短叶松同龄纯林林分平均直径的时序分析

根据Box-Jenkins建模原理,将ARIMA模型拟合时间序列的方法用于同龄纯林林分平均直径生长的拟合及预测研究。利用Eviews软件分别对短叶松同龄纯林样地1号、2号、3号的林分平均直径序列建模和预测,选出最优模型形式。然后用样地4的林分平均直径序列对所得到的模型形式进行适应性验证。通过用这4块样地数据对最优模型形式的拟合和预测,结果显示,最优模型形式剔除AR(2)项的AR(3)模型能够较好的拟合平均直径序列,决定系数(R2)分别为0.907 5、0.909 7、0.910 3、0.949 8,并且预测相对误差(Bias)很小(<1%)。在直径生长序列的近期预测中应用时间序列的ARIMA模型方法较为合适。     

基于ARIMA模型的陕西省GDP分析与预测

依据2008年《陕西统计年鉴》与1952～2007年陕西省GDP相关数据,采用SPSS统计软件及时间序列分析法,通过时间序列的平稳性检验、根据时间序列模型的识别规则进行定阶、模型检验、模型预测4大步骤在AIC准则下建立了ARIMA（1,2,1）时间序列模型,并根据ACF图和PACF图对模型做了适应性检验,然后对2002～2007年的实际值与预测值作比较,并利用该模型对陕西省未来6年的GDP做出预测。结果表明,各年实际值与预测值之间的相对误差均控制在5%以内,该模型的预测效果相对较好;根据模型预测的2008～2013年陕西GDP数据分别为6477.50亿、7656.62亿、9058.66亿、10735.10亿、12744.69亿、15158.20亿元,从预测结果看,陕西省的GDP在2008～2013年6年内仍将呈现出较高的增长趋势;该模型得出的预测结果只是一个预测值,而国民经济是一个复杂多变的动态系统,应随时注意经济运行中蕴藏着调整的风险,适时根据实际情况调整相应的目标值。     

北京外国人入境旅游市场拟合预测模型与影响

[目的]入境游客量反映一个国家或地区旅游发展综合实力,探寻入境旅游规模和影响因素.[方法]选取北京外国人人境旅游市场作为研究对象,将分月十年间外国人入境游客时间序列数据进行模型拟合,应用宏观经济数据去解释变化原因.[结果]ARIMA模型和三角函数模型均得到很好的拟合结果,能够得出可靠的预测值,两个模型在趋势解释方面也各有所长.通过曲线变化归纳出四个影响因素,并通过统计数据检验.[结论]入境游客量呈现周期性、年度性增减的变换.在影响因素中,目的地国经济发展以及重大事件对游客量影响是显著的.近年来北京经历的奥运会、金融危机、SARS、雾霾等事件,对北京外国人入境游客量产生了或正或负的影响,有些得到证实和测算,而有些因素影响有待进一步研究,最后对2012年之后游客量的持续下跌原因进行假设.     

基于组合预测模型的水质数据预测研究

对时间序列水质预测问题进行研究,提出了基于最优加权法的组合预测模型.综合利用了ARIMA预测模型、人工神经网络模型和指数平滑法对水质数据进行预测,再将它们的结果利用最优加权组合法进行组合,得到组合预测模型结果.将组合预测模型应用到广州长洲水质预测工作中,得到了较好的预测结果.组合预测模型结果的精度高于单一模型结果.组合预测模型能平衡单一模型的偏差,具有更好的适用性和更高的精度.     

基于ARIMA模型的生态足迹模拟与预测

[目的]将现代计量学上普遍应用的自回归移动平均模型(autoregressive integrated moving average model,ARIMA)引入生态足迹分析,寻求动态预测结果。[方法]以山东省济宁市微山县为案例,对其1995—2010年的生态足迹和生态承载力进行估算,预测该县2010—2015年的生态足迹和生态承载力变化趋势。[结果]2011与2012年真实数据检验结果显示,ARIMA模拟模型的预测误差仅为6.12%和4.89%。[结论]基于ARIMA的生态足迹动态模拟模型具有较高的准确性和适用性。     

中国居民消费价格指数预测

利用1994—2013年中国居民消费价格指数的统计数据,建立ARIMA模型并对2014年中国居民消费价格指数进行预测分析。结果显示,建立的模型预测误差较小,可以对居民消费价格指数进行有效短期预测。以此模型对2014年1—12月居民消费价格指数进行预测,结果表明未来1年物价总水平基本稳定,居民消费价格指数同比涨幅将在3.0%以内。     

Artificial neural network and time series models for predicting soil salt and water content

Volumetric water content of a silt loam soil (fluvo-aquic soil) in North China Plain was measured in situ by L-520 neutron probe (made in China) at three depths in the crop rootzone during a lysimeter experiment from 2001 to 2006. The electrical conductivity of the soil water (EC_sw) was measured by salinity sensors buried in the soil during the same period at 10, 20, 45 and 70 cm depth below soil surface. These data were used to test two mathematical procedures to predict water content and soil water salinity at depths of interest: all the available data were divided into training and testing datasets, then back propagation neural networks (BPNNs) were optimized by sensitivity analysis to minimizing the performance error, and then were finally used to predict soil water and EC_sw. In order to meet with the prerequisite of autoregressive integrated moving average (ARIMA) model, firstly, original soil water content and EC_sw time series were likewise transformed to obtain stationary series. Subsequently, the transformed time series were used to conduct analysis in frequency domain to obtain the parameters of the ARIMA models for the purposes of using the ARIMA model to predict soil water content and EC_sw. Based on the statistical parameters used to assess model performance, the BPNN model performed better in predicting the average water content than the ARIMA model: coefficient of determination (R²) = 0.8987, sum of squares error (SSE) = 0.000009, and mean absolute error (MAE) = 0.000967 for BPNN as compared to R² = 0.8867, SSE = 0.000043, MAE = 0.002211 for ARIMA. The BPNN model also performed better than the ARIMA model in predicting average EC_sw of soil profile. However, the ARIMA model performed better than the BPNN models in predicting soil water content at the depth of 20 cm and EC_sw at the depth of 10 cm below soil surface. Overall, the model developed by BPNN network showed its advantage of less parameter input, nonlinearity, simple model structure and good prediction of soil EC_sw and water content, and it gave an alternative method in forecasting soil water and salt dynamics to those based on deterministic models based on Richards’ equation and Darcy's law provided climatic, cropping patterns, salinity of the irrigation water and irrigation management are very similar from one year to the next.     

农业机械总动力的ARMA和方程法组合预测分析——以青岛市为例

农业机械总动力是反映和评价农业机械化水平的一个重要指标,精准的预测农业机械总动力具有非常重要的意义。本文根据青岛地区1990~2008年的农用机械总动力历史数据的变化形态,找到合适的方程提取确定性趋势,并运用自回归移动平均模型ARMA(p,q)及其建模思路,结合Eviews软件构建了ARMA(1,1)模型。经检验此模型预测精度较高,拟合效果理想,进一步说明了方程法和ARMA组合模型用于对农业机械总动力预测的可行性,可以为相关部门和单位的预测工作提供一定借鉴。     

ARIMA模型在云南省农村居民人均消费预测中的应用

运用1978～2007年云南省农村居民人均消费支出数据建立了ARIMA（3，1，0）模型，其预测结果通过了检验，预测结果为各级政府提出扩大农村消费支出的政策提供了科学依据。     

ARIMA模型在大熊猫取食行为研究中的应用

应用ARIMA模型（差分自回归移动平均模型）对圈养亚成体大熊猫24h的取食行为节律时间序列进行分析和预测。根据序列图判断时序数据的平稳性,结合自相关及偏自相关函数确定分析模型为ARIMA（p,d,q）（P,D,Q）~8模式。基于Expert Modeler模块和AIC信息评判原则筛选ARIMA模型的最佳阶数组合为ARIMA（0,0,1）（1,1,0）~8。模型参数估计均通过显著性检验,预测值的置信区间包括所有实际观测数值。预测值残差的自相关与偏自相关函数值均在置信区间内,残差为白噪声,模型的检验结果比较理想和有效。