时间序列自回归(AR)模型在体育预测中的应用

文中初步探讨了时间序列自回归AR(Auto Regressive)模型在体育中的应用,着重从理论的角度讨论了其可行性,然后通过实例分析进一步证实了在体育中应用时间序列分析的优越性。文中分析表明,AR模型可用于体育统计中趋势的预测、体质或体育系统状态的评价,以及体育环境的预测等多方面。     

时间序列模型在我国年度世界冠军预测中的应用

利用文献资料和数理统计方法,收集了1985年至2004年我国获得世界冠军的数据,进行了时间序列分析,建立了我国获得世界冠军的时间序列模型(即ARIMA模型).结果显示:模型ARIMA(0,1,8)(0,1,1)能较为准确地预测我国年度获得世界冠军的数据,模型的预测值与实际观测值非常接近,说明时间序列模型在我国年度获得世界冠军状况预测中具有较好的应用价值.     

基于非参数自回归模型的房价预测

从1991～2008年共18个商品住宅房平均售价入手,利用非参数自回归模型以及局部线性估计,从数学的角度量化地预测了中国未来三年的房价升降趋势．结果表明．未来三年我国房价将会继续攀升．     

基于时间序列的港口货物吞吐量GRNN预测模型

为准确进行港口货物吞吐量预测,采用逐步递归的方法,建立基于时间序列的港口货物吞吐量广义回归神经网络(Generalized Regression Neural Network,GRNN)预测模型.利用该模型预测某港口货物吞吐量,结果表明:对于小样本的短期预测,该模型具有适应性好、误差小等特点.     

多维时间序列的组合预测模型

由于时间序列在各领域的广泛应用,时间序列预测已经引起越来越多的关注,但关于多维时间序列的预测关注较少.然而,多维时间序列蕴含着丰富的信息.针对该问题,提出基于k近邻（k-nearest neighbor,k-NN）和BP神经网络的多维时间序列组合预测模型.首先分别采用k-NN和BP神经网络进行预测,得到对应的预测结果.然后使用BP神经网络进行非线性组合,得到最终的预测结果.实验表明,该预测模型优于k-NN和BP神经网络预测模型.     

基于BP神经网络与时间序列分析的柴油机故障诊断

将时间序列分析和神经网络相结合应用于柴油机振动故障诊断.从时间序列分析的结果中提取柴油机故障的特征参数,然后以此建立相应的神经网络,识别柴油机的运行故障,大大提高诊断的准确性.讨论柴油机气阀间隙异常的诊断和柴油机负荷状态的识别,并给出振动特征参数与柴油机工作状态之间的关系.     

基于EVIEWS软件下的多元线性回归分析

利用计量经济专业软件EViews讲述多元线性回归在实际应用中的实现,通过实际工程中的数据讲述建模的方法和步骤。建立多元线性回归模型,结果表明该模型是很有效的。     

基于支持向量回归机的公交站点客流量预测研究

预测公交站点的客流量情况可以提供更可靠的公交服务并节省运营成本.利用支持向量回归机的方法对公交站点的客流量情况进行分析和预测,采用公交站点客流量历史时间序列的时间窗做输入变量,给出了采用支持回归机的方法预测算法.实例证明,即使用很少的数据,也可以保证公交站点客流量的误差很小,为实际应用打下了良好的基础.     

局部回归时间Packing熵的重分形分析

利用packing维数这一工具定义水平集Kα的(q,τ)-packing熵,并给出对于水平集Kα的packing熵与(q,τ)-packing二者之间的关系.     

基于CA-Markov模型的海口市城市热岛模拟预测

随着城市化进程的快速发展,地表覆被类型发生着前所未有的变化,也加剧了热岛效应的发展。基于Landsat数据分析海口市城市热岛的空间变化,运用CA-Markov模型模拟预测城市热岛的发展趋势及空间分布特征,并建立城市热岛与归一化差值植被指数(NDVI)、归一化差值建成指数(NDBI)的回归模型。结果表明：1)利用CA-Markov模型模拟预测2016年海口市热环境分布情况,各热岛强度等级平均误差较小,Kappa系数为80.49%,模拟精度较高,并得到2024年海口市热环境分布情况;2)2000—2016年间,海口市热岛效应愈发明显,主要向琼州海峡沿岸、南渡河西岸以及高铁周围延伸。强热岛范围增加11.60 km²,热岛范围减少2.26 km²,大致保持不变,绿岛范围增加38.64 km²,是16年中热岛强度转变最大的。预测2024年的热岛强度分布将有向东南方向移动的趋势;3)在多元线性回归分析中,NDVI指数每升高0.1,城乡地区地表温度差降0.22～0.45℃;而NDBI指数每升高0.1,将对城乡地区地表温度造成0.20～...     

保山城区空气污染指数的时间序列分析

根据保山城区2005-2008年的大气污染物监测资料,采用时间序列分析中的ARIMA模型,探讨保山城区空气污染指数的变化规律。结果表明,采用时间序列分析空气质量状况是可行的。     

基于负二项回归的水上交通事故分析与预测

寻找导致船舶损伤和事故伤亡原因的可能因素和对水上交通事故趋势预测一直是水上交通事故研究的焦点.基于事故因果关系的统计数据,分析港区航道及附近水域水上交通事故的伤亡人数与事故船舶类型、事故种类、事故发生时间、事故发生地理位置等因素之间的关系,通过比较泊松和负二项两种概率分布模型回归的结果,确定负二项分布形式的事故预测模型.研究表明,基于负二项回归的水上交通事故分析与预测方法具有适用性.     

基于ARIMA模型的股票行情预测

基于ARIMA金融时间序列理论对样本数据进行了ARIMA模型识别、参数估计和模型检验,建立了ARIMA预测模型,并用建立的模型进行了短期预测和误差分析。模型检验结果显著,预测精度理想。由此论证了用时间序列ARIMA模型来预测股票行情是可行的,亦为证券投资分析提供了一个重要的工具。     

基于奇异谱分析的多模型融合空气污染物质量浓度预测方法

提出一种基于奇异谱分析的多模型融合空气污染物质量浓度预测方法,它基于奇异谱分析的时间序列分解特性,对差分整合移动平均自回归模型和灰度模型进行模型融合.采用模型融合方法对沈阳市京沈街区空气污染物质量浓度监测站点2020年9月18日-2021年3月11日空气污染物质量浓度监测数据进行预测分析.结果表明,相较于单独使用差分整...     

基于小波分解的集卡港内周转时间预测

为准确预测集卡的港内周转时间,进而提升整个物流系统的作业效率,通过对集装箱码头闸口数据进行深入分析,得到3种不同任务类型的集卡港内周转时间序列,并在此基础上提出一种基于小波分解和自回归移动平均(autoregressive moving average, ARMA)模型的集卡港内周转时间预测方法。该方法首先利用小波分解技术对集卡港内周转时间序列的多维变化特征进行逐层分离,再利用ARMA模型对分离后的多个时间序列分别进行拟合,然后对拟合结果进行合并,以此近似模拟原序列的时变规律,继而实现集卡港内周转时间的短期预测。为验证该方法的有效性,将数据样本划分为训练集（75%）和测试集（25%）,训练集用于拟合多维ARMA模型,测试集用于检验ARMA模型的预测结果误差。研究结果表明,对于3种任务类型,该模型均可以精确预测集卡的港内周转时间,为物流企业调整集卡运输计划提供相应的技术支持。     

柴油机气缸盖振动特性的时间序列模型

用时间序列法研究了柴油机气缸盖的动态特性.通过引入虚拟系统的概念,利用缸盖表面振动信号的自回归滑动平均模型(ARMA模型)求出了实际缸盖系统的传递函数,并将其应用于重建缸内气体压力曲线.为柴油机的振动噪声控制、状态监测,以及缸内气体压力的识别提供了一种有效的方法.     

基于二维超混沌系统的数字图像加密算法

基于二维超混沌系统有着更高的安全性能的思想,将二维超混沌系统应用于数字图像加密。首先对系统输出的实数值混沌序列进行预处理;其次,利用超混系统产生的其中一路超混沌序列实现数字图像在空城的第一次加密,最后将另一路经过预处理的混沌序列按幻方矩阵排列,构造图像置乱索引矩阵;而后分块在空城作二次加密,分析与仿真结果表明,预处理后的实数值混沌序列有很理想的相关特性;由于混沌有对初值的敏感特性,使得破解密码难度加大,这也增强了加密图像的抗破译性与抗攻击性。     

基于改进支持向量回归的港机剩余使用寿命预测

为解决标准支持向量回归(support vector regression, SVR)在预测港机剩余使用寿命时,误差程度不同的数据会被施以相同程度的惩罚,从而导致预测精度不足的问题,通过对每个数据的惩罚系数添加各自的误差比例,使每个数据的惩罚系数与各自的误差程度成比例,降低误差数据对整体预测精度的影响。实验表明,这种改进SVR相对于标准SVR在不降低计算效率的前提下能有效提高预测精度,并拥有良好的泛化能力。     

基于过采样Logistic回归模型的互联网贷款违约预测研究

在持续增长的居民贷款消费需求刺激下,互联网贷款业务的规模呈现出持续快速扩张的发展态势,发挥机器学习模型在个贷违约预测的作用,控制和防范互联网贷款违约风险,具有十分重要的意义。通过对不同数据集的样本特征进行详细分析,构建个人信用风险评估指标体系,利用具有普适性特征和可解释性特征的Logistic回归模型对个贷违约进行预测。针对原始数据集存在不平衡样本的问题,分别采用过采样和欠采样的重抽样方法获得平衡样本集,调整正则化惩罚力度,选择最优结果的参数来进行建模,得到模型预测结果。最后对如何防范互联网贷款违约风险提出了相关建议。