基于选择性集成ARMA组合模型的零售业销量预测

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析。传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征。论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度。提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求。论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58%和41.28%。组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一。     

基于小波分解和ARMA模型的沪深300股指期货基差预测

一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预测,这是常用的研究思路和手段.但是,金融时间序列由于随机波动较大,很少满足经典ARMA模型的适用条件,无法直接采用该模型进行处理.通过小波分析处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析.在本文中,采用此思路对沪深300股指期货日内高频数据进行分析,表明该方法对金融数据建模的有效性.     

基于ARMA模型的煤矿瓦斯灾害预测研究

瓦斯预测有助于减少煤矿瓦斯灾害损失,甚至可以完全避免严重事故或灾害的发生.使用时间序列分析法,建立瓦斯灾害预测的自回归滑动平均ARMA模型,用AIC信息量准则实现模型定阶,用最小二乘法确定模型中的未知参数.对于非平稳时间序列,经差分处理后得到平稳时间序列,再用ARMA模型进行预测.仿真结果表明建立的预测模型和数据处理方法能获得较准确的预测结果.     

EMD-SVM组合模型在带钢张力预测中的应用

根据带钢张力时间序列非平稳、非线性特征,提出一种基于经验模态分解(EMD)和支持向量机(SVM)组合模型的预测方法;首先,应用EMD方法将原始张力序列分解成若干不同频率的平稳分量;其次,根据各分量特征,选用合适的核函数和最佳参数建立不同的SVM回归分析模型,对各分量测试集进行SVM预测;最后将各分量预测序列组合成原始序列的预测值;将EMD-SVM模型用于带钢张力预测,并与ARMA和SVM模型预测结果比较;EMD-SVM模型预测相关度可高达99.93%,而ARMA和SVM模型预测的相关度分别只有88.82%和79.31%,仿真结果表明EMD-SVM模型有较高的预测精度。     

基于快速小波变换的石英加速度计零偏预测

针对石英挠性加速度计零偏在贮存期间受外界环境影响发生漂移的补偿问题,研究了基于快速小波变换的加速度计零偏预测方法.通过Mallat算法从非平稳的零偏序列中提取出平稳的细节序列和非线性趋势序列,再根据序列的特点分别采用自回归移动平均(ARMA)模型和径向基函数(RBF)神经网络进行预测建模;最后利用小波重构公式得到零偏预测值.为验证所提方法的有效性,对某型加速度计2年贮存条件下的零偏标定值进行了建模仿真.结果显示:组合模型较单一自回归综合移动平均(ARIMA)模型和RBF模型预测精度分别提升45.5％和47.4％.     

基于ARMA模型的电视台收视率预测方法设计和实现

收视率是电视行业中最重要的指标之一,目前行业内预测收视率的方法均没有考虑收视率自身的长期发展趋势,忽略了预测过程中重要的记录信息,导致预测结果精度不够,充分考虑收视率数据自身长期稳定性的特点,使用ARMA模型来进行预测,使预测精度达到用户期望。ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序预测方法,预测过程中充分考虑序列内在的发展趋势,对于具有长期稳定性的时间序列的预测非常有效,并已经在各个行业得到了应用,预测精度较高。收视率属于长期稳定,起伏波动不大的时间序列,引入ARMA模型进行预测必将改善传统预测方法得到结果的精度,仿真结果表明使用ARMA模型可以提高收视率预测精度。     

基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。     

基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时同序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.     

基于ARMA的销售预测方法与系统实现

为了提高销售预测准确性,为企业生产决策提供参考依据,建立一个基于自回归滑动平均模型ARMA的销售预测模型,实现产品销售预测。采用修正因子对输入序列进行影响因素权值调整（前处理）,再进行ARMA建模,并对预测结果再进行修正（后处理）,提高了销售预测的准确性。以IIS为应用服务器,Oracle为数据库服务器,采用B/S体系结构和ASP.NET四层架构设计,实现时序销量数据修正、模型的识别、定阶、参数估计和预测数据修正以及预测展示等功能,完成产品销量预测系统。     

基于连续度聚类和动态ARMA时间序列预测I／O区域

为了动态优化存储系统中数据的分布，存储系统需要能动态发现密集I／O区域和预测未来密集I／O访问的区域，并根据发现和预测的结果来指导存储系统的优化。为此，本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集I／O访问的区域，并采用ARMA时间序列模型来预测密集I／O可能访问的区域。为提高预测的准确性，采用了动态参数估计的策略。通过大量实验的结果验证了这两种算法的正确性和预测的准确性，对存储系统的优化具有较好的指导作用。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于滑动窗口和ARMA的Argo剖面数据异常检测算法

针对由于Argo浮标的随机性和抛弃性而导致难以保证剖面数据质量的问题,根据滑动窗口（Sliding Window,SW）与自回归移动平均（AutoRegressive Moving Average,ARMA）模型的特点,提出了一种基于滑动窗口和ARMA的Argo剖面异常检测算法。利用滑动窗口将Argo剖面时间序列进行划分,再通过建立ARMA模型获取剖面的预测值,然后确定置信区间,最后通过判断观测数据是否在置信区间内实现异常检测。通过全球Argo浮标剖面数据进行实验,在滑动窗口宽度10~20,置信度在80%~90%时,敏感度可以达到85%以上,且准确度在99%以上。     

演化门限ARMA模型方法与应用

在工程实践中，有许多非线性现象,例如极限环现象、共振跳跃现象、幅频依赖现象等，这些现象实质上是不同非线性系统所表现出的不同特征,门限自回归模型(TARMA)具有很强的通用性，能解释上述非线性现象，并具有一定物理意义的特点,广泛地应用于时间序列建模,针对非线性ARMA模型，提出了演化TARMA算法,该算法克服了传统的H．Tong、D．D．C、局部区间搜索等方法一些缺陷，能自动识别模型所属类型(线性还是非线性)、模型的阶数、模型的相关参数(门限区间参数、门限参数及相应的ARMA模型参数)等。实验结果表明，该方法是高效的、全局的、自适应的、鲁捧的。并且，由于随机性的存在使得所建模型很丰富，便于决策者从中选取合适的模型进行时问序列分析和物理解释，从而显示了其自动化的一面。     

非平稳ARMA信号自校正滤波器及其应用

本文处理带白色观测噪声的非平稳ARMA信号估计问题.应用状态空间方法和现代时 间序列分析方法[1],基于ARMA新息模型,提出了非平稳ARMA信号自校正滤波器,推广了 Hagander和Wittenmafk的结果[2],并给出了在雷达跟踪系统和检测数据数字滤波方面的应 用.仿真结果说明了本文结果的实用性和有效性.     

基于聚类和ARMA时间序列的I/O区域预取

预取是提高存储系统性能的主要手段之一.但现有存储系统的设备层并不知道任何I/O访问的语义信息,因而不能充分利用I/O访问的语义来预取下一时刻要访问的数据,只能利用较简单的方式如I/O访问的局部性、顺序访问和循环访问等特性来实现简单的预测.为此,本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集读请求访问的区域,并采用ARMA时间序列模型来预测密集读请求可能访问的区域及访问时刻,为正确的预取提供了准确的信息.为提高预取的准确性,并采用了动态参数估计的策略.通过大量实验的结果验证了这两种算法的正确性和预测的准确性,能较大的提高存储系统的预取效率.     

WSN下一种基于时间序列分析的跟踪方法

针对Cricket室内定位系统在没有获得足够的距离信息时无法对移动目标进行准确定位的问题,提出了一种基于时间序列分析ARMA模型的方法。在距离信息不足时根据移动目标历史位置信息构造ARMA模型,得到预测位置,再根据预测位置结合距离信息进行目标定位。实验结果表明,在传感器网络中,该方法在移动目标跟踪上是可行和有效的。     

解决多通道Wiener滤波问题的ARMA新息滤波器

应用现代时间序列分析方法，提出了解决多通道Ｗｉｅｎｅｒ滤波问题的ＡＲＭＡ新息滤波器。它由构造ＡＲＭＡ新息模型和解一个Ｄｉｏｐｈａｎｔｉｎｅ方程组成，可统一处理最优滤波、平滑和预报问题，可处理非平稳信号和噪声，并引出一种等价的Ｗｉｅｎｅｒ滤波器。仿真例子说明了其有效性。     

基于小波分析的时间序列数据挖掘

将小波分析和ARMA模型引入时间序列数据挖掘中。利用小波消噪对原始时间序列进行滤波,利用小波变换充分提取和分离金融时间序列的各种隐周期和非线性,把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于BP神经网络和自回归移动平均模型的建模。利用小波重构技术将各尺度域的预报结果组合成为时间序列的最终预报。经过试验验证了该方法的实际有效性。