基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。

灰色Verhulst-时间序列组合模型在沉降监测中的应用

针对传统单一的灰色模型、时间序列模型在进行沉降监测数据模型存在精度较低的问题,本文提出了一种灰色Verhulst模型和时间序列模型的组合优化模型。首先,对灰色Verhulst模型、时间序列模型的基本理论进行阐述;其次,建立了灰色Verhulst-时间序列模型,即以灰色Verhulst模型得到的样本数据拟合值作为时间序列模型进行预测的样本值;最后,通过以某建筑物沉降监测点为例进行计算并进行灰色Verhulst模型、时间序列模型以及灰色Verhulst-时间序列模型的预测结果对比。实验结果表明,灰色Verhulst-时间序列组合优化模型的预测精度最高,均方差为0.3275 mm,验证了该组合模型更贴合建筑物沉降的变形趋势。

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。

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析。确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型。本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度。

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LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和自回归移动平均模型(ARMA)的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列——趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测;经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值,并将其与检索量的实际值做比较.结果表明,用同一个ARMA模型拟合相似时间序列的方法具有可行性,且有较高的预测准确率.从聚类结果还可看出,同品牌产品的检索量数据趋于聚成一类,这为检索词关系的挖掘提供了参考.

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。

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。

基于ARMA模型的经济非平稳时间序列的预测分析

时间序列分析方法是经济领域研究的主要工具之一 ,它用合适的模型描述历史数据随时间变化的规律 ,并预测经济变量值 .而 ARMA模型是适用于任何序列的发展形态的一种高级预测方法 ,它描述时间序列的动态性和发展变化规律 .文中通过 ARMA模型分析时间序列的随机性和平稳性 ,以一种商品月度销售额具体分析 ,用 sas软件检验模型的可行性 ,并预测应用 .结果表明 ,模拟值和真实值接近 ,在实际应用中预测值的准确对于指导商家的战略决策起重要作用 .

基于ARMA模型的财政教育投资时间序列分析

以1991—2008年的财政教育投资数据为依据,通过对数据进行平稳化、零均值化处理,并利用序列的自相关、偏自相关性质,建立序列的合理时间序列模型,最后利用模型进行了预测,预测结果比较切合实际.

时间序列组合式模型在艾滋病感染率变化趋势中的应用

目的基于Gramer分解定理,探讨建立确定性趋势模型和ARMA模型的组合模型预测某市艾滋病新发感染率的可行性。方法收集某市40个区县1995～2009年艾滋病月度新发感染资料,建立了指数函数和ARMA(1,0)的组合式模型。结果该组合式模型能较好地拟合当地艾滋病月度新发感染率的变动趋势,且2009年7～12月的预测值符合实际值的变动趋势。结论该组合式模型能够较好地模拟当地艾滋病新发感染率在时间序列上的变动趋势,可以用于短期的预测。

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性。研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能。

基于时间序列ARMA模型的振动故障预测

运用自回归滑动平均(ARMA)模型和聚类分析方法确定参考样本和故障样本的特征向量,通过特征向量的距离识别故障类型。根据汽轮机典型故障构造模拟信号,建立其ARMA预测模型,通过聚类分析得出标准信号及待测信号的特征向量。经验证,基于ARMA预测模型和聚类分析的方法能够正确识别故障类型。

时间序列ARMA模型及其应用

本文叙述了动态数据的分析与处理方法，时间序列预测模型的建模过程及参数估计的计算方法，并将模型实际应用。应用结果表明：本预测模型对动态数据进行预测是可行的。

时间序列ARMA模型的应用

对时间序列分析方法进行了介绍,对时间序列模型进行了研究。分析了时间序列模型的建立过程,并利用其中的ARMA模型对一个实例进行预测。结果表明,ARMA时间序列模型的预测结果是合理的。

含缺失值时间序列的ARMA模型拟合

目的 给出一种有效的处理含缺失值时间序列的方法 ,完成缺失值的内插及ARMA模型的参数估计。方法 用状态空间的Markov表达描述时间序列 ,进而采用Kalman滤波技术。结果 实例分析表明 ,不仅可以完成缺失值的有效内插 ,模型拟合效果及预测结果也甚为满意。结论 用基于状态空间表达的Kalman滤波技术 。

基于时间序列RBF的大连港货物吞吐量预测

引言大连港是我国东北地区主要的海上门户。随着我国振兴东北战略的实施推进,港口货运量也随之增多,对港口建设和运营提出了新标准,因此,为提高港口作业效率和增强竞争力,精准预测港口吞吐量对于港口规划、建设及运营至关重要。目前,用于港口吞吐量的预测方法众多,其中最主要是灰色预测法[1]、回归预测法[2]、时间序列法[3]及神经网络法[4]。灰色预测法,对于数据量少的系统,效果显著。回归预测法对数据量少的样本拟合效果好。神经网络法有较强的非线性映射能力和适应能力,但需要大量的数据训练。时间序列法对于呈线性分布的数据能较好挖掘其规律,但需要较多的样本数据。由于预测模型间各有优劣,因此本文提出时间序列法与神经网络法相结合的时间序列RBF预测模型组合模型[5-6],结合两种模型的优点,同时弥补各自的缺点,有一定的先进性,旨在为港口货物吞吐量预测提供新方法。

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。