我国高校专利信息分析研究--时序分析

本文通过时间序列分析法，分析了我国高校专利申请与授权的各项指标，评价了历年的专利发展水平，并对专利申请和专利授权数量进行了预测。     

江西省居民消费价格指数的时间序列分析

差分自回归移动平均模型(模型)能对非平稳的时间序列进行较好的拟合和预测,是对该经济现象进行实证分析的有效方法之一,而居民消费价格指数就是一个比较典型的非平稳时间序列。因此本文基于2001年1月至2016年2月的月度数据,通过模型选择,建立了数据拟合较好的模型对江西省消费价格指数进行分析并预测近期的消费价格指数。     

经济时间序列的状态空间预测

预测是研究经济时间序列的重要课题,而经济序列大都是非平稳的,因此经济序列的预测比一般平稳时间序列困难得多。利用状态空间模型对经济序列进行建模、预测,不仅方便易行,且效果很好。不仅可对经济时间序列所含趋势、周期、季节各分量进行预测,而且可对经济时间序列本身进行预测。本文就是讨论用状态空间模型对经济序列进行预测的方法与实现。     

ARIMA模型在矿井涌水量预测中的应用

采用时间序列分析中的自回归移动平均(ARIMA)模型,对矿井涌水量进行预测。以收集到的矿井月度涌水量数据为研究对象,对涌水量时间序列特性进行了分析,结合自相关与偏自相关图及赤池信息准则确定了模型阶数,所建立的模型通过了白噪声检验,并对未来5个月的涌水量进行了预测。结果表明,该模型拟合趋势与实际趋势基本一致,预测结果可以接受,可为矿井安全生产提供指导。     

基于ARIMA模型的我国社会消费品零售总额分析

以2000年1月~2013年12月我国社会消费品零售总额的月度数据为研究对象,对其进行时间序列模型分析,该模型能较好地对我国社会消费品零售总额进行时间序列分析和预测。     

ARIMA模型在我国原煤生产预测中的应用分析

煤炭作为基础能源产品,对于我国国民经济持续健康发展具有非常重要的战略意义。通过对1949-2008年间我国原煤年产量的数据进行统计分析．发现我国年度原煤产量序列是非平稳时间序列。采用ARIMA模型进行预测分析可以达到良好的效果。建立我国原煤年产量的ARIMA（1,1,3）模型,模拟效果较好,预测误差较小,可用来预测未来我国的原煤产量。     

基于小波分析和神经网络的金融时间序列预测

以金融时间序列(1990年~2014年上证指数)为研究对象,金融时间序列数据本身带有较大的波动性,有高频和低频的数据情况贯穿于整个时间序列。小波分析对于数据降噪较于传统的降噪方式有着明显的优势,分析对比小波变换在处理两种不同波频情况下的优势和方法。采用其适合小波分析和神经网络相结合的组合模型对其进行分析和预测,其思想是,先将时间序列进行小波分解,得到各级小波变换序列和尺度变换序列。根据不同级小波变换系数的情况,选择合适的神经网络训练函数建立预测模型,得到各级小波变换序列和最后一层尺度序列,运用小波重建技术得出原时间序列的预测值。最后和常规的BP神经网络比较预测效果。     

时序回归GM-SVM模型研究

针对单一预测模型都存在各自优缺点的问题,本文提出时序回归GM-SVM模型,以达到最优的变形预测效果。首先对灰色模型中的灰参数导致的时间序列残差进行研究,形成时间序列模型,根据时间序列模型对其残差进行最优化设计,获取时间序列估计模型,并将该模型与支持向量机进行无缝融合以建立新的预测模型,然后根据该预测模型对观测的大坝变形影响因子进行训练和预测,并将预测结果与实际的变形值进行对比分析,经过实例分析确定该模型的预测结果更加接近实际观测值,说明该模型更加适用于基于大坝变形影响因子的变形分析。     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

基于小波分析的比特币价格预测

将小波分析方法应用到比特币价格预测中,结合小波分析的功能,利用比特币价格的时间序列数据,对比特币价格变化趋势进行了跨度为一季度的趋势预测,研究结果表明基于小波分析的比特币价格预测出的结果在短期内与实际结果变化趋势大体相同。     

时间序列法在我国石油需求预测模型中的应用

本文首先介绍了时间序列法以及时间序列的种类,通过分析得出我国石油需求序列是有确定趋势的非平稳时间序列,并选择最小二乘法分两步建立模型。然后详细介绍了建模过程,并对模型预测精度和稳定性作了评价,结果表明所建立的模型是较好的预测模型。最后用该模型对我国2006年—2020年的石油需求进行了预测。     

基于模糊自适应变权重的经济时间序列组合预测模型研究

组合方法首先选取支持向量机预测算法和一阶指数平滑法对经济时间序列分别进行预测,来建立模糊自适应变权重组合预测模型。为对比模糊自适应变权重的经济时间序列组合预测模型的预测效果,选取了两种定值加权组合预测模型:平均加权模型、误差平方和最小组合预测模型。通过实验比较分析:模糊自适应变权重组合预测可以综合利用各单项预测方法的优点,比单一模型预测结果精度有了很大提高,且优于定值加权组合预测,在经济时间序列的预测方面有较高的应用价值。     

关于指数平滑参数θ的最优确定问题

在经济预测中,人们常常要对一系列观测数据进行分析研究。这些数据一般按时间顺序排列,由于受各种偶然因素的影响,往往表现出某种随机性,彼此之间存在某种统计上的依赖关系,通常称这些观测数据为时间序列。通过对时间序列的分析,研究其发展趋势和发展速度,探索其发展变化的规律性,可以对某些社会经济现象的未来进行预测和控制。指数平     

经济序列的趋势分析——基于时间序列的混合模型

社会消费品零售总额代表着宏观经济的发展现状,对其历史数据分析对我国宏观经济未来的发展具有重要意义。本文选取了1997~2014年的我国月度社会消费品零售总额的时间序列数据,通过乘法加法和乘积季节的混合模型来对该序列进行拟合分析,不仅能提取数据之间的相关性,还能够很精确的拟合序列趋势,预测效果显著。     

基于时间序列算法的高校图书馆借阅数据预测及分析

【目的/意义】图书借阅数据的预测对于图书馆的资源建设和精准服务具有重要的指导意义。本文收集了 中国东北地区某双一流高校图书馆管理系统十年的借阅数据,并分别按图书类别、借阅者所属学院分类,对未来的 借阅趋势进行了预测。【方法/过程】本文使用一种基于时间序列的混合预测模型进行图书借阅数量的预测,其中混 合预测是一元时间序列预测与多元时间序列预测的结合。【结果/结论】实验结果表明,时间序列算法用于高校图书 馆借阅数据预测,2008 年到 2017 年借书数量由 300 左右增加到近 4000,2018 年到 2021 年 C、D、G、J、S、U、I类图书 中,D类、S类图书的借阅数量下降幅度最大,U类图书借阅数量下降幅度最小,T类、E类借阅量的上升幅度最大,Q 类、X类的误差率较大,研究结论供高校图书馆管理工作参考。【创新/局限】学界上针对图书馆馆藏资源建设和服务 创新研究较多,但以一元时间序列与多元时间序列预测角度进行研究的相对较少,本文弥补了此方面的不足。     

雷达和导航信号的混沌分析与遗传优化的RBF神经网络预测

文章从建立雷达和导航信号的轨迹的相空间入手,通过计算Lyapunov指数,得出系统的演化行为是混沌的过程的结论,并对其进行了主分量(PCA)分析,而小波分析与遗传算法优化的RBF网络结合,解决了传统的线性理论不能预测混沌时间序列的难题,从预测的结果来看,全面提高了预测速度,为系统建模奠定了基础。     

情报预测方法应用与比较研究

【目的/意义】自然界中时间序列信号具有非线性、非稳定变化的特点。对时间序列信号实现准确预测,不 仅能够提高风电机组的输出功率,并且有助于调控风电场的运行维护,保障电力系统的安全运行。【方法/过程】本 文基于集合经验模式分解和变分模态分解两种时间序列分解的方法,并将其与RBF神经网络相结合提出RBF直 接预测模型和EEMD-RBF 和VMD-RBF 两种组合预测模型。利用某风电场的原始风速时间序列信息,通过 MATLAB 软件进行编程,进行案例分析。【结果/结论】预测结果表明组合预测模型优于RBF 直接预测模型,且 VMD-RBF组合预测模型的预测结果最为精确。     

人工神经网络对时间增长序列预测能力分析

本文从人工神经网络的构成函数出发,分析了网络对某一类具有时间增长特性的过程或序列在学习和建模时存在的局限性和用神经网络模型对这一类系统进行预测时存在的固有误差问题;提出对具有时间增长特性的过程或序列进行预处理后再用神经网络建立系统的非线性模型,最后给出用不同方法对同一系统建模和预测的比较     

ARMA模型在金融机构现金收入中的应用

ARMA模型是一类常用的随机时间序列模型,它是一种精度比较高的序列短期预测方法,本文主要是通过分析数据的特征,建立一个合理的ARMA模型,利用这个模型对我国经济进行合理的预测.     

对重庆市历年GDP的分析及预测

通过查阅1978年～2012年的《重庆统计年鉴》,得到重庆市1978年～2012年的GDP数据,运用Eviews7.0软件及时间序列分析方法对重庆市GDP的平稳性进行检验,根据时间序列模型的识别规则及ARIMA模型的建模方法,建立了ARIMA（1,2,0）模型,用该模型能描述重庆市GDP状况并作短期预测分析.