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。

季节时间序列模型在平菇价格预测中的应用

为了准确预测蔬菜价格,从蔬菜价格具有季节性变化的特性出发,采用SARIMA模型方法对平菇价格进行了预测分析。结果表明:SARIMA(2,1,3)(1,1,1)12模型对平菇价格的模拟预测效果较好,平均模拟预测误差为11%,6个月的短期实际预测平均误差为16%。SARIMA模型对农产品价格进行预测分析具有一定的可行性。

两种时间序列预测模型在风力发电量上的探究

根据全国月度风力发电量的历史数据,利用季节时间序列模型和模糊时间序列模型两种非平稳时间序列预测法对风力发电量进行预测,并与预留的2016年实际发电量数据进行对比,比较两种方法预测误差的方差MSE,优选预测模型.结果表明:模糊时间序列模型的预测误差较小,预测结果较为准确.该模型可作为预测风力发电量的有效工具.

中国进出口总额时间序列SARIMA模型的实证

进出口总额代表着一国参与对外贸易的程度,是国民经济的关键性指标之一。文章以我国1994～2016年进出口总额的月度历史数据为研究样本,利用时间序列检验方法对其进行了相关分析,建立了相应的季节时间序列SARIMA模型。结果表明:我国月度进出口贸易总额时间序列预测模型表现出明显的U型趋势和季度性变化特征。另外,该模型对我国进出口总额能进行较好的拟合,但预测精度仅在短期内较高,随着预测时间的延长,精度将可能变差。

基于时间序列的中国尿素产量预测

中国尿素产量约占全球总产能的30%,产量和需求量均居于首位,并且尿素作为粮食的粮食,在粮食安全扮演重要的角色,尿素产量变化具有重要的研究意义。应用时间序列分析2017~2020年尿素月产量,建立预测模型,并用2021年1~9月实际尿素产量对趋势预测模型检验。时间序列拟合的简单季节模型预测的精度较高,该预测模型为尿素市场决策,政府指导化肥行业提供有效的建议。

SARIMA模型在戊型肝炎发病趋势预警预测中的应用

目的采用SARIMA模型对福建省戊肝发病趋势进行预测,为预警和风险评估提供定量数据。方法以Eviews 5.0对福建省2004年1月-2015年12月戊肝的月发病例数进行SARIMA分析。结果 2004年1月-2014年8月福建省戊肝月发病序列呈先升后降的趋势和周期性波动,取自然对数和1次1阶非季节差分后序列得到平稳化,模型SARIMA(0,1,1)(1,0,1)12和SARIMA(2,1,0)(1,0,1)12参数有统计学意义,残差为白噪声,后者为最优模型,表达式为:(1+0.61L+0.23L2)(1-0.89L12)(1-L)log(yt)=(1-0.89L12)εt。静态回代预测值和实际值吻合较好,相对误差取绝对值后均数为13.06%。2014年1-8月预测值的相对误差较小(5月份除外),预测标准误(S.E)较小。结论运用SARIMA模型可对戊肝发病趋势进行较准确的短期预测,可为及时、科学地研判风险提供可靠的数据基础。

SARIMA模型在福建省细菌性痢疾风险评估中的应用

目的采用SARIMA模型对福建省细菌性痢疾发病情况进行预测,为风险评估提供科学的定量数据。方法利用Eviews5.0对福建省1990年1月-2013年12月细菌性痢疾的月发病例数进行SARIMA分析。采用自相关函数和ADF单位根检验判断原序列的平稳性,采取自然对数转化和差分使其平稳,然后利用自相关函数和偏相关函数识别和估计SARIMA模型参数,并对结果进行t检验和Q检验,再利用调整R2、AIC准则和SC准则对模型进行评估。最后进行回代评价和预测分析。结果模型SARIMA(2,1,2)(0,1,1)12、SARIMA(0,1,1)(0,1,1)12和SARIMA(1,1,2)(0,1,1)12参数有统计学意义,残差为白噪声,其中SARIMA(1,1,2)(0,1,1)12为最优模型,表达式为:(1+0.75L)(1-L)(1-L12)log(yt)=(1+0.45L-0.35L2)(1-0.79L12)εt。回代检验平均相对误差为14.72%。2013年预测标准误较小,4-7月预测值与实际值相对误差均低于10%。结论 SARIMA模型可对福建省细菌性痢疾发病情况进行较准确的预测,可为及时、科学地研判传染病风险提供可靠的数据基础。

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.

考虑节假日效应的交通枢纽客流量预测模型

客流量预测是城市交通枢纽管理的基础,准确的客流量估计为交通枢纽的运力调整,管理预案的设计提供基础.目前对客流量预测的研究较多,但现有模型并未考虑节假日效应对枢纽客流量的影响.因此,本文基于多元季节性时间序列(SARIMAX)原理,建立考虑节假日效应的城市交通枢纽客流量预测模型,并以上海虹桥2号航站楼站轨道交通客流量数据为基础,对该模型进行了标定和预测.标定结果显示,在春节期间,该站点客流量将有明显的下降,而在其他法定节假日期间流量均有一定程度的提升.对模型预测值和真实值比对结果显示,该模型的平均误差在5%以内,表明该模型具有较强的实用性.

基于季节因素的山东省主要港口联动机制研究

为了探索山东省港口间联动的可能性,构建港口间联动机制。通过分析青岛港、烟台港和日照港2016年12月—2007年1月的货物吞吐量、外贸货物吞吐量和集装箱吞吐量的月度数据,构建季节时间序列(SARIMA)模型,并运用模型对2017年、2018年的港口吞吐量进行预测。结果表明,港口吞吐量具有明显的季节波动性,2016年12月—2007年1月为突增期,1—2月为骤减期,2—3月为恢复期。最后对港口吞吐量季节波动原因进行了分析,并探索了基于季节因素的港口联动机制,包括市场分析机制、多式联运机制、平台共享机制和港口工作协调机制。

基于SARIMA模型的电离层总电子含量短期预报

针对电离层总电子含量(total electron content,TEC)序列呈现周期性特征,采用季节时间序列(seasonal ARIMA,SARIMA)模型对TEC序列进行预报分析。利用JSCORS 2010年的GPS双频观测数据计算的VTEC序列为样本数据建立模型,实验结果表明:VTEC序列建立合适的季节ARIMA模型,并运用该模型进行短期预测,预测值与实测值变化趋势一致,短期预报的平均相对精度可达89%,但预报精度会随预报长度的增加而减小。

大数据集下休息日效应的客流量预测模型

在传统统计分析工具无法直接对原始数据进行建模分析的前提下,利用大数据工具对原始数据进行提取、转换和加载(ETL),再通过统计分析工具对样本数据进行可视化预测分析。本文通过Hadoop分布式集群对广东省部分公交线路岭南通用户2014年5个月的800多万条刷卡数据进行数据清洗,通过样本数据分析了公交客流量以周为周期的波动规律,并结合休息日(节假日、周末)效应,选用多元季节性时间序列模型对日时段客流量进行时间序列建模,最后通过外推预测评估模型,平均误差不超过5%,结论表明该模型适用于公交时段客流量的短时预测。

福建省社会消费品零售总额的预测

以2004年1月至2010年12月福建省社会消费品零售总额月度数据为样本,建立了时间序列季节模型和单整自回归移动平均(ARIMA)模型,并分别应用它们对2011年各月的指标值进行了预测。在此基础上进行组合预测,得出了2011年1-12月福建省社会消费品零售总额的预测值。预测结果对更好地引导消费具有重要作用,模型建立的过程和方法能为相关研究提供借鉴。

双减政策下基于SARIMA的搜题软件发展研究

引导中小学生学会深度学习是我国实行双减政策的重要任务之一。通过建立SARIMA模型对双减政策下小猿搜题(搜题软件A)的搜索指数进行研究得知:双减政策下搜题软件A搜索指数初期波动上升,后期逐渐下降,降到低谷值后有小幅度回升,但不会达到双减政策初期的水平。上述结果说明双减政策对搜题软件A产生影响需要一段时间,同时影响持续时间较长,现阶段开发者需要结合双减政策的特点,从软件功能入手进行改进,以获得更多发展机会。

工伤保险基金可持续发展研究——基于天津市工伤保险医疗待遇支出数据实证分析

随着工伤保险实行社会统筹,基金支出规模不断增长,运用科学的预算方法预测并合理管控工伤保险基金支出已成为实现工伤保险可持续发展的核心举措之一。结合天津市工伤保险基金财务状况,以医疗待遇支出月度数据为例,建立了去势季节时间序列模型,并验证时间序列计量模型预算方法与传统预算方法相比具有可行性和优越性。建议建立一套工伤保险预警体系。

基于异常值检测的电梯交通流预测方法

提出一种基于异常值检测的电梯交通流递归预测方法。对电梯交通流进行时间序列分析得到初始季节时间序列模型,引入异常值检测过程,检测出训练数据中的异常值并进行修正,利用修正序列得到最终的季节时间序列模型。把最终的季节时间序列模型转化为状态空间形式,通过卡尔曼滤波实时调整状态向量,实现电梯交通流的在线预测。仿真结果证明该方法有效。

基于SARIMA模型的细菌性痢疾短期定量预测研究

目的采用季节时间序列模型(SARIMA)对福建省细菌性痢疾发病数进行短期预测,为风险评估提供可靠的定量数据基础。方法运用EViews 8.0软件,基于SARIMA模型,对福建省2004年1月至2015年12月细菌性痢疾月发病数进行分析和建模,再对2016年1~9月进行预测和评估,然后修正模型对2016年10~12月进行短期预测。结果 2004年1月至2015年12月,福建省细菌性痢疾月发病序列呈下降态势和周期性波动。SARIMA(0,1,1)(1,1,1)12拟合优度较好,预测准确度和精度较高,均方根误差(RMSE)为26.59,平均绝对百分比误差(MAPE)为13.61%。2016年1~9月前瞻性长期预测值MAPE为19.44%,其中7~9月MAPE为20.49%,而2016年7~9月前瞻性短期预测值MAPE为6.48%,而且标准误(SE)小于长期预测。采用2004年1月至2016年9月细菌性痢疾例数进行建模拟合后,SARIMA(1,1,2)(0,1,1)12为最佳模型,2016年10~12月短期预测结果分别为41例、36例和24例。结论 SARIMA模型能够对福建省细菌性痢疾发病数进行较准确的短期预测,可为风险评估提供可靠的定量数据基础。

厦门市手足口病流行特征分析及发病趋势预测方法研究

目的研究厦门市手足口病的流行特征并探讨季节性时间序列(seasonal autoregressive integrated moving average,SARIMA)模型拟合厦门市手足口病发病趋势预测的可行性。方法选取2011—2013年6家医院报告的手足口病10 540例,利用SPSS19.0对厦门市手足口病的发病情况进行流行病学分析,通过取自然对数、差分等方法对手足口病月发病数序列进行平稳化,然后进行模型参数的估计、检验,最优模型的筛选,最后进行预测分析。计量资料采用χ2检验,P<0.05为差异有统计学意义。结果 2011—2013年厦门市手足口病的年平均发病率为97.37/10万,4—7月和9月有两个发病高峰,病例主要分布于5岁以下儿童,占所有病例数的93.85%;病原构成以其他肠道病毒为主,占42.9%,其次为肠道病毒71型(enteriovirus 71,EV71)占39.7%,柯萨奇病毒A6(coxsackie virus A6,Cox A6)仅占17.3%;SARIMA(0,1,0)(1,1,0)12较好地拟合了厦门市手足口病的月发病数据,预测效果良好。结论厦门市手足口病的发病率较高,可以用SARIMA模型进行短期预测,进而指导各项防控措施。