022年9月北京市发生的非职业性CO中毒事件进行ARIMA模型拟合,预测2022年10月—2023年9月各月份发生CO中毒事件的次数,并采用2022年10月—2023年8月实际发生数进行验证。结果显示,构建的ARIMA(3,1,3)(2,1,1)12模型平稳R^(2)=0.39,决定系数R2=0.54,均方根误差(RMSE)3.06,均值绝对百分比误差(MAPE)84.78,平均绝对误差(MAE)2.23,贝叶斯信息准则(BIC)值2.73;杨-博克斯(Ljung-Box)统计量Q=7.58,P=0.58,残差序列为白噪声序列。总体而言,模型拟合适度较好。2022年10月—2023年8月各月份CO中毒发生次数实际值均在预测值95%置信区间,表现出较好的预测效果。拟合ARIMA(3,1,3)(2,1,1)12模型能很好地预测北京市非职业性CO中毒事件的发生,可用于中毒事件的监测预警工作。

基于季节自回归移动平均模型的新疆细菌性痢疾发病趋势预测

目的 分析新疆2005—2018年细菌性痢疾的流行特征,探讨季节自回归移动平均模型预测新疆细菌性痢疾发病规律的可行性和适用性,为预防和控制菌痢的决策工作提供科学依据。方法 采用描述性分析对菌痢流行特征进行分析,利用Python软件构建SARIMA模型并对发病趋势进行预测。结果 2005—2018年新疆菌痢平均年报告发病率为35.71/10万,发病高峰集中在6~10月。各年龄组菌痢发病率的差异有统计学意义(χ^(2)=145 605.90,P<0.001),其中0~5岁和>60岁年龄组患病所占比例较大。所得模型为SARIMA(0,1,2)(0,1,1)12,参数均有统计学意义(P<0.05),对残差序列进行Ljung-Box Q检验(Ljung-Box Q test, LBQ),差异无统计学意义(LBQ=0.68,P=0.41),即残差序列为白噪声。预测值与观测值的相对误差范围为3.29%~75.32%,平均相对误差为11.34%。采用构建的最优SARIMA模型,以2005—2018年菌痢月发病率数据为基础,对2019年的发病趋势进行预测,显示其发病率呈下降的态势。结论 SARIMA(0,1,2)(0,1,1)12模型预测新疆菌痢发病率有较好的精确度,可以用于疾病的中期预测。

应用ARIMA乘积季节模型对耐碳青霉烯类肺炎克雷伯菌流行趋势预测效果研究

目的研究自回归求和移动平均(ARIMA)乘积季节模型在耐碳青霉烯类肺炎克雷伯菌(CRKP)流行趋势预测中的应用价值,为掌握医院CRKP流行趋势及制定防控对策提供参考。方法基于2016—2021年嘉兴市某三级甲等综合性医院CRKP月检出株数,应用SPSS 26.0软件构建ARIMA乘积季节模型,以2022年实际CRKP月检出株数作为评估模型的样本与预测值进行比较,评价模型的预测效果。结果2016—2021年该院CRKP检出总数呈下降趋势,发病集中在每年的7—9月,9月为发病高峰,具有周期性和季节性。拟合的ARIMA(0,1,2)(0,1,0)12模型贝叶斯信息准则(BIC)为0.43,平均绝对百分误差(MAPE)为16.54,模型残差序列的Ljung-Box检验差异无统计学意义(Q=11.06,P=0.81),残差序列为白噪声,说明该模型拟合良好,确定为最优模型。2022年1—12月CRKP月检出株数用以验证模型的预测效果,结果显示实际发病趋势与预测曲线图较为吻合,实际值均位于预测值的95%置信区间内,预测误差-33.33%~25.00%,平均相对误差15.56%,说明模型的预测效果较好。结论ARIMA乘积季节模型能较好地拟合该院CRKP检出株数的时间变化,可用于CRKP流行趋势的短期预测和动态分析,为医院CRKP感染的早期预警和防控提供理论依据。

基于SARIMA模型的城市热岛季节性时序预测研究

针对目前出现的极端气候问题,本研究引入SARIMA季节性时序预测模型来预测城市热岛。首先利用单窗算法进行地表温度反演并进行精度验证;然后采用SARIMA模对地表温度进行拟合和未来温度变化预测。基于季节性差分自回归移动平均模型,结果表明SARIMA模型的城市热岛季节性时序拟合和预测效果具有较高的可靠性和准确性。

基于水电储能调节的风光水发电联合优化调度策略

为缓解新能源装机容量扩大引起的弃风弃光现象,在已有梯级水电上下电站之间加入储能泵站,提出风光水储短期优化调度策略。构建以风光水储系统负荷跟踪误差最小、梯级水电站发电量最大和梯级水电站发电耗水量最小的多目标优化调度模型;提出基于季节性自回归移动平均(seasonal auto-regressive lntegrated moving average, SARIMA)模型和Copula函数的风光出力预测模型作为优化调度模型的边界条件,通过SARIMA预测模型将风光出力历史数据分解为季节性分量、趋势分量以及随机噪声余项进行全天96个调度时段风光出力预测,并叠加上基于Copula函数生成风光出力预测误差,然后通过拉丁超立方采样以及K-means聚类进行场景生成和缩减得到5个风光出力场景。选取风光典型日出力数据为例进行算例分析,算例结果表明:所提预测模型较SARIMA模型可以显著提高预测准确度,模型预测风光出力均方根误差从33.34、229.49 MW分别下降至0.697、9.534 MW;所提优化调度策略可以在全年丰、平、枯水期有效减少弃风弃光现象,并可将过剩新能源中的50%转化为上级水库储存水能。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

北京市东城区2009—2019年蝇类生态学监测结果分析及其预测方法探讨

目的 掌握北京市东城区2009—2019年蝇种类、密度、分布及其季节消长规律,探讨基于生态学监测的蝇类密度预测方法,为东城区蝇类预测与科学防控提供依据。方法 收集整理东城区2009—2019年蝇类生态学监测数据并进行分析;利用MATLAB R2018b软件构建的季节性差分自回归移动平均模型(SARIMA)对2019年4—10月的蝇类密度进行预测并与实际监测值进行比较,验证模型预测效果。结果 2009—2019年东城区各生态学监测点蝇类年平均密度为7.09只/笼,优势蝇种为麻蝇科,占捕获蝇总数的56.82%,占比超过5%以上的蝇种类依次为厩腐蝇(11.74%)、家蝇(10.17%)、丝光绿蝇(8.99%)和大头金蝇(6.93%);不同生境中,宾馆饭店蝇类密度最高,为11.86只/笼,餐饮外环境最低,为2.20只/笼,麻蝇科在不同生境中均为优势种群;蝇类密度高峰主要出现在7月和8月。基于历史生态学监测数据构建的最优模型SARIMA(0,1,4)(2,1,3)12预测2019年4—10月的蝇类密度与实际密度基本一致,实际监测值均落在预测值95%置信区间内,模型评价指标均方根误差(RMSE)和平均绝对误差(MAE)分别为1.379和1.014,预测效果较好。结论 2009—2019年北京市东城区以麻蝇科为优势种群,宾馆饭店是蝇类防控的重点场所,活动高峰主要出现在7—8月;通过对SARIMA模型效果评价,该方法可用于蝇类密度短期变化趋势预测。

基于SARIMAX-SVR的光伏发电功率预测

为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发电功率预测方法。首先,采用相关性特征法聚类气象条件中关键气象因子,以消除数据冗余并降低ARIMAX模型的复杂性;其次,在ARIMAX模型中引入季节性因素,构建SARIMAX模型来捕捉数据的季节性变化;最后,使用SARIMAX模型的拟合残差其作为SVR模型的输入,进一步拟合数据的非线性。通过仿真算例分析表明,所提方法可显著提高光伏发电功率预测精度。

应用自适应HP滤波的卫星遥测数据预测方法

在应用HP(Hodrick-Prescott)滤波的卫星遥测数据预测方法的基础上进一步研究,提出了基于二分法和琴生不等式判别的自适应HP滤波的遥测数据预测方法,有效解决了平滑参数的选择困难。同时,趋势项和波动项预测在应用HP滤波的方法的基础上有创新和优化,分别采用了线性预测模型和自回归单整移动平均(ARIMA)模型,有利于有效趋势特征提取和模型参数调整范围的优化。应用文章方法对卫星在轨行波管阳极电压数据进行分析,证实了方法的正确性和有效性。此方法可有效提高预测精度,实现遥测数据中长期预测,在卫星故障诊断和预警方面具有工程应用价值。

乘积季节ARIMA模型在食源性疾病预测中的应用

目的探讨应用乘积季节自回归求和移动平均模型(autoregressive integrated moving average,ARIMA)预测如东县食源性疾病发病的可行性,为食源性疾病的预防和控制提供依据。方法基于2004年1月至2010年12月食源性疾病人数建立乘积季节ARIMA模型,用2011年食源性疾病资料验证模型的预测效果,用所得模型预测2012年食源性疾病发病人数。结果 ARIMA(0,1,1)×(0,1,1)12较好地拟合了既往时间段食源性疾病发病人数的时间序列,拟合平均相对误差为2.7%,预测2012年如东县食源性疾病发病总人数为64人。结论乘积季节ARIMA模型可以较好地拟合食源性疾病的时间变化趋势,并用于预测未来的食源性疾病,是一种短期预测精度较高的预测模型。

ARIMA乘积季节模型在上海市甲肝发病预测中的应用

目的应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型分析季节性时间序列,建立上海市病毒性甲型肝炎发病率的预测模型。方法利用上海市1990年至2011年甲肝按月发病数的历史疫情数据,采用非条件最小二乘法估计模型参数,模型阶数确定后,建立甲肝按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均的参数分别是0.6341和0.9999,季节自回归的参数是0.4059,t检验的P值均<0.0001,方差估计值是0.1593,AIC=282.1478,SBC=292.7242,对建立的模型进行残差的白噪声检验,χ2检验统计量的P值均>0.05,据此建立ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型,模型表达式(1-0.405 9B12)(1-B)(1-B12)Yt=(1-0.634 1B)(1-0.999 9B12)εt,并开展上海市甲肝发病数的预测。结论 ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型可用于预测上海市病毒性甲型肝炎发病的季节模型。

季节性变动影响下的上海港集装箱吞吐量预测

港口吞吐量精准预测对于每一个港口的成功经营和有效决策都十分重要.季节性波动经常会影响港口吞吐量,为了更为准确地预测上海港口集装箱吞吐量,本文选取2007年至2012年上海港母港集装箱吞吐量的月度数据,并对于港口集装箱吞吐量的月度数据中出现的季节性波动进行了处理,采用季节时间序列模型对其进行预测.为了说明方法的有效性,以同样的数据,使用整自回归移动平均模型对上海港集装箱吞吐量进行预测.两种方法预测结果进行对比发现,利用季节时间序列模型对港口集装箱吞吐量季节性进行处理,能够提高港口集装箱吞吐量的预测精度.

时间序列季节调整方法在中国的发展：PBC版X-12-ARIMA

中国人民银行(PBC)版X-12-ARIMA软件是基于中国特点而定制的时间序列季节调整软件。通过总结时间序列季节调整方法的特点以及相应软件在国外的发展,针对我国应用的特点,尤其是春节因素的考虑,在解剖X-12-ARIMA方法原理的基础上,在春节因素计算方法、软件应用界面以及用户使用帮助等3个主要方面加以改进,具有数据导入、调整设置文件、运行方式以及结果输出4方面的特色。

季节性求和自回归移动平均模型在北京市房山区感染性腹泻发病趋势预测中的应用

目的构建北京市房山区感染性腹泻发病的季节性求和自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型并进行预测。方法应用R 3.0.1软件程序包中的TSA对2004 2013年房山区感染性腹泻月发病率构建模型,并对2014年各月感染性腹泻月发病率进行预测和评价。结果 SARIMA(0,0,2)(0,1,1)12模型较好地拟合既往时间段月发病率,对2014年发病趋势拟合平均相对误差为19.164%,对年发病率拟合平均相对误差为2.303%。结论 SARIMA(0,0,2)(0,1,1)12模型能够很好拟合感染性腹泻月发病率数据,可用于房山区感染性腹泻发病趋势的短期预测,为下一步采取针对性防控措施提供科学依据。