基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

基于ARIMA-MC模型的滑坡位移预测

中国是一个滑坡灾害极为频繁的国家,三峡库区更是滑坡灾害的多发区和重灾区,GPS地表位移监测是滑坡稳定性监测的重要手段。以三峡库区树坪滑坡为例,先利用自回归移动平均模型（ARIMA）对树坪滑坡GPS监测点的累积位移数据进行时序拟合,之后利用马尔可夫链模型（MC）对拟合结果进行拟合优化,最后建立自回归移动平均-马尔可夫链模型,并将其用于对树坪滑坡位移的时序预测之中。拟合和预测结果表明,该模型能够有效提高滑坡位移预测精度并实现短期内的动态滚动预测。     

基于ARIMA模型对我国“十二五”能源需求的预测

 本文采用ARIMA模型对我国“十二五”期间的能源消费总量进行预测。首先运用PASW statistics18软件中的预测模块对我国1978—2010年能源消费总量进行时间序列分析。然后对我国“十二五”期间的能源消费总量进行预测,并根据预测的结果给出相关的建议。     

基于Box-Jenkins方法的甘肃省GDP时间序列分析建模与预测

基于Box-Jenkins方法的时间序列分析,以甘肃省1978—2012年的年度GDP数据为基础,利用SPSS软件,并综合各种条件确定了最佳ARMA模型.最后利用所建模型对甘肃省未来4年的GDP进行了预测.实证分析表明:Box-Jenkins方法及其模型在GDP时间序列分析建模与预测方面,具有较高的精确度和可行性.     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

Day-ahead electricity price forecasting using wavelet transform combined with ARIMA and GARCH models

This paper proposes a novel price forecasting method based on wavelet transform combined with ARIMA and GARCH models. By wavelet transform, the historical price series is decomposed and reconstructed into one approximation series and some detail series. Then each subseries can be separately predicted by a suitable time series model. The final forecast is obtained by composing the forecasted results of each subseries. This proposed method is examined on Spanish and PJM electricity markets and compared with some other forecasting methods.     

软件可靠性预测的ARIMA方法研究

对基于求和自回归滑动平均模型（ARIMA模型）的软件可靠性预测方法进行了研究,提出了将软件可靠性失效数据看作时间序列,通过建立相应的ARIMA（p,d,q）模型来进行预测的方法。对该方法的基本思想、模型表述、建模流程进行了详细介绍,并依据上述方法选用Musa经典数据集中的Project SS2中的数据进行了预测,结果表明预测的准确性较高,说明该方法适用于软件可靠性预测。     

一种准确预测无线局域网业务量的时间序列模型

在对随机选取的实际环境中的多组无线局域网业务量数据的研究过程中,发现无线局域网业务量具有明显的多重季节性．利用差分和特定间隔抽样对原始数据处理,从而验证了无线局域网业务量的季节性．并提出了一个能够准确预测无线局域网业务量的时间序列模型：乘积型季节ARIMA(0,1,1)(0,1,1)₁₂模型,通过迭代计算,将此模型转化成一个MA模型,并且利用MA模型的性质对模型参数作出估计．利用差分方程法,对随机选取的一段无线局域网业务量进行了预测．结果表明,此模型可较好地对无线局域网的业务量进行短期预测,且提前10步预测的平均相对误差仅为0.0401．     

MIMO ARIMA models for handoff resource reservation in multimedia wireless networks

This paper presents a new approach to prediction of resource demand for future handoff calls in multimedia wireless IP networks. Our approach is based on application of multi‐input‐multi‐output (MIMO) multiplicative autoregressive‐integrated‐moving average (ARIMA) (p,d,q)x(P,D,Q)_S models fitted to the traffic data measured in the considered cell itself and on the new call admission control (CAC) algorithm that simultaneously maximizes the system throughput while keeping the handoff call dropping probability (CDP) below the targeted value. The main advantages of the proposed approach are the following: first, the proposed multi‐variable prediction method gives on average better predictions (i.e. narrower prediction confidence interval) for realistic traffic situations, which results in lower new call blocking probability (CBP) at the targeted handoff CDP and second, the model is simple to implement since it does not require communication among the adjacent cells. Simulation results show the superiority of the proposed MIMO prediction approach combined with the proposed call admission control algorithm for some typical nonstationary situations in comparison with univariate models. Copyright © 2004 John Wiley & Sons, Ltd.     

滚动轴承自适应组合状态预测方法研究北大核心

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明:使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。