应用自回归移动平均模型乘积季节模型预测兰州市水相关疾病发病情况

目的探讨自回归移动平均模型(autoregressive integrated moving average model,ARIMA)乘积季节模型在水相关疾病发病率发病趋势预测中的应用,对兰州市水相关疾病发病情况进行预测。方法收集2006年1月—2014年12月水相关疾病发病率数据,利用R软件构建ARIMA乘积季节模型,利用2015—2017年实际发病率与模型拟合数据比较,评价模型的预测性能,并预测2015—2017年水相关疾病的发病率。结果在水相关疾病预测中建立ARIMA(2,0,1)×(2,0,0)_(12)乘积季节模型,Ljung-Box检验差异无统计学意义(Q=18.64,P=0.824),2015年—2017年兰州市常见水相关疾病实际发病率均在预测结果95%可信区间内,平均预测相对误差为5%。结论 ARIMA乘积季节模型可以较好的预测兰州市水相关疾病发病率的变化趋势,能够运用于水相关疾病发病趋势的预测及预警,为防控措施的制定提供参考。

基于自回归移动平均模型的国际金融危机对四川经济的影响分析研究

2008年发生的美国次贷危机引发的全球金融危机给世界各国的经济特别是金融行业带来了强烈的冲击。金融危机主要通过投资渠道、贸易渠道、汇率渠道以及预期渠道直接或间接影响四川经济。为估算这种影响,文章基于自回归移动平均模型(ARIMA)的特殊性,选取了2000～2008年的样本数据,运用时间序列建模技术,从直接影响和间接影响两个维度7项指标所描述的经济发展指标上,详尽分析研究了国际金融危机对四川经济的影响。文章克服了实际工作部门在测算该种影响时,不考虑经济序列长期发展趋势的不足,并就其对我国经济和四川经济发展的影响作了探讨,在此基础上,提出四川省市应对经济危机的措施,以供相关部门决策时参考。

基于时空联合的移动应用服务QoS动态建模

针对目前静态服务质量QoS模型难以表征移动应用服务QoS的时变性和位置相关性,构建时空联合的移动应用服务QoS动态模型。首先提出可计算的时间与位置复用QoS模型(time and location multiplexing QoS model,TLMQM),在该模型中,时间和位置划分是动态建模的关键。为此,将业务流量均匀离散化,基于遗传算法进行数据聚类,实现时段自动划分;将服务位置特征与无线传播环境关联,基于接收信号强度RSSI区间范围,实现服务位置区域划分。最后给出了QoS评估过程和应用框架。

π-TFSK 相移时频调制信号及其数学模型

在移动通信中，特别是高速移动数据传输情况下，由于高速移动而产生的衰落以及多径波的干扰，传输特性及差错率特性恶化。相移时频调制正是为了对抗衰落与多径延迟而产生的。本论文主要讨论时频调制信号及其相关函数，并建立了π－ＴＦＳＫ相移时频调制信号的数学模型。

一种线性移动自回归预测模型

应用线性回归分析和移动平均理论 ,对按时间次序排列的单一数据序列 ,给出了一种线性移动自回归预测模型 ,并对原始数据受不确定因素影响而产生的随机振荡 ,给出了合理的控制区间和运行通道。将其应用于深圳证券交易所股价综合指数每日收盘指数序列 ,得到了与实际情况相符合的结果 ,预测的准确性相当之高 ,具有一定的创新性和实际应用价值。

欧亚商都购物人次时间序列预测模型

时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,文中采用1998～2002年的数据,应用时间序列分析中的ARIMA模型对欧亚商都2003～2004年的季节购物人次进行了预测,实际计算过程由Eviews软件的自回归移动平均模型ARIMA过程实现,结果与实际数据基本相符,本模型所取参数对欧亚商都购物人次的短期预测是行之有效的。

实用时序模型的评价和探索

一、绪论在经济预测中运用的预测方法,不外乎逻辑判断和数学模型两大类。而数学模型又可大体上分成因果模型和时序模型二种类别。揭示经济变量间内在因果联系的数学校型称为因果模型;不考虑经济变量间的相互关系,只考察单个变量在时间方面上的发展变化规律。

双均线择时策略的循环优化与绩效研究——来自上证50指数的证据

均线策略是业界趋势择时的常用策略,但由于其参数优化的理论研究匮乏,致使均线策略的预测能力常被学界低估。本文系统地回顾了国内外均线择时的建模方法,按照循环迭代的方式寻找双均线策略的最优化解,并将数据可视化,为科学使用双均线策略提供了思路。本文以上证50指数为标的,实证得出的迭代最优解突破了以往对长短周期的常规限制,一定程度上解决了均线交易信号频繁产生导致高交易成本的弊病,相比买入持有策略,较大程度地提升了交易绩效。

基于时空数据挖掘的案事件时空分析研究

近年来,随着地理信息技术的提升和公安信息化工程的进一步发展,有大量的案事件信息堆积在公安部门。但是,面对复杂的违法犯罪形势及日积月累的案事件数据,知识贫乏的问题成为打击预防犯罪道路上的“绊脚石”。为解决这一问题,本研究引入时空自相关移动平均模型(Spatio-Temporal Autoregressive Integrated Moving Average,STARMA)对案事件进行时空预测分析,最后通过实证验证方法的有效性。

时空神经网络及其在机场噪声预测中的应用

针对时空序列建模分析问题,利用函数扩展技术,结合线性脉冲响应滤波原理,提出一种新型时空神经网络。该网络由函数扩展功能模块和线性延时脉冲模块组成。函数扩展功能模块将网络输入空间映射到高维空间,实现时空序列非线性模式到高维映射空间线性模式转换;线性脉冲延时模块等效于时空线性脉冲响应滤波器,用于拟合时空序列中的线性模式。采用LevenbergMarquardt最优方法对网络进行训练,设计时空神经网络的快速学习算法。机场噪声仿真结果表明,该网络具有快速收敛和高精度的特点,预测精度高于时空自相关移动平均模型和多层感知器神经网络。

基于RVM和ARIMA的短时交通流量预测方法研究

为进一步提高短时交通流量预测精度,提出一种基于RVM和ARIMA的短时交通流量降噪方法.设计了降噪方法的流程,选取了降噪方法误差评价指标;基于RVM和ARIMA的短时交通流量预测方法和预测流程,引入平均绝对相对误差(MAPE)作为预测方法误差评价指标,以某城市道路的录像数据为实例,对构建的预测方法有效性进行验证.结果表明,在不同公用时间尺度(5,10,15min)下,所提出的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数降噪模型、BT神经网络模型、ARIMA模型等方法预测的结果,有效地提高了短时交通流量预测精度.

基于多尺度分解的LSTM-ARIMA锂电池寿命预测

锂电池剩余使用寿命(Remaining useful life,RUL)预测是锂电池研究的一个重要方向,通过对RUL的准确预测,可以更好地管理和维护电池,延长电池使用寿命。为了能够准确预测锂电池的RUL,提出了一种集合变分模态分解(Variational mode decomposition,VMD)、长短时记忆网络(Long short-term memory,LSTM)和自回归移动平均模型(Autoregressive integrated moving average,ARIMA)相结合的锂电池RUL预测模型。该模型首先采用VMD算法将NASA锂电池数据集中的容量数据分解为多个高频分量和低频分量,以此减少容量数据中的噪声干扰,然后针对各个分量的特点,分别利用LSTM和ARIMA对分解所得的高频分量和低频分量建立预测子模型,最后将各个子模型的预测值进行叠加重构得到锂电池的RUL结果。实验结果表明VMD-LSTM-ARIMA预测模型相比于其他预测模型,该模型具有较好的锂电池RUL预测能力。并在CALCE锂电池数据集上进行了泛化性实验,结果表明该模型适用于不同电池RUL预测任务。

“后配额时代”中国纺织品服装出口预测

本文利用单整自回归移动平均模型,依据2000年1月至2004年12月中国纺织品服装出口额数据,对2005年和2006年中国纺织品服装出口走势进行预测分析。

基于小波和ARIMA模型的业务流预测方法

针对因节点失效而造成的业务流性能变化问题,提出一种新的Ad hoc网络状态预测算法TAP。该算法利用小波变换减弱实际业务流的长相关特性,并结合自回归移动平均(ARIMA)模型和Kalman滤波建立状态预测方程。通过仿真实验对比分析ARMA和FARIMA的预测精度,结果表明,TAP算法业务流性能较优,其残差为18.23%。

基于奇异谱分析的旅客运输量预测研究

对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号序列和噪声序列,分别对其进行LSTM和ARMA(2,3)建模,预测其变化趋势。通过对比单一的ARIMA(3,1,2)模型和LSTM模型的实验结果表明,SSA-LSTM-ARMA预测旅客运输量效果更好,预测精度更高。

基于车联网的短时交通流预测

面对巨大的交通数据处理,传统的交通流预测模型预测效果不佳,为更深入分析路网的交通状况和实现交通优化控制策略,本文结合车联网技术,以交通流数据为研究对象,建立基于长短时记忆网络(Long Short Term Model,LSTM)的预测模型,选取美国加州PEMS系统的实际交通流数据作为实验数据,对比传统时间序列预测模型,发现LSTM预测模型比传统差分整合移动平均自回归模型(Auto Regressive Integrated Moving Average,ARIMA)的预测误差更小,同时也能达到更好的交通流预测效果.

我国围产儿死亡率时空变化及预测研究

目的研究我国围产儿死亡率的时空变化趋势并进行预测。方法收集2005-2018年围产儿死亡率相关数据,使用ArcGIS 10.2软件绘制围产儿死亡率分布地图,用Stata 14.0软件进行空间相关分析,使用SPSS 19.0软件进行整合移动平均自回归模型(ARIMA)预测分析。结果 2005-2018年,围产儿死亡率西部大于东部和中部,西藏和新疆是围产儿死亡率的高发地区;围产儿死亡率空间聚集性逐年上升(0.375到0.474);预测得出2019-2022年围产儿死亡率呈现下降趋势(4.08‰到3.92‰)。结论我国围产儿死亡率呈下降趋势,存在明显的地理差异;围产儿死亡率的降低需要临近省份的共同努力。

一种基于ARIMA和LSTM的民航旅客订座组合预测模型

针对民航旅客订座预测问题,提出一种组合预测模型。首先,根据订座特性,设计缺失值、噪声数据预处理方法,使得历史订座数据得到有效校正。然后,为了提高预测准确性,建立自回归求积移动平均模型(ARIMA)以及基于特征选取长短时记忆网络(LSTM)的组合预测模型,并利用某航空公司实际订座数据,将该组合模型应用于旅客订座预测场景中,实验结果表明,本文提出的组合模型的MAE值、RMSE值均小于2个单项模型,预测结果更准确。

预测模型的建立、选择和评价

预测模型的建立过程在一个特定的客观环境中,对一组实际数据或一个时间序列,用什么样的方法才能找出适合的预测模型呢?原则上讲,要经过以下三个阶段: 第一个阶段数据模式的识别对一个时间序列来说。

基于LSTM-ARIMA算法的发电机定子线棒出水温差预测

对定子线棒出水温度的最大温差进行预测,对于保障汽轮发电机的安全运行具有重要意义。但由于发电机运行过程中工况多变,温差时间序列变化模式复杂,因此趋势预测相对困难。本文使用长短时记忆(LSTM)神经网络对复杂的变化模式进行学习,并进一步融合了差分整合移动平均自回归(ARIMA)模型,用以弥补工况多变导致的训练不足的问题,从而对LSTM神经网络的预测结果进行修正。然后,在型号为QFSN-660-2-22的汽轮发电机运行数据上开展了实验,结果表明该方法预测效果优于单独的LSTM神经网络和ARIMA模型算法,并且可用于短期预警,准确率高于95%。