时间序列分析模型在山东省粮食总产量预测中的应用

对比传统时间序列分析模型(线性回归、二次滑动平均、一次平滑、二次指数平滑和三次指数平滑等)与ARIMA模型在山东省粮食总产量中的拟合精度,并应用ARIMA(2,1,12)模型预测了未来3年内山东省粮食总产量。结果表明,在山东省粮食总产量拟合中,ARIMA(2,1,12)模型得到的粮食总产量拟合值与观测值的相对误差处于±10%和±5%范围内的分别为73.333%和53.333%,回归方程的决定系数为0.959,优于传统时间序列分析模型;利用ARIMA(2,1,12)模型预测未来3年内山东省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升。

基于时间序列分析的湖南粮食总产量预测

文章对比传统时间序列分析模型(线性回归、二项移动平均、一次指数平滑、二次指数平滑等)与ARIMA模型在湖南省粮食总产量中的拟合精度,并应用ARIMA(2,1,10)模型预测了未来3年内湖南省粮食总产量。结果表明,在湖南省粮食总产量拟合中,ARIMA(2,1,10)模型得到的粮食总产量拟合值与观测值的相对误差均方最小,优于传统时间序列分析模型;利用ARIMA(2,1,10)模型预测未来3年内湖南省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升。

九三地区大豆产量模型和气象因子分析

对九三地区1970～1995年大豆单产与气象因子进行了分析,建立时间序列分析模型,求出了气象产量。利用逐步回归方法,建立了大豆单产与各气象因子的多元线性回归预测模型,找到影响大豆产量的主要气象因子。

跨座式单轨车载空调系统故障时间序列预测方法研究

空调系统作为城市轨道交通的重要组成部分,直接影响到乘客乘坐的舒适性。对空调系统故障数时间序列的进行预测,有助于合理制定维修策略和零件采购方案,从而控制成本。针对空调系统故障数时间序列的预测问题,在分析故障数的周期性波动规律及变化趋势的基础上,结合Census X12季节调整方法,构建季节性自回归积分滑动平均模型(X12-ARIMA模型),并基于残差序列建立BP神经网络模型,将两个模型预测值相加得到改进的X12-ARIMA-BP模型的预测值,并与X12-ARIMA模型、BP神经网络模型、ARIMA-BP变权组合模型的预测值进行对比。以重庆轨道交通3号线为例,基于7年的空调系统月故障数据分别利用4种模型进行故障数拟合并预测。研究结果表明:相比实际值,改进的X12-ARIMA-BP模型的预测结果的平均绝对百分比误差为18.54%,比X12-ARIMA模型降低了6.38%,比BP神经网络模型降低了11.01%,比ARIMA-BP变权组合模型降低了4.75%;对比其它3种预测模型,改进的X12-ARIMA-BP模型预测效果最好。

浅析地理信息系统中应用分析模型的作用

简要论述了地理信息系统中应用分析模型所具有的地位和作用，并对黄淮海平原历史旱涝灾害的时间序列分析模型进行了分析，说明在地理信息系统中发展应用分析模型的重要性．

基于ARIMA模型的大坝滑坡体表面位移监测分析预报

大坝滑坡体变形监测是水电站施工建设和分期蓄水阶段安全性的重要保障,监测数据分析和处理的方法又会直接影响到变形预报的质量。以某水电站坝址下游滑坡体为例,应用时间序列分析法中的ARIMA模型,构建非平稳时间序列模型对表面监测数据进行分析处理,比较模型预测数据与实际位移数据之间的差异。试验表明,ARIMA模型在滑坡体表面位移分析和预报方面具有较高的精度和可靠性。

广西壮族自治区艾滋病模型及预测分析

本文收集了2013年1月—2019年10月广西壮族自治区艾滋病确诊数及死亡率的月度数据,经过对数据的预处理、模型识别、参数估计、模型诊断和优化等分析手段,建立了相应的时间序列模型。通过建立的最优模型对广西壮族自治区艾滋病确诊数及死亡率进行了6期预测分析,并结合结论提出防控建议。结果表明,艾滋病确诊数的最优模型为ARIMA(2,1,2);死亡率可分解为线性趋势项与满足ARIMA(2,1,1)模型的随即波动项之和。利用所建模型,得出未来6个月确诊数及死亡率的预测,并根据预测结果,提出了防控建议。

航空装备事故的灰色时序组合预测模型

为提高航空装备事故预测水平,提出一种基于灰色和时间序列分析模型的航空装备事故组合预测模型。先构建灰色模型,提取历史数据中承载的趋势信息。然后进行模型选择、阶数识别和参数估计,建立灰色残差的时间序列分析模型,用以刻画历史数据中的随机波动特征。最后,将2个模型的预测值相加,得到所求的组合预测结果。实例中,以美国空军1996—1999年的A级飞行事故10万时率数据为基础,建立灰色时序组合模型,模型中短期预测精度优于单一灰色模型,平均相对误差控制在5%以内,预测结果能够反映航空装备安全的实际状况。

突发公共卫生事件对浙江省餐饮企业影响的实证分析——以新冠疫情为例

本文旨在通过实证分析,回顾新冠疫情对浙江省餐饮企业的影响,探讨公共卫生事件对餐饮业的影响机制和应对策略。本文运用描述性统计分析和时间序列ARIMA干预分析模型,研究2016—2022年浙江省餐饮业平均营业额数据,定量分析新冠疫情对浙江省餐饮企业的影响并评估影响程度。基于此,本文对餐饮企业在预案制定、人员管理、政府推动等方面提出科学、有效的应对建议,以期为浙江省餐饮企业及相关部门提供有益的参考和指导,帮助餐饮企业更好地应对未来可能发生的公共卫生事件,并促进餐饮业的恢复与发展。

烟台市人口分析及预测

利用时间序列分析模型和GM（1,1）模型拟合了烟台市人口数量，并对未来4年烟台市人口进行了预测。结果显示，二次滑动平均模型的相对误差波动范围为-0.731％～0.702％，均接近于0，预测精度最高。利用二次滑动平均模型预测未来4年烟台市人口分别为646．395万人、646．445万人、646．495万人和646．545万人，人口有逐年缓慢上升的趋势。

基于VAR模型的东亚主要国家和地区金融危机传染实证研究

以亚洲金融危机、美国次贷危机和欧洲主权债务危机为背景,运用VAR模型、Granger因果检验以及脉冲响应分析等经典时间序列分析模型为工具,对东南亚地区主要经济体之间的金融危机传染进行实证分析。实证结果表明,我国大陆股市波动对其他东南亚主要经济体股市波动的影响不断增加,而其他主要经济体的股市波动对中国大陆股市波动的影响还不是很明显。

欧洲主权债务危机背景下沪深两市联动性分析

在欧洲主权债务背景下,运用Johansen协整检验、VAR模型、Granger因果检验、脉冲响应分析及方差分解等时间序列分析模型对沪深两市主要代表性股指进行联动性分析。实证结果表明沪深两市之间没有协整关系。沪市对深市具有一定引导作用。由此得出,在欧洲主权债务危机期间沪深两市具有一定联动性,而且深市受沪市引导的结论。

全国货运量预测与货运结构分析

货运量是典型的非线性数据,并且存在季节特性,基于此,文章根据全国货运季节波动规律,采用季节分解的方法对货运量数据进行分解,针对分解后数据特征建立SAO-LSSVM-MA模型进行预测,以2000年1月至2019年5月、2000年1月至2020年5月的数据作为训练集,2019年6月至11月和2020年6月至11月的数据作为测试集进行预测,并通过建立VAR模型进一步分析货运方式之间的动态关系。结果显示:所建模型精度明显高于LSSVM和ARIMA模型;公路货运量对民航货运量、水路货运量、铁路货运量影响都较大,四种货运方式之间不仅存在拉动作用,还存在竞争关系。

核电厂变形监测数据处理及分析预报应用研究

变形监测主要是提取监测体形变量并对其进行物理解释和变形趋势预测分析,即变形监测不仅要客观地反映监测物体当前的变形信息,且要对变形体未来发展趋势做出准确的预报。核电厂的相关设施对安全性要求极高,而站内建(构)筑物变形监测是保证其安全生产的重要途径。对于核电厂变形监测工作,目前国内科研人员在变形值提取方面技术理论体系已经十分成熟,然而在变形数据的分析预报方面相关研究较少。研究以秦山核电项目为实例,系统地介绍了核电厂变形监测方案,重点将灰色时序组合模型用于变形监测数据分析预报中,并与单一的灰色模型和时间序列模型的预报精度作对比。结果表明:组合模型在核电厂变形数据分析预报中具有较高的应用精度,对核电厂变形监测工作具有一定的指导意义。

基于灰色-时序组合模型的建筑物沉降预测方法

进行变形监测的目的是分析变形体的发展趋势并进行预报,从而为科学决策提供依据。灰色模型只需少量样本数据即可建模,时间序列分析建模时一般数据量越大精度越高。灰色-时序组合模型可以将二者的优势结合,缩小单一模型应用的局限性。本文通过对深基坑开挖周边某一建筑物的实测数据分别采用灰色模型、时间序列分析模型和灰色-时序组合模型进行分析和预测,最后对3种模型的预测精度对比分析,结果表明组合模型预测精度最高。

四川省安全生产趋势预测研究

本文从可能影响生产安全事故死亡人数的若干因素出发,采用主成分分析法提取关键的社会经济因素,剖析了事故死亡人数的内在影响机理,结合逐步回归法、时间序列分析模型、增长率反推死亡人数三种方法进行事故死亡人数的发展趋势预测。根据预测显示,四川生产安全事故死亡人数的总体趋势是"总量上升,相对指标下降"。

供应链需求预测方法研究

供应链需求的预测方法,大致归为两类:一类是单一预测方法,如采用神经网络预方法、灰色预测法、马尔可夫预测法、时间序列预测方法、基于价值量的预测方法等;另一类是组合预测方法,即利用多预测方法的预测结果按一定方式进行组合。另外也有学者提出了别的方法,如情景分析法、集对分析聚类预测等等。本文只对作者所研究过的方法,进行总结和归纳。

基于小波去噪的高铁沉降预测模型研究

以武汉市某高铁的沉降观测数据为基础,对小波去噪前后的观测数据分别采用非线性曲线拟合模型和时间序列分析模型进行建模预测,并与实测数据进行比较分析。结果表明,观测数据经小波去噪后再进行建模分析,两种方法的预测精度都有很大改善,对高铁沉降变形预报有一定的实用价值。

基于辅助变量最小二乘的无人艇模型辨识方法

无人艇模型是无人艇运动控制研究领域的核心,模型的精确性对控制算法的设计及验证有很大的影响。为了解决有色噪声对无人艇模型参数辨识时的干扰问题,提出了一种辅助变量最小二乘算法对无人艇模型参数进行辨识。对离散KT方程加入噪声,得到无人艇时间序列分析模型,根据Tally原理引入辅助变量对最小二乘算法进行完善并辨识模型参数。所做理论分析及仿真结果表明:该算法可以准确估计无人艇时间序列分析模型参数,并能对无人艇下一时刻航向角做出准确预报,有效解决了有色噪声所带来的"参数有偏估计"问题。实船实验结果表明:相比一般最小二乘算法,所提算法的辨识收敛时间可减少50%,航向角预报误差减小约40%,有效预报时长提升一倍以上。该算法对无人艇时间序列分析模型的辨识更加准确,具有很高的实际应用价值。