基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于SSA-Hurst-ARIMA组合模型的船舶柴油发电机组故障特征短期预测

为提高船舶柴油发电机组故障特征短期预测精度,建立基于奇异谱分析(Singular Spectrum Analysis,SSA)、Hurst指数、自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)的组合预测模型。以某试验中船舶柴油发电机组运行数据为基础,选取增压器滑油压强数据,对比分析单一ARIMA模型、SSA主成分-ARIMA组合模型和SSA-Hurst-ARIMA组合模型的预测效果。结果表明,SSA-Hurst-ARIMA组合模型的预测效果优于单一ARIMA模型和SSA主成分-ARIMA组合模型,更适合应用于船舶柴油发电机组故障特征的短期预测。

利用ARIMA(自回归移动平均)模型对跑道侵入事件的分析及预测

综合运用具有相当精度的时间序列分析方法,建立美国民航运输安全中的机场跑道侵入的AR IMA(自回归移动平均)模型,克服了样本空间总是有限带来的不足,揭示出民航跑道侵入的动态变化规律,并对未来美国民航跑道侵入事故发生次数进行较准确的预测,为我国民航部门科学地制定飞行计划、人员培训、提高安全管理水平,提供可靠的依据。

基于数据挖掘及自回归积分移动平均模型预测的医用耗材库存智能化管理研究

目的:基于自回归积分移动平均(ARIMA)构建医用耗材ARIMA模型,为医用耗材库存管理中的各项决策提供技术支持。方法:采用数据挖掘技术中的时间序列分析方法对医用耗材库存进行预测,通过构建医用耗材ARIMA模型分析医用耗材库存变化趋势,预测未来一段时间内医用耗材库存可能出现的结果。选取2018-2021年医院医用耗材每月库存数据,根据2018年1月至2021年7月医院医用耗材每月的库存数据构建医用耗材ARIMA模型,对2021年8-12月的医用耗材每月库存数据进行模型验证和数据预测。结果:建立的医用耗材最优模型为ARIMA(5,1,2)(1,1,1),模型平均绝对误差为7.46%;采用该模型预测2021年8-12月的医用耗材库存量与实际医用耗材库存量比较接近,平均绝对百分比误差(MAPE)为2.075%,模型拟合效果较好。结论:基于数据挖掘技术构建的医用耗材ARIMA模型,可指导决策者根据预测值对医用耗材进行采购,一定程度上降低医用耗材积压率和断货率,减少客观因素引起的医用耗材损耗率。

基于GRU和ARIMA混合模型的IGBT失效预测

针对现有绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)失效特征预测误差较大的问题,构建一种基于门控循环单元(Gated Recurrent Units,GRU)和自回归整合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的门控自回归混合失效预测模型。混合预测模型利用全连接层连接门控循环单元和自回归整合移动平均模型构建成。实验结果表明,门控自回归混合失效预测模型在均方误差、平均绝对误差和最大相对误差上的误差对比现存方法平均减少约12.94%。

基于ARIMA模型的航空装备事故时序预测

为提高航空装备事故预防的针对性、有效性和主动性,预防和减少事故的发生,降低事故造成的损失,提出一种时序的差分自回归滑动平均(ARIMA)模型。其建模过程先在时间序列基础上辨识一个试用模型,然后加以诊断,并作出必要调整,反复进行辨识、估计、诊断,直至获得较为满意的ARIMA预测模型。在实例验证中,所构建的用来预测美国空军飞行事故万时率的ARIMA模型,能够将预测的平均相对误差控制在7%以内,预测结果总体反映航空装备的实际安全状况。

基于H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测

受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型(ARIMA)对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型(VAR)计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。

基于小波变换与差分自回归移动平均模型的微博话题热度预测

研究话题热度预测问题对于网络广告传播效应最大化、网络舆论引导与控制等具有重要意义.首先,根据用户关系及话题因素计算用户影响力,进而定义话题影响力.然后,基于老化理论并考虑话题影响力和话题相关微博数定义话题能量值,量化话题热度.最后,提出基于小波变换与差分自回归移动平均模型的微博话题热度预测方法,以此预测话题热度(能量值)及话题能量峰值.实验表明,文中方法可有效预测话题热度及峰值,具有较低的残差和遗漏率.

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

ARIMA模型在单采血小板临床用量预测中的应用

目的探讨自回归移动平均模型(ARIMA)预测单采血小板临床用量的可行性,为单采血小板采集计划的制定和献血者的招募提供参考。方法采集佛山市中心血站2007-2015年单采血小板每月的临床用量数据,用SPSS软件对2007-2014年的临床用量数据建立ARIMA模型,对2015年每月的单采血小板临床用量进行预测。结果建立的模型为ARIMA(1,1,1),预测平均相对误差为5.56%,预测效果较好。结论 ARIMA模型能较好地拟合单采血小板临床用量序列并进行短期的有效预测,可为血站单采血小板采集计划的制定和献血者的招募提供数据支持。

ARIMA乘积季节模型在上海市甲肝发病预测中的应用

目的应用自回归求和移动平均(autoregressive integrated moving average,ARIMA)乘积季节模型分析季节性时间序列,建立上海市病毒性甲型肝炎发病率的预测模型。方法利用上海市1990年至2011年甲肝按月发病数的历史疫情数据,采用非条件最小二乘法估计模型参数,模型阶数确定后,建立甲肝按月发病数ARIMA乘积季节预测模型。结果非季节和季节移动平均的参数分别是0.6341和0.9999,季节自回归的参数是0.4059,t检验的P值均<0.0001,方差估计值是0.1593,AIC=282.1478,SBC=292.7242,对建立的模型进行残差的白噪声检验,χ2检验统计量的P值均>0.05,据此建立ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型,模型表达式(1-0.405 9B12)(1-B)(1-B12)Yt=(1-0.634 1B)(1-0.999 9B12)εt,并开展上海市甲肝发病数的预测。结论 ARIMA(0,1,1)(1,1,1)12NOINT乘积季节模型可用于预测上海市病毒性甲型肝炎发病的季节模型。

基于SPSS统计软件的医用装备诊疗检查需求预测的ARIMA模型构建与应用研究

目的:构建医用装备诊疗检查需求预测的差分自回归移动平均(ARIMA)模型,为管理决策提供参考依据。方法:以2013-2018年医院核磁共振(MR)诊疗检查数据为基础序列,应用SPSS统计软件建立ARIMA模型,运用拟合评价指标对预测模型进行拟合评价。选取2019年MR检查数据对预测数据进行精度检验,预测2020年MR检查数据。结果:构建的预测模型描述为ARIMA(0,1,1)(0,1,0)12,该模型拟合评价总体良好;2019年的数据精度检验评价合理且检验合格,预测数据在置信区间为95%的相对误差控制在-5.74%~5.82%,预测精度良好。该模型可用于2020年MR检查需求预测。结论:SPSS统计软件的运用简化了预测模型的构建、评价和应用,构建的ARIMA预测模型和预测数据可作为医疗机构进行医技排程统筹管理、医技资源整体调度、装备配置合理优化和诊疗服务满意提升的决策参考。

ARIMA模型应用于临床悬浮红细胞用量预测的探讨

目的建立分析和预测临床用血量的回归滑动平均混合模型（ARIMA）,为科学预测临床血液用量及合理储血提供依据。方法使用SPSS16.0软件做模型的识别、模型的参数估计与检验,建立ARIMA模型,对本院2007~2012年临床悬浮红细胞用量进行统计分析,将2013年预测值与实际值比较,检验模型的预测能力。结果构建ARIMA（0,1,1）（0,1,0）12模型,残差序列是白噪声,拟合优度相对较好,该模型的平均百分误差为5.78%,预测效果良好。结论 ARIMA模型能够科学、有效、客观反映时间序列的变化规律,为以后医院临床用血及合理储血提供了依据。

MLR和ARIMA模型在民航安全业绩预测中的应用

为预测民航安全业绩发展趋势,通过散点图、相关系数、主因子分析等多种统计方法,筛选5大类、共计20项与民航安全运行关系密切的社会经济指标,建立民航综合安全指数MLR模型;依据中国民航在1995—2014年间的安全生产历史数据,分析其发展历史、现状、特征与存在的问题,并利用ARIMA模型进行预测分析。结果表明,人员素质因子和技术能力因子对民航安全均有显著影响;民航安全综合指数预测值在2015—2017年间总体稳定;MLR方法和ARIMA模型对民航安全趋势的耦合分析结果良好。

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。

改进的差分自回归移动平均模型的共轭梯度参数估计法

为了提高差分自回归移动平均模型的拟合精度,本文结合已有的文献,借助无约束优化方法来解决此模型中的参数估计问题。主要提出了一种改进的差分自回归移动平均模型参数的优化估计法,并对提出的算法进行详细说明,在强Wolfe条件下对全局收敛性进行了证明。该方法保证了迭代计算的收敛性,并且提高了收敛的速度。数值试验结果说明:该算法是一种较为有效的方法,与其他方法比较,参数估计值更为显著,提高了预测精度。

基于ARIMA-GARCH模型的生育率随机预测

文章针对传统确定性预测方法的局限性,提出了一种基于随机理论和时间序列分析的生育率随机预测ARIMA-GARCH建模与仿真方法,通过模拟时间序列随机波动特征来估计生育率的未来值和预测区间。以中国总和生育率为例,应用ARIMA-GARCH模型对生育率序列随机过程进行预测,分析残差项之间的自相关性和异方差效应,以避免单一模型拟合导致的重要细节信息损失。提出了应对中国长期持续低生育率的相关对策建议,以期为生育政策的调整和完善提供决策依据和实践参考。

基于时间序列及回归分析模型的物流量预测实证研究

本文运用spss19中的指数平滑模型、ARIMA模型、指数模型和回归分析模型对四川省内江市历年物流量和经济数据进行建模和预测。对四种方法的预测结果进行比较、分析、检验,最后得到内江市未来的物流量最有可能的发展情况,给出平均误差,并针对物流产业的发展提出相关对策。

基于ARIMA模型的信息构建研究主题趋势预测研究

[目的/意义]识别某学科领域期刊论文中蕴含的主要研究主题并预测其发展趋势,有助于掌握学科领域的研究热点和研究动态,对于深入分析领域发展趋势具有一定的意义。[研究设计/方法]首先利用LDA模型进行主题识别,并通过自定义函数获取各个主题的年度概率分布,从而得到主题变化时间序列数据;而后建立ARIMA模型对信息构建领域的主要主题时间序列进行预测分析。[结论/发现]目前国内信息构建领域信息构建评价指标、信息组织、网络信息和知识构建等研究主题呈现良好的发展势头。[创新/价值]将ARIMA模型应用于信息构建领域,一方面对近20年国内信息构建领域研究主题加以识别并对主要主题的演变趋势进行预测,为信息构建与主题预测有关研究提供参考借鉴,另一方面也验证了本文提出的主题预测方法的可行性和有效性。

基于调和分析和ARIMA-SVR的组合潮汐预测模型

为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的叠加。采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,提高了潮汐预测准确率,可行且高效。