时间序列分析在我国居民消费水平预测中的应用

本文介绍时间序列分析中一种重要的模型——求和自回归移动平均模型ARIMA（p,d,q）的建模方法,基于对我国1970—2008年居民消费水平数据的分析与预测,并用Eviews软件完成建模过程,最后从研究结果得出结论,ARIMA模型是一种具有较高预测精度的短期预测模型。     

基于不确定时间序列分析的中国居民消费水平预测

合理地预测中国居民消费水平可以为国家经济建设、运营和发展提供决策的依据。选取国家统计局网站上公布的1992—2021年居民消费水平的数据进行实证研究,通过不确定时间序列分析构建预测模型,并通过残差图的特征解释使用不确定时间序列分析代替概率时间序列分析的原因,利用不确定假设检验来检测不确定自回归模型与数据的匹配度,结果表明模型构建与数据匹配良好。     

郑州市居民消费价格总指数的预测

借助SPSS软件,对郑州市2001.1-2006.9期间居民消费物价指数进行了分析,通过对比了ARIMA模型和带周期性的ARIMA模型对物价指数的预测效果,指出郑州市物价指数具有季节性和周期性特点,并预测了2006年第4季度郑州市的居民消费价格水平。     

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上,使用人民币／美元的日汇率值进行实证研究,建立相应的ARIMA模型和EGARCH模型并进行预测和评价。研究结果表明,EGARCH模型的预测结果较ARIMA模型理想,适合描述人民币／美元汇率的变动趋势。     

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。     

时间序列分析在吉林省进出口贸易总额预测中的应用

时间序列分析是根据观测的时间序列数据,通过曲线拟合和参数估计建立数学模型的理论和方法,目前广泛地应用于社会、经济和生活预测等问题,一般只适用于短期预测。该文基于时间序列分析理论,借助于计量经济学软件Eviews8.0,通过对1984—2011年吉林省进出口贸易总额数据进行系统分析,建立了时间序列模型,并对2012-2015年的吉林省进出口贸易总额进行了预测和分析,得到了与实际比较吻合的结果,以期为吉林省对外贸易的合理规划和决策提供一定的理论依据。     

基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数，建立了基于ARIMA的物价指数预测模型。实验结果表明，该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内，因此该模型拟合效果较好，预测值接近实际值。最后，应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。     

基于ARIMA模型的中国消费者价格指数时间序列分析

依据CPI能反映与居民生活有关的商品和劳务价格变动的宏观经济指标,借助EVIEWS软件,采用1990年1月至2009年11月中国消费者价格指数的月度数据,建立乘积季节ARIMA时间序列模型,并分析了中国消费价格指数随时间推移的变化规律。研究结果表明:中国消费者价格指数的发展变化情况具有明显的趋势性和季节性。根据这一结果,结合现实提出建议,希望政府能在制定政策时要遵循客观的原则。     

非线性时间序列分析在股市行情预测中的应用

该文用非线性时间序列分析方法,对一般股市行情序列进行了拟合,指出可用逐段线性回归拟合趋势,用门发自回归模型拟合消除趋势后的平稳序列,通过对１９９７年４月２２日至５月１２日期间深圳股市行情预测值与实际值的对比,说明在正常状态（即无违规操作及无特殊政策出台）下,所建立的模型有较好的拟合效果,从而提供了一个行情预测的有效方法。     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

产品需求量非平稳时序的ANN-ARMA预测模型

针对基于非平稳时序的产品需求量预测方法存在的问题,研究了人工神经网络(ANN)与自回归滑动平均(ARMA)模型的集成建模与预测方法. 产品需求量的非平稳时序可分解为确定项和随机项两个部分,用人工神经网络模型拟合确定项,以表示非平稳的变化趋势;用自回归滑动平均模型拟合随机项,以表示平稳的随机成分. 将两个模型的预测值之和作为产品需求量的优化预测值. 仿真结果表明,集成模型的预测精度高于单一的人工神经网络模型.     

太原市月降水量时间序列分析

文章根据1995-2009年太原地区的月降水量数据,进行时间序列分析,建立了太原市月降水量时间序列模型,并预测了未来12个月的降水量情况,为准确预测太原市月度降水量数据提供了参考.     

我国社会消费品饮食类零售总额的预测模型研究

文章运用时间序列乘积季节模型。在SPSS系统下对我国2004年1月至2009年12月共72个月份的社会消费品饮食类零售总额进行实证分析,从模型识别、参数估计、适应性检验和实际拟合4个方面确定了无常数项的统计预测模型,并对模型的预测效果进行检验,结果分析表明,该模型能较好地反应零售总额的变化规律．     

基于时间序列分析的货运周转量预测

基于重庆市统计局的实际统计数据,通过对实际样本数据进行预处理,确认重庆水运货运周转量序列为平稳非白噪声序列。在此基础上,通过对1995-2009年重庆水运货运周转量的数据分析,利用时间序列分析方法建立了ARMA预测模型,结果显示该模型具有较好的预测效果,对重庆水路货物运输工作及水运的发展决策有一定的参考价值。     

多变量时间序列CAR模型在交通负荷短期预测中的应用

交通负荷是影响交通通行寿命和可靠度的一个重要因素,交通负荷变化具有明显的周期性。本文针对多变量定性计算的交通负荷难题,利用时间序列的多变量自回归CARMA模型对交通负荷进行建模、预测的理论和方法,对动态系统实行统一建模。我们用递推最小二乘法的多变量自回归模型对交通负荷参数进行估计,并用DPS系统对模型进行预测和分析,测试结果证明了方法的有效性。     

电力系统短期负荷预计——时间序列的分解集合算法

电力系统短期负荷预计——时间序列的分解集合算法高晓萍单渊达阎欣（东南大学电气工程系，南京２１００１８）系统发电出力必须随时紧跟系统负荷的变化，这是对电力系统运行的基本要求．但负荷是随机变化的，特别是在不长的时段里，对负荷进行变化幅度很大时，负荷精确...     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

基于时间序列的市场需求预测模型研究

在研究时间序列预测模型的基础上,提出了组合预测模型,并对模型参数进行了优化处理.用于预算未来某时期内市场供求趋势,从而为企业的决策提供依据.     

时间序列方法在齿轮箱故障诊断中的应用

采用时间序列方法对齿轮箱振动信号进行谱分析，与传统功率谱分析相比较，可提高故障信号谱峰的分辨率，将其用于齿轮箱故障诊断，可提高故障诊断的精度，并可对齿轮故障的发展趋势进行有效的预测。     

基于时间序列分析的动态变形预报

对变形体的变形趋势做出预报,是变形监测的主要任务之一.时间序列分析能顾及各期数据间的统计相关性,通过建模实现变形体的动态变形预报.鉴于AR模型估计参数时有递推公式,且工作量小,故在介绍时间序列模型的基础上,结合变形监测实例,讨论了AR模型的建模过程,并采用AR模型实现了变形的动态预报.