基于ARIMA时间序列模型的中医体质预测分析

目的:采用时间序列分析方法针对二十四节气中医体质类型变化构建ARIMA预测模型,探索中医体质预测研究新方法。方法:收集整理川西地区人群2020-2021年二十四节气内1 574例中医体质辨识数据作为有效样本,构建ARIMA时间序列模型,得到中医体质预测值与记录值的对应关系。结果:ARIMA (1,2,1)模型的预测拟合图显示预测数据与真实记录数据较为接近,可以较好地描述中医体质的变化趋势,模型预测精度较高,拟合优度良好。结论:ARIMA时间序列模型能够预测中医体质,为中医体质智能化提供新的研究思路。

基于ARIMA线性时间序列的埋地输油管道剩余寿命预测

针对埋地输油管道剩余寿命预测问题,构建基于ARIMA线性时间序列的埋地输油管道剩余寿命预测模型,并对输油管道剩余寿命进行预测。结果表明:基于ARIMA模型预测出该段管道的剩余寿命为27年,与专业的压力实验计算出的剩余使用寿命28年最为接近,与其他模型对比研究,ARIMA模型更为准确地预测出管道剩余寿命。

基于时间序列和网格划分的城市融合型变电站通风技术研究

变电站电气设备的放置环境要求保持干燥、低温。为达到上述标准,变电站的室内通风至关重要。为此,研究一种基于时间序列和网格划分的城市融合型变电站通风技术。通过时间序列预测未来一段时间内变电站室内通风情况,为是否需要通风提供依据。通过数值模拟技术分析气流变化特征,以此为基础,构建多目标函数,设置约束条件,并通过网格划分法实现通风方案求解。实验测试结果表明,经过设计的通风方案进行通风,通风后温度、湿度以及SF6含量结果均符合规定的标准,证明了所研究技术的应用有效性。

区域技术创新和经济绿色发展的测度与评价——基于时间序列数据的实证研究

文章基于四川2000—2020年的区域时间序列数据,通过实证研究揭示了技术创新对经济绿色发展的促进作用及其作用机制。文献回顾梳理了相关理论,明确了技术创新和绿色发展的概念;理论机制强调了经济增长、经济发展与绿色理论的内在联系;研究设计明确了测度指标,深入分析了四川经济绿色发展和技术创新现状;实证结果通过序列相关性、平稳性检验和格兰杰因果关系检验显示,技术创新积极促进了绿色经济发展,且二者存在双向因果关系;结论强调了区域技术创新与绿色发展的良好态势,并提出促进可持续发展的多方面对策建议。文章在理论和实证上深化了对技术创新与绿色发展关系的认识,可以为相关决策提供实质性的参考。

我国快递业务收入的时间序列分析——基于ARIMA模型

本研究选取2008年1月~2023年11月全国快递业务收入的月度数据为样本,采用时间序列检验方法对其进行了相关分析,然后根据数据特征建立了ARIMA乘法模型来拟合此时间序列。接着,我们用拟合模型来预测2022年3月和4月的全国快递业务收入,通过分析2022年3月和2022年4月全国快递业务收入预测值和真实值的差值,得出突发事件对我国快递行业有着短期负向冲击作用的结论。其次,我们用2008年~2019年的数据对2020年的全国快递业务收入做了预测并且分析预测值和实际值之间的差距以判断2020年初突发事件对全国快递业务收入的影响。最后,我们用2008年~2022年的数据对2023年的数据做出预测,对比实际值和预测值的差距我们发现:快递收入很快恢复至突发事件发生之前水平并有所增长。这对于电商快递行业在遭遇不可抗力因素导致的业务影响时,如何在抵抗短期负面影响的同时也兼顾到未来长期发展具有一定的借鉴意义。

广西盘龙铅锌矿涌水量时间序列变化特征分析及ARIMA预测

广西盘龙铅锌矿是一个岩溶大水量矿山,因毗邻珠江流域黔江河段,随着不断向深部开拓,坑道突水防治成为首要安全事务。根据该矿2010—2021年涌水量时间序列,运用统计学方法和重标极差法(R/S分析)对时间序列变化特征进行分析,并利用自回归移动平均模型(ARIMA)开展涌水量预测。结果表明:盘龙铅锌矿涌水量序列总体上呈现右偏长尾、尖峰-平峰态和非平稳特征;年内序列Hurst指数为0.7801-0.9949,年内变化具有季节性特点;年际序列Hurst指数为0.7005,具有相对较弱的长程依赖性,与矿山开采深度加大和黔江蓄水影响有关。基于2010—2019年涌水量时间序列,用ARIMA模型预测2020年-120 m标高上段和下段的矿坑涌水量分别为4323.7和6274.0 m^(3)/h,与实测值误差分别为2.49%和3.14%。

基于iTransformer模型的金融时间序列预测

金融时间序列的准确预测是经济政策制定者和投资者密切关注的焦点。本文选用工商银行作为金融时间序列的代表,用一种新颖的神经网络模型iTransformer对工商银行的股票价格进行预测。同时,将统计模型ARIMA、神经网络模型LSTM和Transformer作为对照组,比较了不同模型在不同时间范围内预测的准确性。实证结果显示,iTransformer确实适用于股票价格的预测,在短期、中期和长期这三种不同的预测区间内,其精度普遍优于对照组的预测模型。

基于ARIMA时间序列的广西百色市艾滋病流行趋势分析

目的分析广西百色市2011年至2021年艾滋病报告病例的分布特征,建立ARIMA时间序列模型,对艾滋病报告病例数进行短期预测,为百色市艾滋病防治策略和措施的制定提供科学依据。方法对2011年至2021年中国疾病预防控制信息系统艾滋病监测子系统现住址为百色的报告病例进行描述性分析,并采用Eviews 10.0统计学软件建立ARIMA时间序列模型进行预测。结果百色市2011年至2021年艾滋病报告病例数总体呈上升趋势,病例有明显的地区聚集性,东南部高发,重点分布在右江区、田阳区、平果市、田东县、靖西市等地;报告病例无明显季节性。经过数据序列平稳化处理和参数估计,确定ARIMA(2,1,2)为最优拟合模型。模型的平均拟合准确度为85.29%,平均相对误差为14.71%,说明该模型的拟合效果良好。结论百色市艾滋病报告病例数呈逐年上升趋势,且有明显的地区聚集性,ARIMA时间序列模型能较好地预测百色市艾滋病报告病例数,应加强高发地区的防控和危险因素监测,并制定针对性强的综合防控策略和措施。

基于时间序列分析的黄磷价格预测研究

本文旨在通过ARIMA和GARCH模型分析和预测黄磷价格的时间序列数据。黄磷是一种基础化工产品,其应用领域众多,是磷化工产业链的重要一环。黄磷价格的变化备受各方瞩目,因此建立有效的模型对黄磷价格预测分析具有重要的现实意义。本文采用了从2010-2022年的黄磷价格数据,使用单位根检验确认数据的非平稳性,并通过一阶差分实现了平稳化。ARIMA(1,1,1)模型被用来捕捉价格的长期趋势,而GARCH(1,1)模型用于建模残差的波动性。研究结果表明,组合模型能有效预测黄磷价格,且预测值在95%置信区间内与实际价格吻合良好。本研究为化工产品市场的风险管理和决策提供了新的视角。

基于时间序列模型对中国银行股价的预测分析

股价是衡量一家公司在股票市场上的价值和表现的关键指标之一,也是投资者做出买卖决策的基本依据之一,可靠的投资建议能有效提升投资者在股票市场的收益。本文尝试运用时间序列模型ARIMA模型,基于中国银行2018年12月17日至2023年7月31日日交易收盘价数据,对其股价进行分析与预测。结果显示,时间序列模型ARIMA可以很好的预测短期内的股价变化,但股市的影响因素众多,后续更需要更深入的研究,发现更适合的模型进行长期预测。

基于多步时间序列的空气质量预测研究

研究空气污染水平,更精准的预测PM2.5浓度和AQI指数对于解析污染影响因素和有效制订控制策略具有重要意义。本文基于2015-2023年同一地区的污染物浓度和气象数据,根据PM2.5浓度和AQI非线性、时序性的特征,构建了ARIMA和LSTM多步预测模型,对PM2.5浓度和AQI等级进行预测。结果显示,对于PM2.5浓度的真实数据,基于3步预测的ARIMA模型RMSE值最小,更适合PM2.5浓度的预测;而在AQI的真实数据集上,LTSM模型较ARIMA模型准确性更高。

基于豆图时间序列的高频金融交易分析

基于豆图时间序列对贵州茅台股票的高频金融交易数据进行了重构,提取了每个豆图的均值,组成一个新的时间序列进行实证分析。在进行实证分析中,对比多个时间序列模型,最终选定ARIMA模型和TAR模型对成交价进行拟合,经过比较得到基于TAR模型进行预测更为合适。

时间序列ARIMA模型在煤矿地音监测系统中的应用

针对目前微震监测系统在冲击地压临震预警存在滞后性的问题,应用地音监测系统对冲击地压进行监测,同时进行了时间序列ARIMA模型在数据预测方面的研究。研究采用四通道ARES-5/E地音监测系统进行连续数据监测,首先对地音多通道监测数据进行数据清洗,剔除随机与干扰数据;然后对数据进行平稳性检验与数据差分分析;接着建立ARIMA数据模型并对模型进行相关性估计,识别模型参数后再对模型的有效性进行检验,通过检验后的模型对地音数据进行预测与识别。通过对石拉乌素矿地音设备监测的长期数据进行多层次提取并预测发现,时间序列ARIMA模型在中短期地音数据预测方面具有显著优势。

基于ARIMA模型对我国药品不良反应报告例数时间序列分析及预测

目的:应用自回归移动平均(ARIMA)时间序列模型分析及预测我国药品不良反应(ADR)报告例数的发生状况及趋势,为监管及临床提供参考。方法:收集我国药品不良反应监测中心2009~2021年ADR报告的数量,运用SPSS 23.0软件对我国ADR报告的数量进行ARIMA模型的建模拟合,对ADR报告的时间序列进行分析。结果:根据2009~2021年每年ADR的数量为基础建立时间序列,构建的最优模型为ARIMA(0,2,0),所建模型R^(2)>0.8,拟合度较好,标准化贝叶斯信息准则(BIC)为5.564,平均绝对误差(MAE)为10.199,ADR报告数量呈逐年上升趋势,增长超3倍之多。结论:ADR报告例数可以运用ARIMA模型进行分析,我国ADR报告例数与ARIMA模型拟合的情况基本一致。

时间序列模型在经济分析中的应用——陕西省GDP分析与预测

相对精准的GDP分析与预测可以为国家或地区在进行经济发展战略部署及相关发展措施的制定方面提供重要参考依据。文章借助时间序列的相关定义和方法,分析和模拟了影响陕西省GDP的主要因素及其与第一、二、三产业的关系,并进一步采用数据分析方法,建立不同的模型并加以比较,得出了最佳的预测模型,并对第一、二、三产业与GDP进行了预测。

基于时间序列方法的股票价格分析

股票价格指数是一个国家经济建设健康状况的体温表,它的变化大致反映了该国经济结构和经济活动的宏观变化趋势。因此,选取合适的实证研究方法对股票价格指数进行预测分析,具有重要的实证意义。近年来,基于时间序列分析的预测方法在各个领域中都得到了广泛的应用。而对股票价格进行预测较为普遍的模型就是时间序列模型。所以本文以神州长城指数为例,将时间序列建模方法应用于股票价格指数的建模与预测,我们选择建立了ARIMA、GARCH模型进行拟合与预测。实验结果表明,该模型的残差白噪声检验,系数显著性检验都控制在一定范围内,因此该模型拟合效果较好,预测值接近实际值,最后,我们借助了该模型进行了股票指数未来一定时间内的预测。

基于时间序列分析的某地区中长期负荷预测研究

随着我国经济蓬勃增长,城市不断扩张,用电需求迅速攀升,电力已成为各领域不可或缺的关键要素。精确的负荷预测可以最大化资源的有效利用,确保电力供应的可靠性,有助于促进电力体系的可持续发展。介绍了对时间序列分析方法,根据某地区电量负荷增长情况,提出了以时间序列分析为基础的负荷预测模型。基于某地区2003—2022年供电量作为历史数据,在时间序列法中采用ARIMA模型与指数平滑法这两种方法,对2023—2028年负荷量进行预测,为某地区未来电网规划提供数据基础。

基于时间序列分析的重大突发公共卫生事件对医疗服务的影响研究

目的以新型冠状病毒肺炎(corona virus disease 2019,COVID-19)疫情为例,分析重大突发公共卫生事件对湖南省某医院医疗服务的影响。方法采用中断时间序列分析(interrupted time series,ITS)方法,分析疫情前(2019年1月-2020年1月)与疫情后(2020年2月-2020年12月)某医院服务数量、医疗效率、疾病疑难程度、费用水平等指标的变化情况;建立自回归滑动平均混合模型(autoregressive integrated Moving average model,ARIMA)乘积季节模型,假设未发生COVID-19疫情情况下对2020年的出院量和门诊量进行预测,通过对比预测值与实际值的差异,评估COVID-19疫情对医疗服务量的影响。结果COVID-19疫情对医疗服务具有显著的即时影响,该医院医疗服务数量和医疗效率显著下降,疑难危重患者增加,费用水平升高,但后期均逐步恢复。ARIMA模型结果显示,2020年出院量较预测值减少43038人次(25.62%),门诊量减少806337人次(26.93%)。结论突发重大疫情对综合医院医疗服务影响显著,常态化疫情防控背景下全面恢复医疗服务面临挑战。建议医院逐步建立“平急结合”医疗救治体系,大力发展互联网+医疗的线上诊疗体系。

ARIMA模型在黄瓜霜霉病疾病指数时间序列建模中的应用研究

目的:探索黄瓜霜霉病疾病指数时间序列预测方法。方法:采用黄瓜霜霉病病情指数时间序列进行研究,通过模型识别、残差方差比较、参数估计及其检验、观察参数之间相关系数矩阵、白噪声检验、模型的拟合度分析等过程。结果:建立了ARIMA(2,2,0)模型:(1+0.487 1B+0.554 7B2)(1-B)2yt=at。ARIMA(2,2,0)模型的预测值误差平方和SSE=0.001822,根均方误差RMSE=0.008 537,且验证数据的预测值与原始值吻合较好。ARIMA(2,2,0)模型为本研究获得的预测效果较好的一维时间序列模型,适合于黄瓜霜霉病的中期、后期预测。结论:通过残差方差定阶法缩小模型选择范围,再结合模型的参数估计、相关系数矩阵、白噪声检验和拟合优度检验最后确定模型的思路,有利于快速准确找到合适的模型。

时间序列ARIMA模型在艾滋病疫情预测中的应用

目的探讨应用时间序列求和自回归移动平均(ARIMA)模型预测艾滋病发病率的可行性。方法利用重庆市疾病控制部门提供的1993～2009年艾滋病发病情况数据建立ARIMA预测模型。结果 ARIMA(1,1,1)×(0,1,0)12很好地拟合了艾滋病发病率,2009年7～12月的预测值符合实际发病率变动趋势。结论 ARIMA模型很好地模拟艾滋病发病率在时间序列上的变动趋势,可以为疫情防控提供借鉴。