季节性模型在杨凌示范区气温预报中的应用

运用季节性时间序列模型的理论和方法,对杨凌示范区张家岗1935—1945年月平均气温建立季节性模型,并利用所求得的模型对1946年各月平均气温进行预报。结果表明:1946年1月,2月和12月的月平均温度预报值的相对误差较大,同年3月—11月预报值的相对误差较小,其原因之一是中国北方每年1月,2月和12月温度较低,较小的波动就可能使相对误差很大,而3月—11月温度较高,相对误差较小。此外,该模型对步长较短的预测比较准确,误差较小,但对于步长较长的预测,误差较大。因此,该模型适合于短期预报。     

基于ARIMA模型的安徽省入境旅游人数预测

入境旅游预测是旅游统计学一个重要的研究方向。以1995—2010年安徽省旅游业中入境旅游人数为依托,运用SPSS软件提供的时间序列模块,建立差分自回归移动平均模型（ARIMA）对入境旅游人数进行预测,实证结果表明：该方法能够对入境旅游人数进行有效预测,在没有特殊影响因素下,模型拟合结果接近实际值。     

基于ARIMA模型的四川省生猪价格预测

利用2008年5月～2013年3月的四川省生猪价格数据,建立ARIMA(p,d,q)模型,通过比较筛选最终确定选用ARIMA(2,1,2)模型,利用该模型对2013年4月～2013年7月这4个月的生猪价格做出了预测,预测结果表明:四川省的生猪价格在这四个月里会持续上涨,但是不会出现大涨暴涨的局面,政府应该做好储备肉的适量投放以稳定生猪以及猪肉市场的稳定。     

海拉尔地区降水量的ARIMA乘积季节模型研究

1个地区降水量的变化受到诸多因素的影响,其既有长期趋势、季节效应,又具有随机扰动效应。在降水量的分析中,找出所有影响降水量的变化因素是十分困难的,因此可以利用降水量序列的自身变化来寻找序列中蕴含的发展规律。本文以海拉尔地区1957年1月~2007年8月逐月平均降水量数据为基础,应用SAS统计软件经过多次拟合优选,最终建立了适合海拉尔地区月平均降水量的AR IMA(p,d,q)×(P,D,Q)s乘积模型,并利用该模型对海拉尔地区2007年的降水量进行了预测。     

农民收入预测及ARIMA模型选择

在综述学者关于农民收入预测研究的技础上，根据1979—2009年《河南统计年鉴》农村居民家庭人均纯收入数据，发现农民收入时间序列服从1（2）非平稳过程。综合采用Box—Jenkins基于相关图的分析方法和SC准则，进行模型定阶和识别。在综合比选一组不同参数模型性能的基础上，建立了ARIMA（4，2，2）模型。诊断结果表明，所选定模型的残差为白噪声，符合正态分布，可用于农民收入预测。模型预测显示，2009～2012年内农民收入仍将继续增长，分别达到2282．4．2502．9、2686．9和2884．5元，增速由快到慢逐步递减，可持续性不强。     

网络环境下ARIMA模型对于绿色蔬菜市场价格的精确预报

基于目前绿色蔬菜销售的特点 ,研究在网络环境下绿色蔬菜市场的价格预报问题。从研究单一蔬菜品种卷心菜开始 ,利用ARIMA理论和方法 ,从模型的识别、诊断、拟合与预测定量地研究其价格的问题。考虑到单一品种的片面性 ,提出利用 16种蔬菜加权平均价格作为研究对象的方法。     

基于ARIMA模型的臭氧的预测与分析（英文）

通过分析保定市六个地区2014.4.8-2014.7.8连续13周的监测数据,运用时间序列分析方法,借助SPSS软件对未来2周即2014.7.9-2014.7.22空气污染物的变化情况进行了预测,通过Ljung-Box Q检验以及拟合统计量R方说明ARIMA模型预测效果很好,能用来对未来空气污染物的变化规律进行很好的描述,具有推广价值。     

基于ARIMA模型的甘肃省2015年蔬菜价格预测

利用“甘肃重点农产品市场采集分析系统”采集的数据,对马铃薯和其它被监测的22种大众蔬菜平均价格的波动特征进行描述性分析,采用乘法原则对原始蔬菜价格序列进行季节分解,并对季节调整后的马铃薯和蔬菜平均价格建立了ARIMA模型,预测了马铃薯和大众蔬菜2015年各月份整体平均价格。2015年监测蔬菜整体均价大体呈“灾”型。     

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。     

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。     

Morlet小波在铜陵降水序列分析中的应用

基于近49a来的年均和月均降水资料,采用Morlet小波分析法对长江中下游铜陵站降水序列进行多时间尺度研究,并用Mann-Kendall法对其做了趋势分析。结果表明:(1)1960-2008年铜陵地区年降水量呈下降趋势,气候倾向率为-11.214 mm/10a。就季节而言,春、夏、秋季均呈下降趋势,只有冬季呈显著上升趋势;(2)小波分析显示年降水序列和季降水序列均存在多个主要周期的变化,小尺度范围内,年季降水突变点增多;(3)目前研究区处于降水枯水期末段,预计在2010年左右研究区将进入一个新的丰水期。     

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。     

广西桑蚕原种净种率的时间序列分析

【目的】了解广西桑蚕原种净种率的发展规律,为原种生产管理提供决策依据。【方法】采用时间序列ARIMA模型及季节性结构分量（Seasonal structure component）模型,对广西桑蚕原种净种率的发展规律进行分析研究。【结果】运用SPSS软件对广西2001~2007年每年12批的桑蚕原种净种率序列进行时间序列分析,建立了一个反映广西桑蚕原种净种率规律的ARIMA（1,0,0）统计预测模型,且该模型通过白噪声序列检验;利用该模型对2008年的12个批次桑蚕原种净种率进行预测,发现预测值与实际值较接近。而季节性结构分量模型分析结果表明,广西桑蚕原种净种率在7年里呈逐年下降的趋势,客观反映了广西桑蚕原种的生产规律。【结论】应用时间序列分析方法分析广西桑蚕原种历年生产数据并研究其潜在规律,是一种行之有效的分析方法。     

基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。     

基于RBF神经网络的池州市降水序列预测

时间序列预测分析方法是进行预测预报的有效工具,有着广泛的应用。针对时间序列的非线性、动态变化等特征,基于RBF神经网络对时间序列预测方法进行改进,并以安徽省池州市1959～2009年来的月降水量为时间序列数据样本,用MATLAB软件编程,采用基于随机选取中心的RBF神经网络预测方法,对池州市的月降水量进行预测,并选择不同的扩展速度参数,用均方误差进行检验。通过与BP网络模型的预测结果比较分析,表明RBF模型的预测效果较好。建立的基于随机选取中心的RBF神经网络模型,不需要计算原始时间序列数据的复杂函数关系,具有操作简单、学习速度快、短期预测精度高等优点,用于时间序列预测方面能够获得十分满意的结果,具有很高的应用价值。     

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。     

基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

关联时间序列异常数据的预警模型研究

在贝叶斯时间序列动态模型的基础上,建立起一种关联时间序列上异常数据的预警模型,并在商品价格监控领域进行了量价实证分析研究.结果表明,该模型能有效解决此类关联时间序列异常数据的隐蔽性和时效性问题.