联合经验正交分解和ARIMA模型的中国地区电离层短期预报

针对电离层垂直总电子含量(Vertical Total Electron Content,VTEC)具有非平稳和季节性变化的特性,结合经验正交分解(EOF)能够对非平稳时间序列进行简化和剔除冗余信息的优势,该文探索联合EOF和自回归移动平均模型(ARIMA)作为FOE-ARIMA,对中国地区电离层VTEC进行短期预报。采用IGS(International GNSS Service)中心提供的中国地区电离层格网数据(Global Ionospheric Maps,GIM),对不同季节前10天GIM数据进行EOF分解,使用ARIMA模型对主分量进行预报,通过重构获取未来5天VTEC值,并将EOF-ARIMA模型预报结果与ARIMA模型进行对比、分析。结果表明：EOF-ARIMA模型平均相对精度为83.3%,平均标准差为3.51 TECu,较ARIMA模型其平均相对精度提高了3.3%,平均标准差降低了0.16 TECu;EOF-ARIMA模型预测结果无明显季节差异,ARIMA模型秋季预报精度明显低于其它季节;EOF-ARIMA模型在赤道异常处预报精度未受影响。由此表明EOF-ARIMA模型在中国地区进行电离层短期预报具有较高的精度和稳定性。     

乘积ARIMA模型的建立及应用

ARIMA模型作为统计预测中的一种重要模型,被广泛运用于各个领域中。本文在非季节性及季节性ARIMA模型的基础上介绍了乘积ARIMA模型的一般表达式,提供了建立这类模型及使用其进行预报的一般过程,并以某超市月顾客量数据进行了实例分析。分析结果表明,当一时间序列不仅含有季节性成分,还混有非季节性成分时,用乘积ARIMA模型的预测精度较高。但该模型只适用于短期预测。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于LS+AR模型的极移短期预报方法研究

为分析极移序列平稳性对最小二乘外推法和自回归模型组合(LS+AR)预报极移精度的影响,对极移原始序列和LS拟合后的残差序列分别作差分处理,设计两种方案对极移进行短期预报。结果表明:差分后的序列平稳性较传统方法有较大提高,两种方案的短期预报精度都有明显提升,并且优于ERP预报方案比较活动(EOP PCC)结果。     

厦门市工业总产值时间序列分析研究

运用传统时间序列季节模型和Box-Jenkins的随机序列模型ARIMA（p，d，g）模型分析法，选取1999年1月至2005年8月厦门市工业总产值资料，建立厦门市工业总产值动态预测模型进行试预测。探索合适的预测模型来对厦门市工业总产值进行短期预测。     

城市供水系统负荷量的ARIMA乘积模型与新息预报方法

本文讨论城市供水系统短期负荷预报问题。采用时间序列分析方法,根据某市自来水公司的水负荷历史数据,建立了水负荷的季节性乘积模型(0,1,1)×(0,1,1)_(24),并用新息预报方法作出提前24小时的预报,达到满意的精度。     

时间序列在湖南省GDP预测中的应用——基于ARIMA模型

通过选取1978～2017年湖南省国内生产总值的相关数据,运用计量经济软件Eviews8对选取的时间序列数据进行模型的建立。再经过相对误差分析和所建Holter-Winter非季节短期预测模型的对比,最终确定建立ARIMA(1,1,2)最优模型来对湖南省GDP进行预测。研究发现,湖南省将在2020年达到全面建成小康社会并人均生产总值将超过一万美元,由此为今后湖南省决策机构制订宏观调控目标与进行经济决策时提供参考。     

ARIMA模型对我国旅游业可持续发展的实证研究

以国内游客人数为研究对象,建立适当模型,分析我国旅游业可持续发展状况。选取1985年至2015年我国国内游客人数为样本,运用Eviews6.0建立ARIMA模型。最终建立ARIMA)1,2,0(模型。经检验,模型拟合效果很好(MAPE=7.363),预测精度极高(99.56%)。ARIMA模型对游客人数的短期预测是合理的,且"十三五"时期国内游客人数呈趋势性增长。     

乘积季节模型在商品房市场中的应用研究

主要采用时间序列乘积季节模型(随机季节模型与ARIMA模型的结合式)及多元统计方法,对商品房市场的发展规律进行了研究.通过对合肥市2001年至2005年60个月份的月度商品房销售面积进行实证分析,建立了一个商品房市场销售规律的统计预测模型ARIMA(0,1,1)×(0,1,1)12,并对该模型进行适应性检验,得到较好的结果.最后,利用该模型对该市的房地产发展趋势进行了预测.     

基于ARIMA模型的大坝滑坡体表面位移监测分析预报

大坝滑坡体变形监测是水电站施工建设和分期蓄水阶段安全性的重要保障,监测数据分析和处理的方法又会直接影响到变形预报的质量。以某水电站坝址下游滑坡体为例,应用时间序列分析法中的ARIMA模型,构建非平稳时间序列模型对表面监测数据进行分析处理,比较模型预测数据与实际位移数据之间的差异。试验表明,ARIMA模型在滑坡体表面位移分析和预报方面具有较高的精度和可靠性。     

ARIMA模型在居民消费价格指数预测中的应用

将ARIMA模型应用于居民消费价格指数的拟合和短期预测中,采用2001年1月至2013年10月中国居民消费价格指数的月度数据,借助EViews 6.0软件对数据进行拟合分析,建立了乘积季节ARIMA(5,0,6)(1,1,0)12模型,并讨论了模型的准确性,对未来中国居民消费价格指数进行了预测,该模型具有较高的理论与实际价值。     

时间序列分析在我国财政收入预测中的应用

介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及SAS实现.将ARIMA模型应用于我国财政收入的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型.     

矿井涌水量时间序列ARIMA预测模型

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

欧亚商都购物人次时间序列预测模型

时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,文中采用1998~2002年的数据,应用时间序列分析中的ARIMA模型对欧亚商都2003~2004年的季节购物人次进行了预测,实际计算过程由Eviews软件的自回归移动平均模型ARIMA过程实现,结果与实际数据基本相符,本模型所取参数对欧亚商都购物人次的短期预测是行之有效的。     

基于时间序列的流域氟化物预测模型研究

采用时间序列分析方法拟合具有趋势性和季节性的流域水体中氟化物含量并进行预测.利用清水江流域2013—2018年的每月氟化物监测数据,用差分和季节差分方法对监测数据进行平稳化,采用ARIMA乘积季节模型(p,d,q)(P,D,Q)s拟合序列,应用残差和BIC进行模型参数调整,建立氟化物时间序列预测模型,并对测试集月均氟化...     

基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。     

ARIMA乘积季节模型对我国消费者信心指数的分析

消费者信心指数能够预测消费支出,对某些宏观经济指标也有较好的预测效果。本文运用Eviews6.0软件对2006.01—2011.12我国消费者心指数的统计数据建立ARIMA乘积季节模型。结果表明该模型适合预测我国的消费者信心指数而且预测精度较高,但只适合短期预测。