基于MATLAB的ARIMA模型对我国GDP预测的研究

国内生产总值(GDP)是衡量国家经济发展水平的重要指标,准确预测GDP对政府进行有效宏观调控意义重大。文章采用MATLAB软件,对我国1978—2023年国内生产总值(GDP)进行分析,通过数据平稳性检验、模型参数的识别、模型检验等环节确定了ARIMA(4,2,2)模型。预测我国2024—2026年GDP数值。

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乘法季节模型的R软件实现

目的探讨ARIMA乘法季节模型的R软件实现方法,为模型的利用提供方法参考。方法利用美国芝加哥市1987—2000年大气污染物臭氧(O_3)浓度数据建立ARIMA乘法季节模型,并进行预测,比较预测值和观察值的差异。结果 ARIMA乘法季节模型在R软件中方便实现,模型预测值和观察值的平均相对误差为5.6%。结论 R软件有相对丰富的软件包可以实现ARIMA乘法季节模型,使用者可以方便快捷地实现分析需求。

Eviews软件在ARIMA模型中的应用研究——以苏州接待国内游客人数为例

ARIMA模型是一种精度较高的短期时序预测模型,本文使用2003年至2010年苏州接待国内游客人数作为原始序列,对其进行对数运算,得出一阶差分后的序列是平稳的,建立了ARIMA(1,1,1)模型,并利用Eviews软件计算出2011年的预测结果为7877万。

应用R软件的ARIMA模型教学案例设计

为了培养学生学习随机过程的兴趣,本文提出了采用教学案例设计的方法把ARIMA模型知识点和实际传染病数据联系在一起,借助统计专业的R软件,应用可视化的实验结果对案例进行分析,加深学生对知识的理解,进而提高学生的解决问题的实操能力。实践表明,采用教学案例设计的方法进行教学能够满足学生学习随机过程课程的需要。

R软件在“时间序列分析”教学中的应用——以ARIMA模型为例

“时间序列分析”是一门理论性和实践性都很强的统计学专业课程。本文以ARIMA模型为例,探讨R软件在时间序列分析教学中的应用。利用R软件开展实践教学,有效巩固和加深学生对理论知识的理解与认识,培养学生自己动手、主动探究的能力。

ARIMA模型在软件测试缺陷数量预测中的应用

本文通过采用ARIMA模型(求和自回归滑动平均模型)对嵌入式软件项目开发中缺陷数量的预测方法进行了研究,提出将嵌入式软件项目测试过程中发现的缺陷数量,按时间顺序阶段作为时间序列事件数据,按照ARIMA(p,d,q)模型的方式,对此数据的时间过程进行分析与建模,根据所得模型对下一个相似的软件项目测试发现缺陷数量进行预测的方法。同时采用这种方法对实际项目数据进行了建模,利用所得模型进行了预测,并与实际项目的数据进行了比较,对更深一步的研究进行了讨论。

ARIMA模型在交通事故预测中的应用

通过ARIMA模型分析了1970—1997年中国交通事故的十万人口死亡率时间序列的平稳性,用SPSS11.5软件拟合模型并作预测,结果表明,ARIMA模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列,预测较准,可以为政府和交通部门制定预防降低交通事故提供重要的数据支持.

中国煤炭价格的ARIMA模型的建立及其预测分析

运用SAS软件系统中的时间序列建模方法对中国煤炭出厂价格指数序列建立了ARIMA(1,1,1)模型。拟合结果表明我国煤炭出厂价格在1977年—2005年是一个持续上涨的过程,并在2006年—2010年我国煤炭出厂价格还要保持持续上涨的趋势,这可以为相关单位和部门提供一定的借鉴。

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法。首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历史数据作为RNN模型的输入进行二次老化预测,从而克服了ARIMA模型对波动较大的时间序列数据预测精度较低的局限性。实验结果表明,ARIMA-RNN组合模型比ARIMA模型及RNN模型的预测精度高,且比RNN模型预测收敛速度快。

越南河内市冬作物生长季降水量ARIMA预测模型

考虑了气候系统中一些变量突变时可能对预测关系的改变作用 ,用 ARIMA( Auto- Regressive Integrated Moving Average)动态模型的建摸方法 ,通过 SAS软件的计算 ,建立河内冬作物生长季降水量预测模型。用 1 996～ 1 998年的独立资料检验 。

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。

小波分析结合ARIMA组合模型的2014～2017年石油贸易量预测研究

选取2002～2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解，识别出数据的主要特征和细节特征，针对不同特征进行识别和平稳性检测和参数估计，建立相应的ARIMA模型，并进行预测加权合成。仿真结果表明，小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型，从而为科学合理的决策提供更为精确的预测模型。

基于ARIMA模型的航空发动机性能预测

为了提升发动机性能短期预测精度,利用求和自回归移动平均(ARIMA)模型建立某型发动机排气温度预测模型。仿真显示,该预测模型结果优于传统神经网络预测模型。

基于时间序列分析的ARIMA模型分析及预测

针对能源合理利用中的负荷预测及理论分析指导等问题,提出了根据时间序列分析的理论方法,建立了ARIMA模型,为能源生产、储备及使用提供了预测理论与方法。仿真实验选取了某地区1997-2006年电力系统月负荷生产实际数据,建立模型并进行了分析和预测。结果表明,所建立模型的分析预测结果是合理和可靠的。

基于ARIMA模型的湖北省城镇居民人均可支配收入预测

为了研究湖北省城镇居民人均可支配收入的情况,选取湖北省2000-2015年16年的数据,采用基于R软件的时间序列分析方法对这部分数据进行检验和分析。预测之前首先对非平稳的原始数据进行对数化处理,再作二阶差分得到平稳序列,之后建立ARIMA模型(差分自回归移动平均模型),然后利用已经通过检验的模型对2016-2025年这10年数据进行预测。从预测结果看出,2016-2025年未来10年湖北省城镇居民人均可支配收入依然呈现明显上涨趋势。最后给出政策性建议和总结,这对湖北省的经济发展有着很重要的使用价值。

人民币汇率的ARIMA模型的预测

本文在简要介绍时间序列模型的基础上,使用美元/人民币的日汇率值进行实证研究,建立相应的ARIMA模型。并试图将此模型应用于汇率的短期预测,并对其预测效果进行评价。

ARIMA模型在卫星的可靠性评估中的应用

利用运行卫星的太阳能电池的电流数据对电池的可靠性进行了定量探究,建立ARIMA(5,1,4)非平稳时间序列分析模型.基于建立的时序模型,给出了对卫星太阳能电池退化量的预测方法,并建立了太阳能电池的可靠度方程.通过实例验证了方法的有效性和可行性,且基于实例编制了相应的R的程序.

基于ARIMA模型与Winter模型的水运货运量预测比较

本文运用SPSS统计软件,采用ARIMA模型与Winter模型对我国2010年1月-2017年7月水运货运量数据进行分析,ARIMA模型定为ARIMA(1,1,1)(2,1,0)12,通过对训练样本进行训练,R方达0.953,拟合效果较好。Winter模型,分别采用Winter季节可加性、Winter相乘性条件对训练样本进行训练,R方分别为0.974、0.966,标准化的BIC(L)分别为14.752、15.036,拟合效果都比较好。三种方法对2017年8月-2018年8数据进行测试,都有较好效果;在进行2018年9-2019年9月预测中,三种方法所得结果都有差异,总体来看采用Winter季节可加性最优,其次为Winter相乘性,最后为ARIM模型。故在进行我国水运货运量预测的短期预测中,需综合考虑选择模型进行预测。

基于ARIMA模型的图书馆微信公众号用户量预测

运用SPSS统计软件,对某医科大学图书馆2016年至2018年的微信公众号用户量建立合适的ARIMA模型,模型定为ARIMA(0,2,1)(0,1,1),并通过该模型对2019年1月与2月用户量进行预测并与现实数据进行对比。ARIMA模型的建立旨在为图书馆新媒体阅读推广提供参考。除此之外,将微信公众号功能模块作为影响微信公众号用户量的因素之一,对其点击量进行统计与分析,根据分析结果,需要对菜单功能模块做适当调整。