犯罪时间序列预测分析方法研究——以CrimeStat软件为例

作为一种基础且应用广泛的统计方法,时间序列分析方法在各个领域都有所应用,时间序列分析方法对分析犯罪行为有一定的帮助。CrimeStat软件是一个专门处理犯罪数据的统计分析软件,其中的时间序列模块可以对犯罪数据进行一定程度的时空预测。研究发现,在指定辖区内过去几年内的犯罪时间历史数据可以通过CrimeStat的时间序列模块得出预测结果。科学判断各辖区可能会出现的犯罪异常能够对警方的决策作出指导性建议,提高工作效率,并有助于公共安全的维护。

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上,使用人民币/美元的日汇率值进行实证研究,建立相应的ARIMA模型和EGARCH模型并进行预测和评价.研究结果表明,EGARCH模型的预测结果较ARIMA模型理想,适合描述人民币/美元汇率的变动趋势.

不同时间序列分析方法在高血压发病率预测中的比较

目的比较时间序列分析中指数平滑法、移动平均法、自回归分析及求和自回归滑动平均法(ARIMA)在海西州地区2001年1月至2007年12月高血压发病率预测中的优劣。方法用时间序列分析各方法建模预测,比较各方法的误差平方和、赤池信息量、施瓦茨信息量、拟合优度和拟合效果,确定最佳预测方法。结果指数平滑法、移动平滑法、自回归分析法及求和自回归滑动平均法中,ARIMA模型的误差平方和、赤池信息量、施瓦茨信息量最小,拟合优度最大,拟合效果最好。结论海西州地区2001年1月至2007年12月的高血压发病率预测中,时间序列诸分析方法中求和自回归滑动平均法预测效果最好。

基于小波消噪的平稳时间序列分析方法在降雨量预测中的应用

小波消噪与时间序列分析方法在预测领域中应用十分广泛,但是在降雨量的预测中应用不多。在基于小波消噪的基础上应用时间序列中平稳时间学列方法对降雨量进行预测,结果显示,应用该方法有效地提高了降雨量的预测精度。用丹东地区1971-2006年的降雨量作为历史数据,建立降雨量预测模型,结果表明新模型算法简单、精度较高,比传统的拓扑预测模型效果更好,为降雨量预测提供了一种行之有效的方法。

模糊时间序列分析方法在铜资源消费预测中的应用

通过对铜消费量进行模糊数据分析，建立铜消费量的动态模糊数据时间序列分析模型。讨论了模型的求参方法，并进行了应用尝试。

基于时间序列分析方法的物流总额预测研究

介绍了物流的一些概念、时间序列分析的基本概念和模型、并建立了关于物流总额的模型,分析检验了数据的,预测了2015年的物流总额.我国的社会物流总额呈明显的上升趋势,并且在未来的一段时间,我国的物流产业会继续不断地发展.

一种预测频段占用度的时间序列分析方法

提出了一种基于实际测试数据的频段占用度短期预测方法,该方法首次将经济学中常用的自回归移动平均模型(ARIMA)用于频段占用度的预测,并分析给出了判定模型参数和分析结果。短期预测结果与实际测试结果证明了这种预测方法可以为无线电频率主管部门提供更为精确地掌握频率资源的使用及发展变换情况,为制定政策和指配频率提供基础。

市场预测中时间序列的趋势分析方法

市场预测就是运用各种市场资料,通过分析研究和数学方法,测算未来一定时期内市场需求与供应量的变化及趋势,为生产和流通部门及企业制定计划目标,进行营销决策提供科学依据。当前,企业正面临一个转换经营机制,向市场经济过渡的新课题,因此,掌握科学的预测技术,对于一个企业家来说,无疑是非常重要的,美国克莱斯勒汽车公司由于对能源危机预测的失误,做出错误的决策,曾使公司濒临破产。实践证明,准确的预测,对企业是生命攸关的。

时间序列分析方法在医院检验科工作量预测中的应用

目的探讨时间序列分析在检验科工作量预测中的应用.方法根据我院检验科1994年3月至2004年6月的工作量资料,采用ARIMA时间序列分析方法建立一个简单实用的时间序列模型.结果1994年3月至2004年6月检验科的工作量沿逐年上升的趋势波动,该模型对2004年3月到6月检验科工作量预测的相对误差为1.36%～5.17%,预测结果比较满意.结论在工作量的近期预测中应用ARIMA时间序列模型分析方法对医院检验科工作具有一定的积极指导意义.

基于平稳时间序列分析方法的陀螺漂移预测

采用经典时间序列分析理论，建立了完整的时序预测模型，运用于陀螺漂移平稳时间序列的预测。通过仿真实验结果，证明了该方法的有效性和可行性。

边坡位移预测的混沌时间序列分析方法应用研究

把混沌时间序列理论引入到边坡工程研究中,运用边坡位移时间序列的最大Lyapunov指数预测边坡的变形破坏,建立了预测模型,并结合工程实例进行边坡位移预测,取得了较好的预测效果。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

基于时间序列分析方法的预测模型研究

预测控制拓广了模型的概念，以功能取代结构的建模思想更符合模型的本意，具有较大的实用意义．基于这一思想，本文提出一种利用时间序列分析建立预测模型的方法，这种模型对被控量中带有变化趋势的行为做了很好的提取，反映了系统中频率的变化并做了实例说明．

一种时间序列分析方法在经济预测中的应用

本文通过一种时间序列方法(序列有线性趋势和季节性波动),对具有季节变动趋势的产品销售情况进行了简要的预测研究,为企业制定经营决策、编制下年度的工作计划,改善经营管理提供依据与参考。

基于时间序列分析的风电机组微观风速预测建模方法研究

受气象条件、地形、机组位置和机组结构的影响,风力发电机组的风能输入存在显著的不确定性和个体差异性,导致风电机组输出功率预测难度很大。为了保证风电机组运行控制的平衡性,实现对风电场更精细化的智能控制,文章使用时间序列分析方法中求和自回归移动平均模型(ARIMA)对风力发电机组的微观风速时间序列数据进行分析,探讨其相关性和随机性,实现对风电机组微观风速的时间序列建模和风速预测试验。该方法为风电场单台机组微观风速预测提供算法上的支持,从而为风电机组抵抗涡激振动、准备并网发电、预防载荷冲击等运行风险和精准控制提供数据支撑,为风电场均衡整场机组性能和运行寿命等精细化管理和高效运维提供依据。

多维时间序列关联分析方法在电力设备故障预测中的应用

提出基于多维时间序列关联分析的电力设备故障预测方法:将电力设备拓扑网络设备节点的历史时间序列数据进行规范化,运用时间序列分解算法将时间序列进行分解;用一种时间序列模式表示方法,提取关键设备发生故障之前网络拓扑中设备节点的特征事件;并采用关联分析的方法挖掘设备指标运行趋势与设备工况之间存在的隐含关系,达到对故障或冲击进行有效预测的目的。实验证明,该方法能充分利用时间序列数据,发挥数据挖掘对于不确定性关系的分析和表达的优势,能够准确、有效地进行复杂电力设备故障预测。

某三甲中医医院ICU感染发生率时间序列分析及趋势预测

目的:了解某三甲中医医院ICU感染发生率的时序分布特征,预测其发生规律和趋势,为中医医院ICU感染监测提供数据支持。方法:收集某三甲中医医院2019年1月至2024年2月ICU医院感染数据。利用求和自回归滑动平均模型(Autoregressive integrated moving average,ARIMA)对ICU感染发生趋势进行预测并评价其预测效果。结果:2019年1月至2024年2月某三甲中医医院ICU医院感染发生率为2.61%(232/8895);时间序列分析显示,ICU医院感染发生率波动较大且存在一定周期性,总体呈下降趋势。根据赤池信息准则和贝叶斯信息准则拟合,ARIMA(0,1,1)为最优预测模型。经参数估计与效果评价,感染发生率实际值均在预测值95%可信区间内,模型预测效果较好。结论:运用ARIMA对某三甲中医医院ICU医院感染发生率的预测结果良好,可显示其长期发生规律与趋势,能为医院感染监测提供科学依据。

考虑噪声影响的MEMD-XGBoost方法在GNSS高程时间序列建模和预测中的应用

全球导航卫星系统(global navigation satellite system,GNSS)高程时间序列研究有助于监测和分析地壳板块运动,可以为研究人员判断区域运动趋势提供依据。基于经验模态分解和极端梯度提升算法构建了MEMD-XGBoost模型来预测分析GNSS高程时间序列。为了验证模型的预测性能,实验选取8个GNSS站高程时间序列数据进行预测实验,特征构造结果显示,多次经验模态分解可以准确地提取原始时间序列信息,提供有效特征。建模结果表明,MEMD-XGBoost模型可以有效改善数据质量。预测结果表明,MEMD-XGBoost模型预测结果具有较高的精度和准确率,误差离散程度较小,模型具有较强的稳定性和鲁棒性,可以较好地预测出GNSS站高程方向的运动趋势和季节性变化。因此,该模型可以应用于GNSS高程时间序列建模和预测研究。

顾及地球物理效应的GNSS高程时间序列AdaBoost预测和插值方法

传统的GNSS高程时间序列预测和插值方法仅考虑时间变量,具有明显的局限性。本文顾及地球物理效应的影响,通过温度、大气压强、极移等数据和GNSS高程时间序列数据构建回归问题,使用自适应提升(AdaBoost)算法建模。为了验证模型的预测和插值性能,试验选取4个GNSS站的高程时间序列进行分析。建模试验表明,相较于Prophet模型,AdaBoost模型的拟合精度提升了约35%;预测结果表明,在12个月的预测周期内,AdaBoost模型在4个GNSS站的MAE值为4.0~4.5 mm,RMSE值约为5.0~6.0 mm;插值试验表明,相较于三次样条插值方法,AdaBoost插值模型的精度约提升了15%~28%。预测和插值试验表明,顾及地球物理效应的AdaBoost模型可以应用于GNSS高程时间序列预测与插值。

基于坐标时间序列的地心运动分析与预测

地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(global geophysical fluids center,GGFC)和国际GNSS服务(international gnss service,IGS)第三次重处理(IGSR03)提供的3组地心运动数据,首先对其一致性和差异进行了分析,然后分别利用谐波模型和Diff-LSTM模型对地心运动进行了长期和短期的建模与预测,结果显示,GGFC地心运动的预测精度优于1.5 mm,而Diff-LSTM模型的地心运动预测结果在短期内优于谐波模型,当预测步长为17时,GGFC和IGSR03的地心运动预测精度均能达到甚至优于1 mm。表明地心运动的预测精度能够满足基于地球质量中心(center of mass of the total earth system,CM)的瞬时地球参考框架的建立与维持。