基于时间序列AR(P)模型的边坡变形预测与应用

获取边坡的监测数据进行分析,并预测其接下来的变化趋势,具有重要的意义。本文以贵州省福泉市高坪矿区英坪矿段内边坡工程项目为研究对象,对监测数据采用时间序列AR(P)模型方法进行了分析与预测。研究结果表明,模型拟合的结果和预测精度较好地反映了监测点的变化趋势,可为矿区边坡模型建立和监测数据的预测提供一定的参考。

带单个变点AR(1)模型的统计推断

变点时间序列一直是计量经济学、工程学和统计学的一个重要研究课题,在金融、气象和工业等领域有着广泛的应用。研究了带单个变点一阶自回归(AR(1))模型的统计推断问题。基于极大似然(或拟似然)方法,针对带单个变点AR(1)模型给出了参数估计表达式及自相关系数估计的一致性条件,同时得到了该条件下自相关系数极大似然(或拟似然)估计的渐近分布,并依此讨论了模型是否存在变点的假设检验及自相关系数变化增量的假设检验问题。最后通过数值模拟和上证综合指数日交易量的实证分析说明了所提理论和方法的有效性。

EMD+AR模型在运动想象脑电处理中的应用

为了在处理运动想象脑电信号时得到理想的特征向量,提取脑电波(Electroencephalogram,EEG)信号特征之前使用经验模态分解(Empirical Mode Decomposition,EMD)信号,再用自回归(Auto Regressive,AR)模型提取特征。与单独使用AR模型相比,EMD+AR算法模型得到的频谱图特征更为明显,表明EMD+AR算法模型提取的特征具有较强的鉴别力。

基于加权分位数回归参数估计的AR模型及其应用

提出加权分位数自回归AR(p)模型对路基边坡变形预测的新方法,给出其原理和具体算法。以重庆奉云高速公路某滑坡段为例验证了该方法的有效性,并与其他模型作对比分析。结果表明:新方法的预测效果优于最小二乘参数估计的AR(p)模型、非加权分位数估值的AR(p)模型、ARIMA及EMD-ARIMA模型。

基于Matlab的AR模型参数估计

基于Matlab用时间序列的最小二乘估计和FPE、AIC、BIC准则对AR(n)模型进行参数估计。用实例说明运用Matlab进行AR(n)参数估计,编程简单。

基于正态—Gamma共轭先验分布的贝叶斯AR(p)预测模型

本文系统地分析了AR(P)时间序列模型的数学模型及其条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态—Gamma先验分布情况下模型的贝叶斯推断理论,包括模型自回归系数和精度参数后验分布的统计推断、二次损失函数下参数的贝叶斯估计;同时,从统计数学方法上严格地证明了一步超前预测模型的预报分布为t分布。

基于多尺度下AR(P)耦合预测模型的应用研究

基于多尺度分析理论,运用Mallat算法和Daubechies小波,把时间序列分解为比原始序列更单一的细节和概貌部分,并利用AR(P)模型能反映时间序列中邻近时刻间联系的特性,对序列分解后的部分进行拟合与预测,然后再由多尺度分析中的重构方法进行序列重构,由此建立耦合的预测模型。通过黄河青铜峡270多年(1724～1997)年径流时间序列的建模及验证,表明拟建的耦合模型与传统单一模型的预测精度相比,由50%提高到90%,可用于实际需要。

基于MCMC方法的贝叶斯AR(p)模型分析

本文提出运用Gibbs抽样的MCMC方法,解决时间序列AR(p)模型贝叶斯分析过程中所遇到的复杂的数值计算问题,借数据仿真分析来说明运用WinBUGS软件建模的分析过程,得出以MCMC为基础的WinBUGS软件简便了贝叶斯AR(p)模型的实际应用的结论。

缺失数据下AR(p)模型的估计方法

研究在缺失数据条件下,零均值AR(p)模型的估计方法.应用EM算法,给出了一个数据和连续两个数据缺失时的具体计算步骤.

基于Lasso及Adaptive Lasso的AR(p)模型定阶及参数估计

Lasso类方法可以同时实现变量选择与参数估计,将之运用于AR(p)模型的定阶及参数估计,可以大大简化计算步骤和时间.本文在前人基础上利用Lasso类方法,改进了AR(p)模型的定阶与参数估计,通过计算机编程模拟,验证了此类方法的可行性,并比较了在不同样本量情况下,Lasso和Adaptive Lasso方法在定阶和参数估计两方面的优良性,最后将较优的Adaptive Lasso方法用于实际时间序列数据中,并对结果进行分析,指出了该方法的实用性.

AR(p)模型参数估计方法比较和实证分析

对时间序列AR(p)模型的参数估计YULE-WALKER法、最小二乘法、最大似然法三种估计方法进行分析和比较,从模型推导出最小二乘估计、最大似然估计实质上是同一种估计方法,应用MATLAB软件对我国CPI数据建立AR(2)模型并应用3种方法对其参数进行估计、模型检验、预测结果比较,得出的结论与理论推导相符,实证上说明AR(p)模型参数估计使用最小二乘法和最大似然法估计的结果是一样的。

基于广义逆矩阵的AR模型参数估计算法

AR(auto-regressive)模型是时序建模分析中常用的时间序列模型。在模型参数的最小二乘估计和定阶的过程中,要求线性方程组必须有解。针对这一问题,文中引入自相关系数矩阵对线性方程组进行化简,并提出基于广义逆矩阵理论的参数估计方法。该算法对线性方程组是否有解没有限制,无需事先判定,从而解决建模过程中线性方程组无解情况下的参数估计问题。实验证明该法可有效地对设备运行状态进行趋势预测,具有一定的工程意义。

AR(q)模型的应用研究

通过对AR(q)模型的拓展,寻找金融时间序列的两个重要变量:缩放幅度与逆转周期,并以此为基础,探讨了中国证券投资基金的风险调整特性。研究发现:短期情况下,基金总体表现比较谨慎;中期情况下,基金与大盘在风险调整上的差别相对要大一些,且基金之间的区别比较明显。

AR模型辅助SINS/GPS组合导航的实验研究

激光陀螺的随机漂移噪声类似于白噪声,可以采用AR(2)模型进行数字滤波来减小其对激光陀螺精度的影响。首先介绍了AR模型,然后利用IMU单元三组陀螺信号的AR(2)模型给出了车载SINS/GPS组合导航系统误差模型,并在GPS的辅助下,对SINS/GPS组合导航进行了实验研究。最后利用Kalman滤波器对车载SINS/GPS组合导航实际测量数据进行了离线的半实物仿真。实验结果表明,采用AR(2)模型辅助的SINS/GPS组合导航系统能够得到较高的姿态精度,并能有效抑制速度误差的发散。

正态AR(1)模型参数的极大似然估计的解析解及其讨论

在AR(1)模型中(假定R(0)=1),求出了参数R(1)的极大似然估计的解析表达式,并证明其唯一存在而且一定在平稳域中.

尤尔建立时间序列线性自回归AR(P)模型的历史过程探析

文章透过尤尔的生平经历及研究背景,立足于原始文献,从变量差分方法和无意义相关以及时间序列的分类等基础性工作出发,深入探讨了模型的历史形成过程及其意义。

基于AR(p)模型的渭河水质预测

对溶解氧序列的检验结果为平稳序列及非白噪声序列,结合水质标准,建立AR预测模型,预测水质所处状态,从而指导工农业生产及水质治理.

AR-ARCH模型的局部影响分析

研究一次性探测出对AR-ARCH模型有较大影响的点.局部影响分析是近年来发展起来的识别数据强影响点的一种新方法.引入局部影响分析方法对AR-ARCH模型进行了初步的局部影响分析,得出了影响曲率的具体计算公式,并用数值实例说明了方法的有效性.本文的方法对于AR-ARCH模型中强影响点的探测有一定的优势.

AR(p)模型在中国总人口预测中的应用

利用AR(p)模型对我国总人口进行了动态预测.通过实证分析,对模型进行了检验,短期预测误差较小,应用效果比较符合实际。

多维AR(p)模型的估计理论及应用

叙述了多维AR(p)模型的分析与处理方法、多维AR(p)预测模型的建模过程及参数估计的计算方法,并将该模型在测井曲线的预测中加以实际应用.应用结果表明:本预测模型对多维动态数据进行预测是可行的.