组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析。确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型。本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度。

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。

灰色Verhulst-时间序列组合模型在沉降监测中的应用

针对传统单一的灰色模型、时间序列模型在进行沉降监测数据模型存在精度较低的问题,本文提出了一种灰色Verhulst模型和时间序列模型的组合优化模型。首先,对灰色Verhulst模型、时间序列模型的基本理论进行阐述;其次,建立了灰色Verhulst-时间序列模型,即以灰色Verhulst模型得到的样本数据拟合值作为时间序列模型进行预测的样本值;最后,通过以某建筑物沉降监测点为例进行计算并进行灰色Verhulst模型、时间序列模型以及灰色Verhulst-时间序列模型的预测结果对比。实验结果表明,灰色Verhulst-时间序列组合优化模型的预测精度最高,均方差为0.3275 mm,验证了该组合模型更贴合建筑物沉降的变形趋势。

基于LSSVM-ARMA模型的基坑变形时间序列预测

如何准确预测和控制基坑变形是基坑工程的一个难点,提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和自回归移动平均模型(ARMA)的基坑变形时间序列预测方法。首先,利用小波变换将基坑变形时间序列分解和重构为2个子序列——趋势时间序列和随机时间序列,在该基础上,采用PSO-LSSVM模型与ARMA模型分别预测趋势时间序列与随机时间序列未来值,将2个子序列的预测值求和作为最终预测结果。最后,将该方法应用于昆明某基坑工程的深层水平位移预测,不断地利用前期工况的最新实测数据建模,对后期工况未来变形量进行滚动预测,获得了令人满意的结果。

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测;经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值,并将其与检索量的实际值做比较.结果表明,用同一个ARMA模型拟合相似时间序列的方法具有可行性,且有较高的预测准确率.从聚类结果还可看出,同品牌产品的检索量数据趋于聚成一类,这为检索词关系的挖掘提供了参考.

银行房屋抵押贷款总额的时间序列预测——基于ARMA模型与趋势-ARMA组合模型的比较分析

基于1990年第一季度到2011年第三季度美国全部银行的房屋抵押贷款总额,建立了ARMA模型以及组合模型来拟合时间序列,并通过残差序列趋势和残差序列相关图,偏相关图等的分析,预测出2011年第四季度与2012年第一季度的美国全部银行的贷款总额。

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。

基于ARMA模型的经济非平稳时间序列的预测分析

时间序列分析方法是经济领域研究的主要工具之一 ,它用合适的模型描述历史数据随时间变化的规律 ,并预测经济变量值 .而 ARMA模型是适用于任何序列的发展形态的一种高级预测方法 ,它描述时间序列的动态性和发展变化规律 .文中通过 ARMA模型分析时间序列的随机性和平稳性 ,以一种商品月度销售额具体分析 ,用 sas软件检验模型的可行性 ,并预测应用 .结果表明 ,模拟值和真实值接近 ,在实际应用中预测值的准确对于指导商家的战略决策起重要作用 .

基于ARMA模型的财政教育投资时间序列分析

以1991—2008年的财政教育投资数据为依据,通过对数据进行平稳化、零均值化处理,并利用序列的自相关、偏自相关性质,建立序列的合理时间序列模型,最后利用模型进行了预测,预测结果比较切合实际.

时间序列组合式模型在艾滋病感染率变化趋势中的应用

目的基于Gramer分解定理,探讨建立确定性趋势模型和ARMA模型的组合模型预测某市艾滋病新发感染率的可行性。方法收集某市40个区县1995～2009年艾滋病月度新发感染资料,建立了指数函数和ARMA(1,0)的组合式模型。结果该组合式模型能较好地拟合当地艾滋病月度新发感染率的变动趋势,且2009年7～12月的预测值符合实际值的变动趋势。结论该组合式模型能够较好地模拟当地艾滋病新发感染率在时间序列上的变动趋势,可以用于短期的预测。

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性。研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能。

基于时间序列ARMA模型的振动故障预测

运用自回归滑动平均(ARMA)模型和聚类分析方法确定参考样本和故障样本的特征向量,通过特征向量的距离识别故障类型。根据汽轮机典型故障构造模拟信号,建立其ARMA预测模型,通过聚类分析得出标准信号及待测信号的特征向量。经验证,基于ARMA预测模型和聚类分析的方法能够正确识别故障类型。

时间序列ARMA模型及其应用

本文叙述了动态数据的分析与处理方法，时间序列预测模型的建模过程及参数估计的计算方法，并将模型实际应用。应用结果表明：本预测模型对动态数据进行预测是可行的。

时间序列ARMA模型的应用

对时间序列分析方法进行了介绍,对时间序列模型进行了研究。分析了时间序列模型的建立过程,并利用其中的ARMA模型对一个实例进行预测。结果表明,ARMA时间序列模型的预测结果是合理的。

含缺失值时间序列的ARMA模型拟合

目的 给出一种有效的处理含缺失值时间序列的方法 ,完成缺失值的内插及ARMA模型的参数估计。方法 用状态空间的Markov表达描述时间序列 ,进而采用Kalman滤波技术。结果 实例分析表明 ,不仅可以完成缺失值的有效内插 ,模型拟合效果及预测结果也甚为满意。结论 用基于状态空间表达的Kalman滤波技术 。

基于ARMA模型的GPS基准站坐标时间序列分析

由于利用GAMIT/GLOBK软件对连续运行多年的GPS基准站数据进行处理的原始结果存在一定的噪声,本文利用ARMA模型对GPS基准站坐标进行时间序列分析,其中采用Pandit-Wu方法确定ARMA模型的阶数。试验结果表明,采用Pandit-Wu方法能够准确地确定ARMA模型的阶数,并且基于ARMA的时间序列有效地消除了一定量的噪声,让GPS基准站随着时间的变化规律与趋势更加明显,说明ARMA模型在GPS基准站坐标时间序列分析中剔除噪声及突显变化量与趋势具有良好的效果。

基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测

为了更精确地预测岩土工程应力、变形等的非线性时间序列,提出了基于小波优化的长短时记忆神经网络-自回归滑动平均模型(LSTM-ARMA)预测模型。首先使用小波分析将监测序列分解成趋势项和噪声项,采用LSTM网络滚动预测趋势项、ARMA模型预测噪声项,并将趋势项预测值与噪声项预测值之和作为总的时间序列预测值。在此基础上,以上海云岭超深基坑工程为案例进行了基坑地表沉降分析,结果表明组合模型的预测精度要高于单一LSTM模型且更加稳定;进一步采用弹塑性有限元对基坑开挖诱发的地表沉降进行了预测,并与人工智能预测结果进行对比,验证了人工智预测模型的合理性。分析表明,当后续工况与前置工况所诱发的变形机理突变时,人工智能预测误差增大,但伴随后续工况的推进,人工智能预测误差将逐渐减小。

增长型时间序列组合模型设计及医院费用预测实证比较

时间序列分析常见于经济、管理、卫生、医疗领域指标预测问题,它以预测事物本身随时间变化数据规律来提取信息,以数学方法拟合历史数据并外推预测未来。拟合预测精度最受应用工作者关注[1]。时序资料表现为随时间变化呈平滑递增趋势特点,无明显扰动、周期性或季节性,曲线拟合法、ARIMA法为常见方法,算法原理不同但拟合外推性能较好[2]。组合预测模型设计目的是集结每种方法优点,提高拟合性能及外推预测效果。本文针对此类资料特点探索几种组合建模方法,通过案例比较和验证组合建模方法对医疗费用预测的意义。

一种区域地下水位预报的时间序列分析组合模型

根据地下水位动态变化的特征 ,建立提取水文趋势项的时间序列分析组合模型 ,并用逆函数法对地下水位进行预报。经典型实例验证 ,模型精度较高 。

回归和时间序列的组合模型在建筑物变形监测数据处理中的应用

为了提高变形预测的精度,获得可靠有效的预报模型,通过对回归模型残差项的进一步分析,利用Eviews对残差序列建立了时间序列模型,从而得到了回归和时间序列组合模型.利用该模型对一组实测数据进行分析、预测,并将变形数据和实测数据进行比较,证明了组合模型具有更好的预测精度和可靠性.