组合时间序列模型及其在我国农业总产值预测中的应用

基于组合预测理论,首先建立了我国农业总产值的ARIMA和Holt双参数线性指数平滑单项时间序列预测模型;对模型进行检验后,根据标准差法对各模型进行权重分配,建立我国农业总产值组合预测模型。通过对比证明,组合时间序列模型能在一定程度上克服单项模型缺陷,提高预测精度。     

中国棉花种植面积及皮棉产量时间序列的建模和预测研究

以1919～2010年中国棉花年种植面积和皮棉产量为资料,根据Box-Jenkins建模原理,采用ARIMA（p,d,q）动态模型,对中国棉花面积和产量时间序列的演变规律进行了拟合及预测研究。结果表明：所建ARIMA（2,1,2）模型的残差序列均为白噪声,AIC分别为7.878和7.426,模型结构合理,拟合效果好;2 a试报结果显示,相对精度为89.14%～99.53%,即预测准确度高。可见,运用该模型对棉花种植面积和皮棉产量的时间序列进行拟合及预测是可行的。预测2011年中国棉花种植面积及皮棉产量分别为475.89万hm2和658.58万t。该项研究为了解我国棉花生产的变化趋势及发展前景提供了1种新的研究途径。     

1987～2006年成都市经济生态可持续发展分析及ARIMA预测

从城市经济生态可持续发展的角度,运用生态足迹分析法对成都市1987~2006年的生态足迹及相关指标进行测算,分析了近20年成都市经济生态可持续发展情况及变化特点。并以此为依据建立自回归移动平均模型[ARIMA(p,d,q)],对成都市2008~2012年生态足迹和生态承载力的发展趋势作出了预测,结果表明,成都市生态足迹需求远远超过了其生态承载力,能源消耗、人口增长是其主要原因。未来成都市的生态发展压力较大。最后根据成都市城市发展可持续性的现状及发展趋势提出了建议。     

ARIMA-SVR组合模型在基于标准化降水指数干旱预测中的应用

开展干旱预测是有效应对干旱风险的前提基础,本研究利用1951—2017年河南省郑州气象站点逐日降水量数据计算多尺度标准化降水指数(SPI),并建立了SPI序列自回归移动平均模型(ARIMA)和自回归移动平均与支持向量机回归组合模型(ARIMA-SVR),对模型参数进行率定和验证后,利用所建立的模型对河南省郑州气象站点多尺度SPI值进行预测。借助均方根误差(RMSE)、平均绝对百分比误差(MAPE)对回归预测模型的有效性进行判定。结果表明:ARIMA-SVR组合模型在SPI1(1个月)和SPI12(12个月)的RMSE值分别为80.05和0.74,均低于ARIMA模型的92.25和1.24,说明ARIMA-SVR组合模型与单一的ARIMA模型对SPI的预测精度都与该指数的时间尺度长短有关,都随时间尺度的增加而逐渐提高;SPI12的两种模型预测精度均高于SPI1、SPI3(3个月)和SPI6(6个月)的预测精度。用实测数据与模型的预测数据相比较说明ARIMA-SVR组合模型相比于单一ARIMA模型预测精度更高,且能够很好拟合不同时间尺度的标准化降水指数。     

ARIMA与指数平滑法在江苏省GDP预测中的应用

该文对SPSS时间序列中的ARIMA与指数平滑法进行了比较,并对江苏省未来若干年的GDP进行了预测。通过这两个模型对江苏省1984～2009年的GDP分析及预测,结果显示两种方法在较长的时间内预测结果有较大差别,但ARIMA在近期预测中效果较好;江苏省在未来几年经济增长将出现波动,到2017年逐渐趋于平稳。     

西安市气候变化人为影响度ARIMA测算评价

利用时间序列ARIMA建模及灰色关联分析方法,分析了西安市气候变化人为影响度的变化特征。结果表明:气象资料通过了统计软件的预处理,证明了运用数理统计软件处理气象数据的可行性,为处理气象数据提供了另一种分析方法。经过比较多种模型,确定ARIMA(1,1,4)模型,因其BIC信息量最小。根据ARIMA(1,1,4)模型计算出的1950-1987年的气温值与原始计算值吻合很好,相对误差较小。进一步利用该模型迭代计算了西安市1988-2007年的气温值。通过对各指标的灰色关联度分析,最终确定西安市气温变化的人为影响度为43.45%,其中耕地面积的变化是主要因素,其次为工业发展及人口变动等。     

基于ARIMA模型的固原月降水量预测

采用ARIMA模型来拟合1957～2013年5～10月的月降水量并给出预测值。结果表明,ARIMA(0,2,1)能较好地拟合5～10月的月降水量数据,准确率较目前业务使用的阴阳历方法有所提高,可作为月预报的依据。     

时间序列分析模型在山东省粮食总产量预测中的应用

对比传统时间序列分析模型(线性回归、二次滑动平均、一次平滑、二次指数平滑和三次指数平滑等)与ARIMA模型在山东省粮食总产量中的拟合精度,并应用ARIMA(2,1,12)模型预测了未来3年内山东省粮食总产量.结果表明,在山东省粮食总产量拟合中,ARIMA(2,1,12)模型得到的粮食总产量拟合值与观测值的相对误差处于±10%和±5%范围内的分别为73.333%和53.333%,回归方程的决定系数为0.959,优于传统时间序列分析模型;利用ARIMA(2,1,12)模型预测未来3年内山东省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.     

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。     

基于最优加权组合模型的枯季径流预测研究

【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。