序列ARMA模式识别方法

一、方法的陈述自从本世纪三十年代 ARMA 混合模式问世以来,在时间序列分析和预测中,它日益成为一种重要而经常使用的手段。和时间序列其他预测方法相比较,这种方法具有相当的灵活性和优越性。它不仅可以拟合各种不同的数据样式,通过若干次迭代获得最佳参数估计值;而     

基于时间序列模型的传染病分析

本文选取了从2005年1月到2011年9月间丙类传染病的月发病数,在考虑长期趋势与季节因素的基础上,选择ARIMA模型来对我国丙类传染病每月的爆发数量进行拟合,同时对未来1年的发病情况进行预测.     

基于时间序列模型的国民生产总值预测

本文基于中国统计局提供的1980年~2016年的国民总收入年度数据,分别构建了Holt指数平滑模型和ARIMA模型预测最近5年的国民生产总值。结果显示ARIMA时间序列模型具有更好的拟合和预测效果,可以为我国宏观经济的发展提供更好的参考。     

经济波动随机时间序列模型的比较研究

本文分析了线性的ARMA模型和非线性的TAR模型描述经济波动的适用性，论述了两种模型的建立方法，进而对它们描述经济波动的实际效果进行了比较分析，得出结论：TAR模型比ARMA模型更适合于描述经济波动的非线性规律。     

基于最大熵功率谱估计的Hadoop高速数据访问

提出一种基于最大熵功率谱估计的Hadoop云平台下网络音视频数据特征挖掘方法,实现对数据信息的高速访问。构建数据挖掘Hadoop云平台和数据挖掘访问模型,设计最大熵功率谱特征提取算法,采用分段思想将同一时间段的视音频数据进行群体分割,分段提取最大熵功率谱特征。将提取的特征信息进行维度匹配分箱和溯源处理,实现信息恢复,最终完成高速数据访问。仿真测试表明,该算法能有效地实现对网络音视频数据的特征挖掘,提高访问效率,访问响应时间较当前方法缩短明显。     

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。     

基于时间序列模型对四川省第三产业增加值的预测及分析

本文以第三产业增加值为建模分析主线,应用随机时间序列分析技术,对第三产业增加值进行预测分析。通过格兰杰因果检验,得到普通高等学校毕业生人数和第三产业增长值之间极其显著的相关性,结合统计软件SAS和Eviews,单独研究这一因素对第三产业增长值的影响,据此进行政策调整,以促进四川经济的发展。     

复合模型在混沌时间序列中的应用

神经网络和传统线性模型结合为处理混沌时间序列提供了新的途径。将Elman神经网络和单整自回归移动平均模型结合起来,同时分析我国进出口贸易量时间序列中的线性和非线性两部分,得到更准确的预测精度。实证表明,复合模型吸收两类方法的优点,较单一模型能够更有效地预测我国进出口数据。     

时间序列调和模型对旅游周期的预测

本文运用时间序列分析法对北京海外旅游人数进行周期估计,首先运用线性滤波器剔除数据的趋势项,其次对调和模型进行参数估计,最后将所计算的周期与其他方法所计算的周期进行比较.文中运用的方法对于一般的经济数据具有通用性.     

基于ARIMA模型的东三省粮食产量时间序列分析

本文利用时间序列分析中的ARIMA(p,d,q)模型,根据1978-2013年我国东三省粮食产量数据进行了随机性分析,结合EVIEWS和SPSS等统计分析软件,通过对模型识别、比较、建立以及检验,最终选定ARIMA(3,1,2)模型,并运用此模型拟合了东三省2009-2013年的粮食产量,同时对东三省2014-2023年未来十年的粮食产量进行了分析与预测。     

时间序列调和模型对旅游周期的预测

本文运用时间序列分析法对北京海外旅游人数进行周期估计,首先运用线性滤波器剔除数据的趋势项,其次对调和模型进行参数估计,最后将所计算的周期与其他方法所计算的周期进行比较。文中运用的方法对于一般的经济数据具有通用性。     

基于时间序列参数估计的潜周期模型研究

潜周期模型在实际生活问题中应用很广泛,它是时间序列分析中研究比较集中的一个模型。大体上看,潜周期模型可以分为两个类:一是频率不随时间变化(固定频率)的情况,二是频率随时间变化(时变频率) 的场合。潜周期模型也是二维随机场的重要模型之一,在二维信号处理、二维时空序列的预测中常有应用。对该模型进行各种参数方面的研究。     

基于EEMD与ARMA的短期风功率预测研究

风能作为一种清洁能源是所有可再生能源中最有前途和发展的技术,得到世界各国的高度重视。如果能对风电输出功率进行比较系统且准确的预测,将会为电网调度部门制定日运行方式和制定合理调度计划提供参考,进而减弱风电对电网的不利影响,减少旋转备用、提高电力系统的可靠性。因此找出一个有效相对准确的预测方法可以有效的解决上述问题。本文提出基于EMD-ARMA和EEMD-ARMA的风功率预测方法,采用风场实际功率数据进行分析,验证所提方法的有效性。     

利用神经网络确定ARMA模型的结构

本文以时间序列的ＳＡＣＦ和ＳＰＡＣＦ作为输入,ＡＲＭＡ（ｐ,ｑ）模型的类别作为输出来建立神经网络,并利用计算机生成的时间序列的ＳＡＣＦ和ＳＰＡＣＦ对网络进行训练。最后用该网络为多个实际的时间序列都找到了最佳的模型结构     

基于非线性时间序列的门限自回归模型建立

目前门限自回归模型是最受大家关注的预测模型。本文以太阳黑子非线性时间序列为研究对象,建立门限自回归预测模型。通过一些相关分析技术来确定预测模型中的门限区间个数和门限值的寻优范围,然后优化门限值和TAR模型的自回归系数。通过实验结果分析表明,门限自回归预测模型能够对非线性时间序列进行精确预测。     

时间序列模型在湖北省城市化水平预测的应用

文章在客观评述国内外主要预测方法的基础上。根据湖北省1949-2004年城市化水平的时间序列资料,构建城市化水平的时间序列预测模型,并进行实证检验和预测。     

基于功率谱估计的管道腐蚀超声波内检测数据压缩研究

在管道内内独立运行的管道超声波内检测器扫描管壁腐蚀情况时,将面临海量数据存储问题。本文通过大量实验和理论研究,提出利用管道壁厚的测量范围,存储一定频率范围的功率谱,实现A扫描数据压缩。该方法在提高数据压缩比（如100M采样率时压缩比达到11．8％,50M压缩比达到23．6％）的同时,压缩信号还原后与原始信号的近似相关度仍然能保持97％左右,且计算简单,运算速度快,还原信号清晰可实现在线压缩,符合工程的要求。     

基于潜在因子模型的时间序列语义信息挖掘及匹配方法研究

【目的/意义】当前全球信息化时代下信息过载问题日趋严峻,在深度挖掘信息的基础上,结合用户行为特 征进行智能匹配显得尤为重要。【方法/过程】本文在基于潜在因子模型的个性化推荐算法的基础上,构建了结合时 间序列的语义信息挖掘及匹配模型。通过引入用户历史行为的时间序列语义信息,提高已有模型预测用户偏好的 准确性,结合因子分解机的思想实现对扩展模型的构建,并通过 movielens数据集对该方法的有效性进行验证。【结 果/结论】实验结果表明,新模型能够有效提高已有推荐模型预测用户偏好的准确性,从而实现了良好的数据挖掘 及匹配效果。     

时间序列趋势变化的平滑及判断

时间序列的趋势变化对预测结果的准确性有很大的影响。本文通过对平滑指数的分析，介绍了变指数的平滑方法，此外，给出了利用观察估的累加和比例与观察值数的比例判断趋势变化的方法。     

基于ARMA模型的国内旅游消费分析

改革开放以来,我国经济的快速发展,人们生活水平逐步提高,旅游开始成为一种新潮流。旅游在我国经济活动中占据着重要的地位,在促进经济发展中发挥着重要作用。本文根据1994-2011年有关数据,对国内旅游消费情况进行分析,并在此基础上预测2012年的国内旅游消费值。