生态足迹时间序列趋势外推分析的一种新方法及其应用

应用数学生态学的有关理论与方法,结合生态足迹的概念,提出了一种生态足迹时间序列的新的趋势外推分析方法;并以甘肃省河西绿洲农业区为研究对象,对其生态足迹进行了趋势外推分析的实例计算。结果表明,本研究中的趋势外推分析方法在生态足迹时间序列分析中的应用能够取得较好的结果;但模型本身的不足使其在实际数据存在短期剧烈波动时,拟合的结果与实际值之间存在较大的差距。本研究提出的包含随机影响的趋势外推分析方法进一步补充和完善了原有生态足迹分析方法的不足,在理论和实践中都有较高的指导和应用价值。

基于时间序列趋势外推改进模型的SISE预测

基于SISE的分布特性和时间序列趋势外推理论,选择了三次多项式时间序列趋势外推模型预测SISE,结果表明该模型可行。为进一步提高预测精度,引入均值平衡因子,改进三次多项式时间序列趋势外推模型,试验证实该算法能有效提高SISE的预测精度。

面板数据聚类分析的时间序列趋势外推预测方法

面板数据的聚类分析可以进行压缩的预处理也可以不进行压缩,文章提出可以根据样品中各个指标的时序数据的趋势特征来考虑是否应该进行压缩或如何进行压缩。然后考虑聚类的统计量的设置,再后给出系统聚类法的计算公式。

基于小波变换和均生函数周期外推组合模式的非平稳时间序列分析与长期预测

提出了利用小波变换和均生函数周期外推组合模式进行时间序列长期预测的方法.基于小波多分辨率分析理论,非平稳时间序列被分解为多个相对简单的准周期信号,信号的趋势项、周期项和随机项被分离出来.然后采用均生函数周期外推预报模式对这些准周期信号进行预报,此方法能有效的提高预报长度,并能获得较高的建模及预报精度.仿真采用两个典型实例进行验证,结果表明了方法的正确性和有效性.

曲线趋势外推延伸方法研究及其应用

针对现有二维和三维软件不能延伸非圆曲线的难题,采用趋势外推方法研究非圆曲线延伸技术。分别建立了二次多项式、三次多项式、Gompertz曲线、指数曲线延伸数学模型,提供了模型识别与选择方法,可根据曲线离散点合理选用。曲线趋势外推延伸实例表明,延伸模型能够精确延伸非圆曲线,距延伸起始点越近,误差越小。

非线性门限自回归模型用于时间序列的外推预报

对一些呈非线性变化的时间序列，如果勉强用线性统计模型来描述，效果往往不理想。本文利用非线性的自激励门限自回归模型（ＳＥＴＡＲ）、开环门限自回归模型（ＴＡＲＳＯ）对我省记录年代较长的烟台年降水量序列进行建模分析，并探讨分析了模型的稳定性，最后利用稳定的ＳＥＴＡＲ模型进行外推预报。

趋势外推预测法预测企业产量

趋势外推预测法在企业产量的预测中具有较好的预测效果,它对收集的数据进行差分,将原始时间序列数据转化为平稳序列建立动态序列,利用回归方程的运算方法,建立回归方程,并利用F检验考察其显著性,以利于判别回归方程的实用价值.本文利用某市统计局提供的某产品产量连续31年的真实数据进行方法的应用,其效果良好.

基于ARIMA时间序列模型的传染病发展趋势预测——以COVID-19 为例

近年来,多种新发传染病的流行和爆发,对全世界各国造成了严重危害。因此关于传染病未来发展趋势的预测和研究具有重要的意义和价值。时间序列模型是基于目标变量随时间变化且相互关联的历史数据,通过曲线拟合和参数估计等方法来客观研究和预测目标的变化趋势的数学模型。本文以新型冠状病毒为例,基于某个国家疫情发展相关的时间序列数据,通过数据处理、曲线拟合、参数估计等过程,经反复试验,建立ARIMA(1,2,1)时间序列预测模型,以预测其未来一段时间的传染病发展趋势,并对模型的合理性进行检验。以此来探讨ARIMA时间序列模型在传染病未来发展走向的预测中的应用方法与研究价值。

经济预测讲座(三) 趋势外推法在经济预测中的应用

趋势外推是经济预测方法系列中的一种类型。这类方法就是运用数量方法,求出社会经济现象所给定的时间序列的发展趋势线。然后根据趋势线对拟议中的经济现象未来一定时期内的发展进行预测.趋势外推的具体方法很多,但归纳起来不外乎直线趋势外推和曲线趋势外推两种。本文举例阐明其应用。

时间数列外推预测方法在体育科研中的应用

一.问题提出外推预测是当前体育科研中用于预测的一种新方法。由于使用的预测方法是以回归方程来进行运作。因此其预测不能做到外推仅局限在方程的自变量范围内,所以笔者认为采用时间数列作自变量,就能实现超过自变量的范围进行外推预测。这样就比较妥善解决预测的范围和时间的局限问题,既丰富了体育预测手段并使预测方法更加科学化。

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分。文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一。

水文时间序列周期叠加预测模型及3种改进模型

自然界中水文现象常暗含周期性,基于这一特性,发展了水文时间序列周期叠加预测模型.介绍了水文时间序列周期叠加预测模型(POL),分析了水文时间序列周期叠加预测模型(POL)在某些特定条件下应用上的不足,并提出3种改进模型:趋势-周期叠加组合预测模型(TPOLC),压缩振幅的周期叠加预测模型(AC-POL),逆推优势周期的周期叠加预测模型(DPI-POL).这些模型可根据需要组合建模,并可广泛应用于相应类型水文时间序列建模.

时间序列的分解预测技术——摘译自《The Handbook of Forecasting》

分解预测技术是一种较早采用和经常使用的预测方法。它用一些简单的数学公式来分离一个时间序列的4种分量:季节性、周期性、趋势性和随机性部分。对一个时间序列移去其中的季节性和随机性分量便得到趋势一周期曲线。作者认为,这条趋势一周期曲线是企业经营预测最重要的基本环节。分解预测技术在各企业生产领域得到了广泛的应用。

基于系统辨识的大尺度模型耐波性试验实船响应外推预报

实际海浪环境中大尺度模型耐波性试验是一种新型试验技术,具有风浪环境真实、模型航行范围开阔和尺度效应小等优点,解决了水池试验和实船试验中存在的一些问题。该试验技术是研究真实海况中船舶响应的有效方法,因此近年来得到了广泛的研究关注。然而该试验技术目前仍存在一些尚未解决的问题,如何将大尺度模型测试数据准确外推换算至实船响应是一项关键技术。为此,本文提出了基于时间序列分析的实船响应外推方法,根据大尺度模型在某海况下的波浪及模型响应测量数据,基于系统辨识求解船舶的非线性时域响应函数,进而外推实船在其他任意输入海况下的运动响应。

时间尺度对时间序列模型预测城市生活垃圾清运量的影响

精准预测城市生活垃圾(MSW)的清运量有助于对其进行有效地减量化处理,数据的时间尺度是影响预测精度的关键因素。本文将全国和北京市的MSW清运量划分为1991~2022年(32年)、2000~2022年(23年)和2010~2022年(13年)三个时间尺度的数据,分别采用时间序列模型中的趋势外推模型、修正趋势外推模型、ARIMA模型和平滑ARIMA模型对其进行预测研究。综合对比发现,采用平滑ARIMA模型对2000~2022年两个空间尺度下的MSW清运量进行预测的拟合效果最好,预测精度最高,分别为99.54%和99.07%。对2023~2030年的清运量数据预测发现,预计到2030年全国MSW清运量将会上涨26.38%,北京市MSW清运量将会上涨25.36%。研究结果反映了不同时间尺度对时间序列模型预测MSW清运量精度的影响,对时间序列模型的预测研究有理论意义,可为MSW减量政策的制定提供数据参考。

基于条件异方差模型的上证地产指数外推预测

对于金融时间序列,常会出现观测值在某个时间段波动大,但在另一个时间段波动比较小的聚类性现象.本文运用ARCH模型和GARCH模型建立上证地产指数的条件异方差模型,即利用加入条件标准差的GARCH-M模型进行外推一期预测,结果表明,外推一期的结果可以有效地预测上证地产指数收盘价.

基于混合时间序列模型的云南省能源消费预测研究

能源是人类生存、经济发展和社会进步的重要物质保障。本文结合云南省能源消费总量的历史数据,首先建立趋势外推模型,预测云南省未来能源消费总量;然后将趋势外推模型和ARIMA模型相结合,利用混合时间序列模型进行预测和分析;通过比较上述预测结果,发现混合时间序列模型具有更好的预测效果,说明该模型对云南省能源消费总量的预测有重要的理论与现实意义。

外推预测法在教育经济领域内的应用

外推预测法是从实际资料出发,根据事物内在联系及其发展规律,运用统计方法,由过去到现在的发展趋势预测未来。本文仅就两种典型的数据结构给出相应的外推方法。

外推预测法在教育经济领域内的应用

统计预测是从实际资料出发,根据事物内在联系及其发展规律,运用统计方法,预言有关现象的数量关系和变化前景。外推法是以预测对象发展的连续性原理为根据,从过去到现在的发展趋势中预测未来。本文仅就两种典型的数据结构给出相应的外推方法。在教育经济领域内引入外推预测法,笔者还是第一次,方法运用是否得当,结果分析是否见效,尚待进一步完善。