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NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

基于季节ARIMA模型对某三级综合性医院门诊量的预测研究

目的 通过建立季节ARIMA模型,对浙江省某三级综合性医院门诊量进行预测,为医院合理配备门诊人力资源提供依据。方法 以2013年1—6月浙江省某医院门诊量数据为基线,利用SPSS软件构建季节ARIMA模型,对2023年7—12月的门诊量进行预测,通过对比门诊量实测值,评价季节ARIMA模型预测门诊人次的精度。结果 该综合性医院门诊量呈现逐年上升趋势,并呈现周期性波动的特征。拟合的最优季节ARIMA模型为ARIMA(0,1,1)(1,0,1)12,BIC(贝叶斯信息准则)为5.273,MAPE(平均绝对百分误差)为14.265,R2(模块决定系数)为0.408,总体相对误差为1.83%,预测结果良好。结论 季节ARIMA模型较好地模拟了该三级综合性医院门诊量在时间序列上的变化趋势,为该院门诊量的短期预测提供理论依据。

基于ARIMA模型的黄土高原河谷城市生态足迹动态模拟及测算——以甘肃省兰州市为例

为了从经济发展的角度探究生态足迹动态变化的成因,论文在测算黄土高原河谷城市——甘肃省兰州市2002—2014年人均生态足迹的发展轨迹的基础上,引入ARIMA模型,模拟预测了该市2015—2020年生态足迹变化趋势。研究结果显示:1)2002—2014年,甘肃省兰州市人均生态足迹总体呈现上升态势,数值由2.70 hm^(2)增长至4.25 hm^(2),增幅达到1.57倍;2)从生态足迹增速看,2002—2014年人均生态足迹平均增速达到4.04%,同一时期兰州市地区生产总值平均增速为11.88%,较人均生态足迹增速高出7.84%,表明该地区经济发展的速度高于资源环境消耗的速度;3)2015—2020年甘肃省兰州市人均生态足迹仍然呈现上升态势,预测值分别达到4.48 hm^(2)、4.61 hm^(2)、4.75 hm^(2)、4.89 hm^(2)、5.02 hm^(2)和5.17 hm^(2),甘肃省兰州市生态赤字逐年增大,总生态足迹是城市土地利用总面积的19.59倍,说明经济发展与地区生态需求呈现较强正相关性,环境库兹涅茨曲线“拐点”并未出现,处于不可持续发展状态。基于以上分析结果提出了甘肃省兰州市降低生态足迹的具体路径:1)实施产业结构调整,降低生态赤字,提升经济发展质量和可持续发展能力;2)推动绿色发展,构建生态类型多样、布局合理、功能完善的自然生态系统和城乡一体的生态网络,提高生态环境容量。

改进GM(1,1)-ARIMA-LR模型天然气产量预测研究

为提高天然气产量在少样本情形下预测的准确性,基于对过去的预测误差进行学习的思想,加入自适应学习因子和组合学习因子以改进模型,构建包含GM(1,1)、ARIMA和LR的集成预测模型。该模型以平均误差百分比为评价指标,依据预测步长变化和过去预测误差对单个模型分别进行动态调整,再建立目标规划模型对各模型进行动态加权。实证结果表明,改进GM(1,1)-ARIMA-LR模型能够更好地提取时间序列的长短时依赖关系,与其它的主流模型相比,其预测精度更高。对近5年的天然气产量进行一步、五步与八步预测,GM(1,1)-ARIMA-LR集成模型预测误差分别为1.187%、3.129%、9.855%。本文运用该模型对2023-2030年中国天然气产量进行预测。

基于ARIMA-LSTM算法的母猪妊娠期饲喂量预测

目的:针对母猪妊娠期饲喂问题,对妊娠母猪饲喂量进行预测,以精确控制妊娠母猪所需要的饲料量,有助于母猪精准饲喂,节约养殖成本。方法:结合ARIMA和LSTM算法的各自优势,利用融合ARIMA和LSTM的ARIMA-LSTM优化算法,对妊娠期母猪饲喂量进行精准预测,以控制智能饲喂器精准下料。结果:ARIMA-LSTM优化算法对母猪饲喂量的预测精度最高,相比ARIMA和LSTM算法,均方根误差分别降低48.74%和17.22%,平均绝对偏差分别降低48.70%和27.37%。结论:ARIMA-LSTM优化算法能够提高母猪妊娠期饲喂量的预测精度,能够控制智能饲喂器精准下料,为妊娠母猪饲喂量预测提供较好的依据。

融合ARIMA模型和MCMC方法的非一致性设计洪水计算

常规非一致性频率分析方法在选择协变量、建立统计参数与协变量的函数关系方面均存在主观性,且仅获得设计洪水估计值,不能同时进行不确定性分析。为改进上述不足,建立了ARIMA-MCMC模型,在贝叶斯MCMC方法抽样过程中考虑统计参数拟合期内的时变性,进而对未来气候变化条件下的非一致性设计洪水频率分布模型参数进行抽样,基于参数后验分布进行设计洪水计算,并推求相应的置信区间。选取雅砻江流域小得石水文站作为分析对象,采用ARIMA-MCMC模型定量评估未来气候变化条件下小得石站设计洪水的变化情况。结果表明:基于ARIMA-MCMC方法的参数抽样收敛效果较好,3种情景下的模型统计量D均小于显著水平5%的临界值;除SSP2-4.5情景下P=0.1%和P=0.05%的设计值外,其他情况的设计最大日流量较历史期均明显增加,其中SSP1-2.6、SSP5-8.5情景下的增幅分别为7.1%~10.5%、13.9%~27.2%。本文建立的ARIMA-MCMC方法能够有效进行非一致性设计洪水频率分析。

基于ARIMA与NNAR模型的甘肃省胰腺癌发病趋势预测

目的:分析2013-2021年甘肃省胰腺癌发病趋势,并对2022-2026年胰腺癌发病趋势进行预测。方法:收集2013-2021年甘肃省胰腺癌发病数据,通过计算年度变化百分比(annual percentage change,APC)和平均年度变化百分比(average annual percentage change,AAPC)分析其变化趋势;构建自回归移动平均(autoregressive integrated moving average,ARIMA)模型和神经网络自回归(neural network autoregression,NNAR)模型,比较两种模型预测精度并预测2022-2026年胰腺癌发病趋势。结果:选择精度更佳的ARIMA模型预测得到2022-2026年甘肃省胰腺癌发病率分别为5.58/10万、6.01/10万、6.44/10万、6.88/10万、7.31/10万。甘肃省胰腺癌发病率在2022-2026年仍保持上升趋势。结论:2022-2026年甘肃省胰腺癌发病率呈现上升趋势,ARIMA模型预测发病趋势具有良好的精度,可以为进一步疾病防控工作提供重要参考依据。

基于ARIMA模型预测镇江市肺结核流行趋势及分析

目的通过构建季节性差分整合移动平均自回归模型(ARIMA模型)预测江苏省镇江市肺结核流行趋势并验证模型的有效性,探讨新型冠状病毒感染疫情对肺结核流行情况的影响。方法收集江苏省镇江市2014-2022年肺结核月发病数资料,构建季节性ARIMA模型,以2022年1-12月肺结核发病数验证预测模型效果,并分析预测误差产生的原因。结果2014-2022年镇江市共报告肺结核病例11316例,除2017、2019年发病率有所回升外,总体发病率呈下降趋势,发病主要集中在3-8月。ARIMA(1,1,1)(1,1,0)_(12)的BIC值(5.913)最小,残差白噪声也通过检验。但短期自相关部分的AR系数不显著,因此建立ARIMA(0,1,1)(1,1,0)_(12)。2022年镇江市肺结核月发病数实际值与预测值存在一定的偏差(平均相对预测误差为19.20%),但均在拟合值的95%可信区间内,实际月发病数(平均78例/月)与预测值(平均78例/月)变化趋势基本一致,模型拟合度较好,可用于预测镇江市肺结核流行情况。结论利用该模型对短期内镇江市肺结核发病数进行预测,认为镇江市肺结核流行总体上仍将长期保持下行趋势。

基于ARIMA、GM(1,1)模型的高校ESI学科发展预测研究

[目的/意义]学科建设是高校提升教育质量的关键环节,对科学研究起着重要的支撑作用。采用数学统计建模探索一种科学有效的方法,实现潜力学科入围ESI前1%的时间预测,对于机构学科发展规划有着重要指导意义。[方法/过程]基于ESI数据库,获取目标机构4个潜力学科的被引频次和ESI入围阈值,建立时间序列并创建预测模型:先引入转换系数来去除不同数据库的差异,使其可比,然后分别拟合GM(1,1)模型、ARIMA模型,预测目标学术机构学科被引频次和ESI入围阈值,找到目标机构学科被引频次赶上ESI入围阈值的时间,即预测的入围时间。通过采用平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)对模型的拟合预测效果进行评估和比较,根据MAPE、MAE和RMSE三个指标来评价模型拟合及预测效果,以此为学校的学科建设及长远发展规划提供参考依据。[局限]本研究仅局限于目标机构4个学科的数据,尚需获取其他机构、更多学科的数据进行模型预测效果验证。[结果/结论]ARIMA模型的拟合效果和预测效果优于GM(1,1)模型。目标机构的生物学与生物化学学科可能于近期入围ESI前1%;免疫学科有入围ESI前1%学科的潜力,但入围时间可能会稍微滞后;分子生物学与遗传学和神经科学与行为学学科,离入围还有较大差距。

基于ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型(ARIMA)和长短期记忆神经网络(LSTM)的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。

基于ARIMA和GM(1,1)模型的互联网肿瘤专科门诊接诊现状预测研究

目的充分了解互联网肿瘤门诊接诊现状的变化趋势,为互联网医院的发展及管理提供支持。方法利用某肿瘤专科医院2021年1月—2023年6月互联网门诊接诊数据,分别构建ARIMA和GM(1,1)模型,采用平均绝对误差(MAE)和均方根误差(RMSE)评价拟合效果,基于优势模型预测2023年7—12月互联网门诊接诊比例及互联网门诊人次占线下门诊比例。结果通过ARIMA(1,1,2)和GM(1,1)模型对互联网门诊接诊比例进行预测,平均绝对误差分别为2.06%和2.41%,均方根误差分别为3.01%和3.17%;通过ARIMA(0,1,1)和GM(1,1)模型对互联网门诊人次占线下门诊比例进行预测,平均绝对误差分别为0.58%和1.08%,均方根误差分别为0.75%和1.31%,表明ARIMA模型的预测效果更好。预测结果显示,2023年12月互联网门诊接诊比例预测值为90.35%,互联网门诊人次占线下门诊比例预测值为16.46%。结论2021—2023年某肿瘤专科医院互联网接诊比例呈现持续稳定趋势,互联网门诊人次占线下门诊比例呈现持续上升的趋势。因此,医院需建立持续的监测机制,不断调整管理策略和措施,以满足患者的需求,持续推动互联网医疗服务高质量发展。

基于ARIMA模型的中国青光眼疾病负担预测研究

目的描述和分析1990—2019年中国青光眼疾病负担状况及其变化趋势,并预测2020—2050年中国青光眼疾病负担。方法从2019年全球疾病负担数据库中提取1990—2019年我国青光眼患病率、YLD率和DALYs率等疾病负担指标的数据,基于该数据建立自回归滑动平均模型(ARIMA模型)并预测2020—2050年我国青光眼疾病负担。结果1990—2019年,我国全年龄段青光眼的患病率从49.26/105增长至94.08/105,平均每年增长3.03%,且男性和女性青光眼患病率年均增长分别为2.63%和3.47%;我国全年龄段青光眼伤残所致生命年损失(YLD)率及伤残调整寿命年(DALY)率均由5.68/105提高至7.91/105,年均变化率为1.31%,男性和女性的青光眼YLD率及DALYs率均呈升高趋势,平均每年增长1.01%和1.69%。由ARIMA模型预测的青光眼疾病负担结果显示动态趋势与实际情况基本相同,且用于评估ARIMA模型的预测值与实际值的预测准确性指标:相对误差、平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)均很小,预测结果精确。经ARIMA模型预测得到2020年我国青光眼患病率为128.70/105,YLD率为10.63/105,DALYs率为10.63/105,到2050年,预计我国青光眼患病率为942.17/105,YLD率为10.87/105,DALYs率为10.87/105。结论ARIMA模型在拟合我国青光眼疾病负担应用中拟合效果和预测精度良好,可为青光眼疾病负担预测提供借鉴和参考,预计2020—2050年我国青光眼疾病负担呈现上升趋势。

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和LSTM混合模型的林业产品销售价格预测系统研究

为提高林业产品销售价格预测的准确性,提出了基于ARIMA和LSTM混合模型的林业产品销售价格预测系统。系统设计分析和数据库设计确保了系统整体性能。通过对历史数据的预处理,提高了数据质量。利用ARIMA模型和LSTM残差预测进行价格预测,并将两者融合以得到最终预测结果。实验结果显示,该系统的预测误差控制在3以下,具有更高的准确性和较强的可靠性,可为产品价格波动的预测提供参考。

新冠疫情对我国股债市场的影响研究——基于ARIMA模型的实证分析

新冠疫情对全球金融市场产生了巨大影响,我国股票和债券市场也受到较大影响。研究新冠疫情对中国股债市场的影响,可以帮助投资者了解市场状况,规避风险,对其他地区的股债市场也具有借鉴意义。选择2019年9月9日至2020年4月1日的上证指数收盘价和国债指数收盘价数据进行分析,并以新冠疫情对股债市场造成冲击为分界点,将数据分为疫情冲击前和疫情冲击后两个时间段。具体思路为:使用疫情大规模暴发前的数据建立ARIMA模型和Holt两参数指数平滑预测模型,通过比较确定最优模型为ARIMA模型,然后使用ARIMA模型进行短期预测,将预测值和实际值进行对比分析,得出新冠疫情对股债市场收益的影响。结果表明:①在预测股票市场和债券市场收益方面,建立ARIMA模型要优于Holt两参数指数平滑法。②新冠疫情在短期内对股票市场产生负向作用,对债券市场产生正向作用,但随着时间的推移,股票市场和债券市场最终还是会趋于平衡状态。

基于ARIMA-LSTM组合模型的工业生产车间粉尘浓度预测

在工业生产环境中,精确预测车间内的粉尘浓度对于确保工作场所的安全和产品质量至关重要,而该环境下单一的预测模型往往难以捕捉所有关键的数据特征。为了提高预测精度,该研究通过ARIMA模型提取数据的线性特征,使用LSTM模型拟合预测残差中的非线性特征,构建基于ARIMA-LSTM的组合预测模型。该模型采用均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评估指标。基于某厂生产车间的粉尘浓度时间序列数据进行实验评估,结果表明该模型的MSE、MAE和MAPE分别为0.74、0.66和3.29%,预测精度均优于单一的ARIMA模型,验证了模型的有效性和可靠性。

时序模型ARIMA在数据分析中的应用

时间序列是进行趋势分析的方法之一。随着大数据时代的到来,经济趋势、企业经营、市场预测和天气预测等常常需要进行预测和分析。本文对某知名化妆品公司2010年至2018年间的2122条股票数据,采用ARIMA模型进行趋势分析,预测未来的发展趋势。通过模型的拟合与效果考核,所得到的结果说明了应用ARIMA模型对股票进行趋势分析时,可以取得较好的预测效果。

基于ARIMA模型和CNN-LSTM组合模型的全球气温预测分析

全球气温预测研究对于国家环境健康状况评价、环境问题分析和预防污染物浓度管理具有重大价值。为有效提升温度预报准确率,首次引入了ARIMA(自回归移动平均模型)模型进行温度预测,而后又给出了一个基于卷积层神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的温度预报模型。利用CNN卷积层和池化层为特征提取模块,从而获得了数据特征;将重构信息注入LSTM网络中挖掘气温的时序特征。结果表明,与单独使用LSTM、CNN进行预测及使用ARIMA模型预测相比,CNN-LSTM模型预测结果具有更高的准确率。

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。