时间序列预测模型在中小企业中的应用研究

文章应用几种不同时间序列预测方法对中小企业销售额进行建模并预测,旨在建立适用于中小企业的预测方法和预测模型,收集了某企业某产品2006~2012年各月销售额数据,利用时间序列中的回归模型、ARIMA模型对其进行拟合建模,并运用各模型对2013年前6个月的销售额进行了预测及比较分析,从中选出预测精度相对较高的模型。     

时间序列分析预测模型在大坝安全监测中的应用

为了对大坝的运行情况进行安全的、实时的监控,根据大坝安全监控的理论知识,本文提出了一个基于时间序列模型预测。文中介绍了时间序列法原理,提出预测模型。     

混合GM(1,1)SSODMM与时间序列分析预测模型

基于GM（1，1）模型的不足，在GM(1,1)SSODMM的基础上，建立了一个混合GM（1，1）SSODMM和时间序列的预测模型，对某企业产品的销售量进行了预测；并将GM（1，1）SSODMM模型的预测结果与混合模型的预测结果加以比较。     

“时间序列预测”教学探讨

文章对“时间序列预测”的教学进行了探讨。     

基于神经网络的人口增长多变量时间序列预测模型

人口增长是一个复杂的非线性动态系统,基于神经网络建立人口增长时间序列的预测模型,并通过实例仿真得出预测我国未来人口增长情况．     

基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于灰色理论的时间序列交通事故预测

针对交通事故发生的特点,探讨了灰色系统和时间序列模型在道路交通事故预测中的具体应用,在介绍分析道路交通事故灰色性的基础上,建立了基于灰色预测理论的交通事故预测模型,并用其分别对道路交通事故的死亡人数、交通事故量进行了预测,其结果是可信的．     

基于时间序列分析法的种群动态变化研究

种群数量动态变化预测在维持生态结构稳定性,把握群落结构变化规律等方面发挥着至关重要的作用.基于时间序列分析法,建立了种群动态变化的ARMA、NLAR以及GM(1,1)预测模型,并将建立的三种预测模型应用于捕食者与猎物种群数量动态变化预测中.预测结果表明:GM(1,1)通过累加消除了种群数量的随机波动性,所建立的预测模型...     

基于非线性时间序列分析的网络流量预测

通过对网络流量的准确预测,实现流量的宏观调控和自适应调节,可避免网络拥堵。传统方法对网络流量的预测采用线性信号分析方法,而忽略了网络流量的非线性耦合特性,对流量的预测精度不高。提出一种基于线性时间序列分析的网络流量预测算法。仿真实验表明,采用该算法进行网络流量预测,能有效提高预测精度,并具有较强的稳定性和抗干扰性,具有较好的应用价值。     

基于人工神经网络的时间序列交通事故预测

分析了人工神经网络和时间序列的优越性和适用性，提出了基于神经网络基础之上的时间序列预测方法，从而实现了从线性预测到非线性预测的转变。     

随机测量量时间序列分析

给出信号检测中随机测量量时间序列分析的方法，研究参数的统计特性。     

基于模拟退火的神经网络预测模型

在分析了传统神经网络预测模型的基础上，提出用模拟退火算法代替局部梯度下降法修正网络权值，从而避免了人工神经网络容易陷入局部极小的缺陷。经实例证实，该方法能有效地提高预测的精度。     

自相关函数在时间序列模型识别中的应用

自相关函数反映了时间序列变量的内部联系和相互依赖关系.文章利用自相关函数识别时间序列变量的性质和形态,检验时间序列过程是否为零均值过程及其所建模型的适应性,并通过实例验证了该方法的有效性与可行性.     

劳动力有效人力资本构成对经济增长的影响--基于湖北省时间序列数据的分析

本文从有效人力资本的视角出发,利用湖北省1978~2010年经济与教育方面的时间序列数据,分析了各级教育对经济发展实际影响的差异特征。在ADF检验的基础上,采用协整检验、VEC模型以及方差分解技术对各级教育对经济增长的实际贡献和动态影响进行了描述与解读。研究发现：有效人力资本对湖北省经济增长发挥了有限的促进作用,其具体影响在不同层级的有效人力资本之间存在明显的差异。要更好地发挥有效人力资本对经济增长的促进作用,一是要促进有效人力资本的深度开发,二是要提升高水平人力资本的积累水平。     

基于Volterra级数的RLS自适应算法的混沌时间序列预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数和RLS算法,提出了一种少参数二阶非线性滤波算法用于混沌时间序列的自适应预测。仿真结果表明,这种非线性自适应滤波器能有效地预测一些超混沌序列,而且该滤波器的一步均方误差性能明显高于其他基于Volterra级数的NLMS算法,表明该算法具有良好的收敛性能。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

乘积季节模型在能源生产量预测中的应用

本文使用乘积季节模型,对1999年到2005年全国能源生产总量进行分析,给出乘积季节模型的一般建模程序。根据Box-Jenkins的建模思想,从各种指标最终确定模型(0,1,1)×(0,1,1)12,该模型显示了非常好的拟合及预测效果。     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

基于贝叶斯的金融时间序列预测研究

传统的时间序列分析与预测方法没有考虑样本和参数的先验信息,导致预测结果和实际数据的偏差较大,贝叶斯参数估计方法可以充分利用参数的先验信息,使得估计参数的方差更小,估计结果更加精确,预测结果更真实有用。随着MCMC方法和WinBUGS软件的发展,贝叶斯分析方法估计模型的计算困难逐渐减弱,因此,近年来贝叶斯时间序列预测方法越来越受到关注。本文基于上证指数收盘价的数据,采用Eviews和WinBugs软件,对样本数据进行预处理,利用贝叶斯参数估计方法进行时间序列自回归模型的实证研究分析。