内蒙古第三产业增加值的研究——基于ARIMA疏系数模型

本文运用时间序列建模方法对内蒙古第三产业增加值进行了分析和研究,首先通过对第三产业增加值序列的平稳化处理,然后运用ARMA方法进行建模,最终确立了ARIMA疏系数模型。经过检验,模型预测效果良好,可用于对未来的预测。

基于时间序列疏系数模型的太阳辐射年际变化趋势预测

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。

疏系数ARIMA模型预测江西省肺结核发病趋势

目的探讨疏系数求和自回归移动平均（ARIMA）模型预测结核病发病率的可行性，为制定有针对性的防制政策提供科学依据。方法根据江西省2005年1月-2013年12月结核病监测发病资料进行疏系数ARIMA预测模型的建立，选择2014和2015年肺结核发病资料评价预测效果。结果江西省2005年1月-2013年12月肺结核的发病率呈现以年为周期的季节效应，并且出现长期递减的趋势；拟合疏系数ARIMA（0，（1，12），（2，3））模型可以较好地诠释肺结核历史发病数据，且对2014和2015年肺结核的月发病率预测情况与实际情况基本相近。结论疏系数ARIMA模型能有效阐明江西省肺结核的发病时间规律和预测发病趋势。

基于ARIMA-GM组合模型的农作物播种面积预测——以吉林省为例

农作物种植面积预测能够有效帮助生产者提前掌握未来农业的生产状况。为准确预测农作物播种面积变化情况,寻求一种新型的组合模型权重计算方法。以吉林省历年作物播种面积为原始数据,建立GM(1,1)与ARIMA时间序列组合预测模型。综合使用平均绝对百分数误差、残差平方和最小法及最小二乘法确定组合模型的权系数,在此基础上将三种权系数组合优化后得到最终权重,两种模型权重分别为0.44976和0.55024。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.4%。

基于ARIMA预测优化模型的生鲜类商品自动定价与补货策略研究——以蔬菜类商品为例

生鲜商超中蔬菜类商品由于保质期较短,其商品的定价与补货决策往往是商超关注的重点。本文首先建立并求解了蔬菜品类与销售分布的皮尔逊相关模型,获得了各品类和各单品之间的相关关系,然后通过建立ARIMA预测模型,对生鲜商超未来一周各蔬菜类商品补货数量和定价策略进行了预测分析,最后采用非线性规划结合贪心算法对模型进行优化,求解了满足市场需求下最大收益时蔬菜各品类和单品的自动定价与补货决策。ARIMA优化模型能有效地对蔬菜类商品的自动定价与补货决策进行预测与优化,对保障生鲜商超的正常运营与收益具有重要意义。

基于疏系数季节模型的南宁房地产投资分析与预测

本文应用R软件并基于疏系数季节模型对南宁房地产投资进行了分析与预测。模型地MAPE值和TIC值均显示模型地拟合精度较好。模型有一定的参考意义。

时间序列的疏系数季节模型在地下水动态模拟中的应用

由于地下水埋深受气象因素影响呈现年周期变化，且因气候的波动和生态环境的变迁，使地下水埋深在不同年份相同阶段并不相同。将时间序列的季节模型用于人民胜利渠古黄河背河洼区、漫滩区月平均地下水埋深动态建模之中。计算结果表明，模型为疏系数季节模型，模型精度显著高于自回归模型。

基于最优利润规划模型的商超蔬菜定价与补货决策

在生鲜商超中,一般蔬菜类商品的保鲜期都比较短,商超通常会根据各商品的历史销售和需求情况每天进行补货。本文针对商超蔬菜的定价与补货决策进行最优化研究分析。首先研究商品销量分布及销量随时间变化趋势,利用皮尔逊系数发掘不同蔬菜种类间的相互关系,接着采用自回归积分移动平均模型(ARIMA)预测价格未来走势。

基于ARIMA模型的湖北省CPI时间序列分析及预测

金融危机后,伴随着世界经济的快速增长,通货膨胀问题越来越严重,物价上涨厉害。本文利用湖北省2008年9月至2011年这4年(32个月)的月度数据,对湖北省CPI序列建立求和自回归移动平均(ARIMA)模型。结果表明,疏系数模型ARIMA((1,3,10),1,(2,3))是描述湖北省CPI变化趋势较优的时间序列模型。本文利用此模型对2011年5、6、7月的湖北省CPI指标进行了预测并提出了相应的建议。

基于SARIMA模型的我国入境旅游人数时间序列分析

一、关于本文时间序列模型的说明 时间序列是一种是按照时间顺序取得的一组数据,大多数的时间序列存在惯性,通过对这种惯性的分析就可以由现在值和过去值对未来值进行预测.时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,其基本思想是根据随机的时间序列建立能够比较精确的反映时间序列中所包含的动态依存关系的数学模型,并借以对未来进行预测.……

一种模拟非线性复杂系统的简化方法——疏系数化方法

用非线性时间序列模型描述复杂系统，往往因模型参数过多而导致负效应，疏系数化方法能简化模型结构、实现系统内在规律。

ARIMA模型在股市预测中的应用

上★应用研究★《江苏统计》１９９９．１海证券交易所成立以来，我国股市市场在７年多的时间里已取得了长足的发展。但是由于我国的股票市场是在计划经济向市场经济体制转型中建立起来的，各种不规范的运作时有发生，因此影响股票价格的因素非常多。股票市场的走势关系到...

基于ARIMA模型的江苏省GDP预测分析

本文基于1975~2020年江苏省GDP数据,运用R软件对1975~2015年的时间序列数据建立模型,再通过比较AIC信息准则值以及观察自相关以及偏自相关图像,确定最优模型:疏系数模型。之后运用对比得到的最优模型对于江苏省2016~2020年的GDP数值进行预测分析,并将预测值与真实值进行对比,结果显示利用该模型进行预测的误差较小,模型精度较高的结论。进而说明疏系数模型对于江苏省GDP预测工作的准确性。

基于ARIMA模型和GM模型的全球变暖与台风强度的相关性分析

飓风是非常具有破坏性的,往往造成数百人死亡,偶尔成千上万的人。许多气象学家都认为,近几十年来,地球表面出现全球变暖(大约半摄氏度),而且这种趋势可能会持续下去。全球变暖与台风有很强的相关性。^([1])用数学方法预测未来台风的变化具有重要意义。本文将根据1949-2015年全球平均气温和1949-2015年为西北太平洋台风最低气压来探讨全球变暖与台风强度的相关性,考虑到多种气象现象与气象要素之间的滞后性,台风资料滞后一年。^([2])首先,针对这个问题,考虑到中国台风强度不适用,选用台风中心最低气压值代表台风强度。台风频率也是台风强度的重要参数,因为台风是海陆空协调和能量释放的过程。数据采用MATALB软件处理,获得年度台风频率和台风最强中心最低气压。SPSS软件用于分析数据,这些数据之间存在相关性和滞后性。其次,考虑到全球平均气温,台风最低气压和台风频率是时间序列过程。应用时间序列分析中的ARIMA模型。对于未来的变化,由于数据量小,灰色系统被用来预测。预测结果显示未来气温将持续上升,台风强度将下降。最后,由于大部分研究台风是用数值模式计算的,所以没有很有效的简单公式,采用相对简单的线性回归分析。

ARIMA模型在短期预测中的应用——以预测广东省“十二五”期间GDP为例

一、前言国内生产总值(Gross Domestic Product,简称GDP)是指在一定时期内(一个季度或一年),一个国家或地区的经济中所生产出的全部最终产品和劳务的价值,常被公认为衡量国家经济状况的最佳指标。它不但可反映一个国家的经济表现,更可以反映一国的国力与财富。而广东省经历60年的发展,从中国一个落后的边陲省份一跃成为全国经济最发达的省份之一。工业化、城市化和国际化进程不断加快,从建国初期的初级产品生产阶段过渡到目前的工业化中后期阶段,部分地区已经迈进了发达经济阶段。近年来,广东经济总量实现大跨越。

基于ARIMA模型的中国对外贸易出口值的预测分析

出口值是对外贸易的一项重要指标。本文运用ARIMA疏系数模型对2009年1月至2016年12月的月度数据进行了建模。并且利用历史数据验证了模型的可靠性，给出了我国对外贸易出口值的短期预测。

中国保险业规模的变动分析——基于时间序列模型的选择与优化

文章基于时间序列模型对我国保险业规模的变动进行了分析预测。在分析理论机制的基础上,主要选取从广度的角度体现保险规模的保险密度指标,通过对我国改革开放后1980~2019年的保险密度时间序列数据的分析,找出的最优模型是ARIMA (1, 1, (1, 4))模型,并进行了为期5年的预测,之后对比2020年、2021年度真实的保险密度值,发现该模型对短期中国保险密度年度数值有较好的预测效果。

基于时间序列模型的短期中国能源消费量预测研究

能源的使用与社会生产生活有着密切的联系,对此能源消费量的准确预测对于制定能源生产和消费规划以及保持中国经济健康、持续发展具有极其重要的理论与现实意义。本文采用ARIMA模型,利用中国1990~2019年的能源消费量进行时间序列建模,2020~2021年能源消费量数据进行测试。通过相关的检验和分析,疏系数ARIMA((5),2,1)模型的拟合效果较好,对比2020和2021年真实数据发现预测平均误差仅为0.835%,因此利用该模型对中国未来三年的能源消费量进行预测。预测结果表明,未来三年中国能源消费量仍然增加,但是增长速度放缓,符合中国当前低碳经济发展背景。