基于时间序列分析的降雨量动态预测

利用时间序列分析与数理统计分析相结合的方法,建立了合理的模型,对雷州半岛徐闻气象站的年降水量进行了参数估计和动态预测。提出了一种合理的动态预测方法,该方法获得了较高的预测精度。     

基于时间序列的金华市梅汛期降雨量预测

根据金华市7个县（市）1968～2012年梅雨汛期降水量的实测数据,对金华市梅汛期降水基本特征进行分析,并运用平稳时间序列的线性外推法建立各个地区降水量的预测模型。结果表明,金华地区梅汛期降水量的年际变化呈多峰型,但从总体形势上看．近45年的梅雨量是呈上升趋势;经检验,浦江等地区预测的中长期结果具有较高的精度,说明平稳时间序列的线性外推法建立的预测模型对这些地区梅雨期降水量的预测较准确,此预测模型可以为中长期降水预报及政府部门决策服务提供强有力的科学支持。     

基于时间序列模型的上海证券融券余额分析与预测

针对上海证券融资融券当日融资余额的分析与预测问题,建立ARMA自回归移动模型,搜集从2014-08-21到2015-06-16的数据,对其进行编号处理,运用Eviews软件,得到平稳序列,观察自相关、偏自相关系数及其图形,利用最小二乘法及信息准则,建立合适的ARMA模型,并充分提取序列的相关信息,确定模型阶数,求出模型的表达式,并利用ADF等多种检验方法检验模型是否正确,最终利用此模型求出未来5d的预测值。并与真实值进行比较,检验预测的准确性。     

农产品市场价格短期预测方法与模型研究——基于时间序列模型的预测

为提高农产品市场价格的预见性,及早采取措施减缓价格波动,以全国西红柿月度批发市场价格为预测目标,综合利用季节虚拟变量法、Census X12法、移动平均比率法、Holt-Winters季节指数平滑法、SARIMA法等建立短期预测模型,并根据模型预测误差大小赋予不同的权重值,从而建立组合预测方法。实证分析结果表明:单一模型预测误差波动较大,总体上随着预测周期变长精度下降。在2009年的评估预测中,所建立的5个单一短期预测模型平均绝对误差百分比(MAPE)为10%左右,其中Holt-Winters季节指数平滑法建立的短期预测模型精度最高,MAPE为6.81%。如果预测提前期为3个月,SARIMA模型的预测精度更高,准确率达到95%以上。在实证分析的基础上,采用组合预测方法对2010年西红柿价格进行了预测。     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

基于ARIMA模型的青岛市大蒜价格时间序列预测分析

以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据,运用SPSS 17.0软件进行统计分析,建立ARIMA(1,2,1)模型并对未来10周的大蒜价格进行预测,发现大蒜价格在短期内有持续上涨的趋势。通过分析大蒜价格剧烈波动的原因,提出完善大蒜信息体系建设、建立大蒜收储制度、建立合理畅通的产销渠道、推行大蒜集约化生产的政策建议。     

人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARIMA似模型可以对天津市人均国内生产总值（1978～2006）时间序列进行建模和短期外推预测。     

一种基于时间序列模型的风速预测方法

分析了美国HMO（Health Maintenance Organization）市场结构主要指标及部分医疗和社会经济指标对美国医疗费用的影响,采用1995-2007年数据,利用主成分分析（PCA）方法与BP神经网络构建预测模型,对美国支出在医院方面的医疗费用进行拟合及预测,预测结果与实际值之间的相对误差小于0.25%,表明可基于该模型考察在HMO市场结构影响下的美国医疗费用.     

基于小波分析的西昌市降水时间序列变化特征

利用1951～2008年西昌市降水资料,采用回归分析和Morlet小波分析方法,研究了西昌市季节、年降水量变化的多时间尺度的周期性变化规律,并对西昌市中短期降水状况进行了预测。结果表明,近58年来西昌市年降水量呈下降趋势,降幅为-2.300mm/10年;各季节有增有减,春、秋季变幅较大,春季增幅为5.711mm/10年,秋季降幅为-9.635mm/10年;夏、冬季节波动不大。季节、年降水量存在着多重时间尺度下的周期变化特征,多重时间周期尺度相互嵌套,春季的主要振荡周期为4和35年,夏季为3、15和42年,秋季为3、7、11和18年,冬季为4和15年,年降水量为3、7、15和22年。不同时间尺度,具体年份对应的相位不同,降水变化趋势的预测结果也不同。     

基于Box-Jenkins方法的黄河水质时间序列分析与预测

采用基于Box-Jenkins方法的时间序列分析技术,对黄河上游甘肃兰州段、中游吴堡和下游山东利津段的水质进行了趋势分析和预测。选取对水质产生影响较大的两个污染因子化学需氧量(CODMn)和溶解氧(DO)1994—2003连续10a的月平均水质监测数据,借助Matlab和SAS统计软件,建立了ARIMA模型和乘积季节时间序列模型,并分析了这两个污染因子随时间推移的变化规律。结果表明:ARIMA模型和乘积季节模型能够用于短期水质预测,并且预测效果较好。黄河流域从上游到下游水质总体状况呈逐渐下降趋势,上游水质一般为Ⅱ和Ⅲ类,而中游和下游水质基本为Ⅳ、Ⅴ和超Ⅴ类。     

基于时间序列与RBF的农产品市场价格短期预测模型

为协助生产者更好地播种和收获,有效把握国内农产品价格波动规律,提高农产品价格预测精度.本文构建了基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型,以ARCH、Holt-Winters无季节模型时间序列组合预测方法揭示农产品价格序列线性特征,以RBF神经网络揭示农产品价格非线性变动规律,并以1997-2011年全国农产品集贸市场大豆月度价格走势数据为例进行实验验证.研究结果显示,基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型精度高于时间序列组合预测方法或RBF神经网络模型,是一种有效的农产品价格预测模型.     

基于缺省因子的BP-ANN土壤墒情预报简化模型

对影响土壤墒情的主要气象要素,平均气温、相对湿度、日照时数、平均风速、蒸降差和前一旬土壤墒情进行分析合并,建立BP-ANN土壤墒情预报6因子模型;通过缺省因子检验法,判断土壤墒情对6个因子敏感程度,简化冗余因子,构建BP-ANN的3因子(相对湿度、日照时数、前一旬土壤相对湿度)墒情预报模型。结果表明:3因子模型均方根误差3.55,具有数据收集和处理量小的优点,基本能够达到所需精度和拟合度。在北京市山区和平原区2个典型站点的模拟检验表明,3因子模型实测值与预测值的拟合关系均达到极显著相关水平,可操作性强的特点。     

KPCA_SVM水文时间序列预测模型的建立与应用

【目的】建立水文时间序列预测的核主成分支持向量机(KPCA_SVM)模型。【方法】利用核主成分分析(KPCA)对输入数据进行非线性特征信息提取,并将提取的特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA_SVM预测模型。以甘肃民勤地区的月蒸发量为例,对模型的预测效果进行检验。【结果】预测结果表明,KPCA_SVM模型预测效果优于PCA_SVM模型和LSSVM模型,预测平均相对误差为8.36%。【结论】KP-CA_SVM模型的预测效果优于没有特征提取的LSSVM模型。与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好。     

基于时间序列的微藻生长环境参数的预测模型

掌握微藻生长环境中的温度、硝酸盐浓度、氧气浓度等参数的变化规律有利于提高生物产出量.本研究利用钝顶螺旋藻全生长周期中的大量环境参数,引入时间序列预测方法,通过极大似然估计,得到线性回归模型,同时引入状态空间预测方法,将低维的线性模型映射到高维空间,以消除低维空间下模型的不准确性.为评估模型的有效性,采用了杜宾-瓦特森检验法、图像法、均方根误差、平均绝对误差和最大误差等评估方法和指标进行评估和验证.预测结果显示,自回归滑动平均模型和自回归滑动平均-卡尔曼滤波模型均可用于预测微藻生长的环境参数;与前者相比,后者预测误差更小,模型拟合更精确,能更好地揭示钝顶螺旋藻生长过程中环境参数的内在规律.     

基于GIS的森林火灾预报预测模型的研究与探讨

对当前森林火灾预报预测研究的现状进行了分析。指出了当前在技术与方法上存在的问题与不足。在此基础上，提出了一种新的基于GIS技术、遥感技术和数学建模等技术的森林火灾预报预测模型。该模型通过建立森林火灾本底数据库，分析森林火灾发生和蔓延诱发因素，建立森林火险预报模型与林火蔓延预测模型来对森林火灾进行预报与预测。参8     

基于时间序列的农业非点源污染产出预测研究

选取三江平原蛤蟆通河流域作为研究区,利用SWAT模型农业非点源污染模拟结果,建立了农业非点源污染的季节性ARIMA模型,对未来3年农业非点源污染进行了预测,为非点源污染防治提供一定的理论依据。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

基于季节ARIMA模型的铜陵市气温序列的预报

运用EVIEWS软件,对铜陵市48年来的月平均气温时间序列进行统计分析,并对该动态数据进行建模和预测。采用差分方法对样本数据进行预处理,然后定阶,并进行参数估计,建立季节ARIMA模型对铜陵市气温数据进行预报。预报结果显示,季节ARIMA模型的平均绝对误差值为0.875。将ARIMA模型预报结果与径向基(radial basis function,RBF)神经网络模型的预报值比较可知,其预报结果优于RBF神经网络的预测结果。