基于ARIMA的入境旅游月度过夜人次预测

入境旅游人次预测对旅游管理部门合理配置旅游资源、创新旅游服务模式有很重要的意义。受气候变化、经济发展趋势、文化差异的影响,旅游人次呈现出明显的季节性与非线性特征,管理部门依据经验推断入境旅游过夜人次的难度越来越大。文章采用ARIMA模型,对入境旅游过夜人次进行月度预测更加科学、准确。选取上海市2004-2016年入境旅游月度过夜人次数据为样本,依据AIC、BIC、HQIC最小准则进行参数估计和模型定阶,拟合出入境旅游月度过夜人次预测的最优模型为ARIMA(6,3,0)。运用该模型,对上海市2017年1-12月的入境旅游月度过夜人次进行预测,并将预测值与2017年真实数据比对,其平均绝对误差为3.22%。可见,应用ARIMA对入境旅游月度过夜人次预测有较高信度。     

基于X-12-ARIMA季节分解与年度电量校正的月度电量预测

月度电量预测是电力计划部门安排运行计划与制定购售电计划的基础。提出一种综合考虑多种经济因素的月度电量预测方法。首先,采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解,并利用逐步回归分析研究各经济量与用电量的关联关系和回归模型,获得初步预测结果;然后,利用多项式拟合进行年度电量预测,并对已有月度电量预测结果进行调整;最后,采用自回归积分滑动平均模型(autoregressive integrated moving average model,ARIM A)对受气象与节假日因素影响较大的月份进行分季节预测修正,获得精度良好的月度电量预测模型。该文采用广东省2009年3月至2014年4月的经济数据与电量数据对2014年5月至2015年4月的电量数据进行预测。预测结果的平均预测精度为97.78%,验证了预测模型的有效性。     

基于混沌SVM与ARIMA的工程造价组合预测

为了解决工程造价预测的时效性问题,针对传统线性时间序列预测模型可靠性不高的缺点,引入混沌相空间重构和支持向量机技术,并将两者耦合组成一种非线性预测模型,再利用ARIMA在整体线性趋势预测方面的优越性,对非线性模型进行修正。混沌SVM和ARIMA预测构成组合模型的两个子过程,将两个子过程的预测结果综合平均即可得到最终预测结果。经实例计算,组合模型比最大Lyapunov指数、ARIMA和只将相空间重构与SVM进行耦合的方法拟合效果好,预测精度高,证明其的确具有线性趋势拟合和非线性波动拟合的双优势。     

结合MLR和ARIMA模型的时空建模及预测

针对传统时间序列建模预测过程中忽略空间因素影响和时空交互的问题,提出了一种基于时空多元回归（MLR）的ARIMA预测方法,并应用于某省月均气温的时空预测研究中。通过时序分解去除时空变量明显的季节变化;运用全子集回归法确定显著影响气温的因素,继而得到去季节项数据的MLR模型,从而去除气温的时空趋势变化得到随机变化项;对各站点的随机项时间序列分别进行ARIMA建模;将随机项的预测值与前两项预测值重组,获得最终各站点的时空预测值。实验结果表明,预测值与观测值整体相关系数为0.993 4,误差绝对值均值约为0.9 ℃。     

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.     

ARIMA与指数平滑在区域高等教育规模预测中的比较研究

文章利用在校学生数作为区域高等教育规模指标,建立了基于四川省高等教育在校学生数据序列的ARIMA和指数平滑预测模型,并进行了比较,得出最优模型为ARIMA（2,1,5）模型;用此模型对四川省2013—2015年高等教育在校学生数做出了预测。结果表明,四川省高等教育在校学生数在近三年内仍会增长,但增长速度趋于缓慢,到2015年末,四川省高等教育在校学生数约为1163100人。     

中国能源消费的时间序列分析

对1978—2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较。模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

犯罪量动态优化组合预测方法

单一预测模型在预测犯罪量时难以协调拟合和泛化关系,从而影响预测结果的准确性。针对以上问题,提出一种数据驱动的可动态优化组合预测方法。以分析自回归求和移动平均模型、向量自回归模型及支持向量机模型的优点为基础,使用后验概率为每个模型赋予权重,结合误差最小原则动态调整权重。实验结果表明,该方法具有较高的预测精度和稳定性,能满足短时犯罪量预测的需要。     

基于ARIMA时序辨识的需水量预测

供水行业是国民经济的重要基础,对需水量的准确预测有利于供水部门调度。针对城市供水量波动特点和预报要求,基于ARIMA季节时间序列对城市需水状况建模。通过分析自相关系数(ACF)、偏自相关系数(PACF)等参数辨识模型阶次结构,预报未来需水量趋势,并使用SAS统计软件进行检验。所建立的模型成功应用于上海市中心城区需水预报,对照历史数据表明,模型具有理想的预测精度,能够有效地辅助供水部门进行决策。