基于支持向量机的外贸出口预测

针对支持向量机(SVM)方法所具有的拟合精度高、推广能力强、全局最优且针对小样本等特点,本文将SVM回归建模方法引入到外贸出口预测中,对出口时间序列建立预测模型,并利用此法对重庆摩托车出口进行了预测,对其预测性能进行了验证比较。结果表明,SVM方法对非平稳的小样本出口时间序列数据有良好的建模和泛化能力,且可达到较高的预测精度。     

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。     

中国石油消费量增长趋势分析——基于ARIMA模型的预测与分析

石油属于重要的战略物资和民用能源,对其消费量进行预测,可为合理安排原油生产和石油进出口提供依据,优化社会资源的配置。本文采用Box和Jenkins的ARIMA模型,对1953年以来我国石油消费量的年度数据进行分析,原始数据来源于《中国统计年鉴》。与结构性因果模型、自回归(AR)、移动平均(MA)、自回归移动平均(ARMA)模型等相比较,ARIMA模型不但适合于我国石油消费量的非平稳时间序列的特点,并且预测效果比较理想。结果表明,ARIMA(4,1,5)模型的预测效果良好,2001年~2005年平均预测误差仅为4.01%,可用于未来我国石油消费量的预测。对2006年~2008年的预测结果表明,今后几年我国石油消费量将以较高的年增长率增加,2008年将达到约53 000多万吨标准煤,表明今后几年我国对外石油依存度将再度上升。     

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。     

基于小波分析的非平稳时间序列分解

本文提出了基于小波变换的非平稳时间序列分解方法。通过小波分解,将原时间序列依尺度分解成不同层次,利用尺度系数作为季节性乘积分量,将小波系数序列处理为方差平稳的平稳序列,并应用于样本数据异常点的识别和修正,使模型的预测精度得到提升。实例验证该方法是有效的。     

基于ARIMA模型的湖北省城镇居民人均可支配收入预测

为了研究湖北省城镇居民人均可支配收入的情况,选取湖北省2000-2015年16年的数据,采用基于R软件的时间序列分析方法对这部分数据进行检验和分析。预测之前首先对非平稳的原始数据进行对数化处理,再作二阶差分得到平稳序列,之后建立ARIMA模型(差分自回归移动平均模型),然后利用已经通过检验的模型对2016-2025年这10年数据进行预测。从预测结果看出,2016-2025年未来10年湖北省城镇居民人均可支配收入依然呈现明显上涨趋势。最后给出政策性建议和总结,这对湖北省的经济发展有着很重要的使用价值。     

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。     

中国支出法GDP的实证分析

本文用一个实例讲解了如何预测非平稳的时间序列数据。     

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。     

太阳黑子数的时-频域模型

讨论了将小波变换用于非平稳信号建模的原理,分析了１７００年～１９９３年的太阳黑子数的年均值,提出一种用于非线性非平稳时间序列建模的新方法,与传统方法相比具有独到之处,它适用于需要进行长期预测的情形     

我国石油需求的多元线性回归预测模型研究

通过关联度系数的分析选择模型的自变量,各变量序列的单位根检验表明序列非平稳,为消除可能的虚假回归,利用协整关系来建立多元线性回归模型。对模型进行逐步完善并进行系数、残差和稳定性检验。通过对预测精度的评价,表明所建立的模型有较好的预测效果,并对我国2006年—2020年的石油需求进行了预测。     

混沌时间序列混合预测方法探索

根据Kolmogorov连续性定理,本文建立了混沌—神经网络(C-ANN)预测模型;提出了基于遗传算法和神经网络的混沌预测模型与方法(C-ANN-GA混合预测方法);解决了混沌时间序列的非解析式预测问题;使混沌时间序列预测方法得到了新的改进和发展。     

新型冠状病毒肺炎（COVID-19）疫情预测——基于残差自回归模型

目的:基于我国公开数据中有关新型冠状病毒肺炎(COVID-19)的死亡病例时机数据,预测以后的死亡病例。方法:结合时间序列理论,建立尚有确诊的时间序列的残差自回归模型。结果:残差自回归模型预测效果较好,有一定的参考价值。     

经验模态分解与均生函数-最优子集耦合模型在年径流预测中的应用

针对径流时间序列的非平稳特性及中长期预测精度低的问题,本文提出一种新的耦合预测方法：基于EMD分解的均生函数-最优子集回归（Mean Generating Function-Optimum Subset Regression,MGF-OSR）模型。首先利用经验模态分解（Empirical Mode Decomposition,EMD）方法对汾河上游上静游、汾河水库、寨上和兰村4座水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数（Intrinsic Mode Function,IMF）。对各阶固有模态函数分别建立MGF-OSR模型并进行预测,趋势项用直线拟合的方法进行预测,然后通过重构各预测值得到汾河上游4座水文站年径流量的预测结果,并与单独运用MGF-OSR模型的预测结果进行比较。结果表明,运用基于EMD分解的MGF-OSR模型对汾河上游4站年径流进行预测,准确率均为100%,确定性系数在0.975以上;而单一模型的预测准确率均为40%,确定性系数在0.732以下,耦合模型预测精度明显提高。     

非平稳时间序列预测组合的条件

本文考虑当被预测的时间序列变量为非平稳过程时，由单项预测构成组合预测的条件。研究发现组合预测中的任何一个单项预测，与被预测变量具有协整关系是构成组合预测的重要条件     

基于模糊系统的非线性组合预测方法研究

本文提出了一种基于Ｔａｋａｇｉ－Ｓｕｇｅｎｏ 模糊规则基的非线性组合预测新方法,以克服线性组合预测方法在解决非平稳时间序列组合建模问题时所遇到的困难和存在的不足,并采用相应的遗传算法确定模糊系统的参数及模糊子集的划分。     

递推预测与预报方法

目前,预测方法多种多样,较常用的是时间序列模型方法,即假定被预测的量y与时间存在某种函数关系:y=f(t) 在实际应用过程中,f(t)的形式不易确定。大家喜用线性模式:y=at+b 但是,自然界、社会界的许多现象与时间的关     

基于自回归移动平均模型的黑龙江玉米产量预测

文章基于时间序列理论,以1981年和2010年中国黑龙江玉米产量为基础,对数据进行平稳化处理、模型识别、参数估计,建立时间序列模型,并对模型进行检验,确定较适合模型为自回归移动平均模型ARIMA(2,1,2)。利用该模型对2011-2012年黑龙江玉米产量作出预测并与实际值比较,结果表明,相对误差均在6%左右,预测模型良好。然后利用ARIMA(2,1,2)模型对未来3年的黑龙江玉米产量作出预测,为黑龙江省粮食政策的制定和调整提供可靠的依据。     

组合预测条件及其在汇率预测中的应用研究

在文献［２］给出的非平稳时间序列预测组合条件的基础上,本文提出并证明一个具有重要实用价值的命题。探讨该命题在汇率预测中的应用问题,进而解释文献［６］的组合预测模型不能产生理想的短期预测效果的根本原因     

单序列残差辨识预测法

残差辨识预测法,实质是一种单序列或多序列外推法。这种方法的特点是:一、对数据量要求不高,有两个以上数据即可预测;二、对于经济过程的预测精度较高;三、不要很多的数学准备。本文介绍的是单序列残差辨识预测法。