基于ARIMA模型的图书馆微信公众号用户量预测

运用SPSS统计软件,对某医科大学图书馆2016年至2018年的微信公众号用户量建立合适的ARIMA模型,模型定为ARIMA(0,2,1)(0,1,1)_(12),并通过该模型对2019年1月与2月用户量进行预测并与现实数据进行对比。ARIMA模型的建立旨在为图书馆新媒体阅读推广提供参考。除此之外,将微信公众号功能模块作为影响微信公众号用户量的因素之一,对其点击量进行统计与分析,根据分析结果,需要对菜单功能模块做适当调整。     

ARIMA模型在河北GDP预测中的应用

采用求和自回归移动平均模型(ARIMA),对河北经济年鉴的数据进行分析。结果显示,ARIMA(1,1,1)模型提供较准确的预测结果,可用于未来的预测,可为河北发展提供可靠的参考依据。     

基于ARIMA模型的河南省财政支出预测

利用ARIMA模型对1979-2008年河南省财政支出数据进行分析,结果表明ARIMA(3,3,5)模型有较好的预测结果,可以用于河南省财政支出的短期预测。     

基于成都温度季节性变化的分析与预测

基于成都2009年~2016年的平均温度的数据使用SAS对其进行乘法季节ARIMA建模,从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的过程,发现ARIMA(0,1,1)x(0,1,1)12模型能很好的拟合其平均温度的变化,并用该模型进行预测,结果表明平均温度逐年上升。     

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。     

基于ARIMA模型的海南月度旅游人数预测

从2011.01～2018。08共104个月的海南旅游人数数据出发,首先利用自相关图和偏自相关图对旅游人数序列进行平稳性检验,根据长期趋势性和季节性的特点,确定采用乘积ARIMA模型。按AIC最小准则,对模型进行定阶,最终建立了ARIMA(1,1,1)×(1,1,1)_(12)模型。通过R软件计算,实现对海南旅游人数的预测。2018年9旅游人数预测相对误差分别为2.06,一步预测效果非常理想。与确定性因素分解模型相比,ARIMA(1,1,1)×(1,1,1)_(12)模型预习效果更优。在智慧城市建设进程中,月度旅游人数预测更能及时、准确地掌握游客数量变动趋势,相关管理部门能提前做好预案,提升游客体验度。     

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。     

新疆交通客运量的预测与分析

本文通过新疆统计年鉴中仅有的新疆1990-2015年的交通客运量数据为研究对象,先利用时间序列(指数平滑和ARIMA)模型和非线性回归方法,进行初步地统计分析。根据预测误差最小的原则确定采用指数平滑模型和ARIMA(1,1,1)模型客运量预测的平均值作为新疆交通总客运量的最终预测方法.并给出了新疆2016—2020年的交通客运总量以及公路、铁路、民航等各客运量的预测结果。     

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。     

ARIMA模型在上海市GDP预测中的应用

本文用ARIMA模型对上海市1978年到2006年GDP数据进行分析,并预测出未来三年的GDP数据。与2007年实际GDP相对照模型预测误差较小,说明ARIMA模型非常适合于短期预测。     

我国居民消费价格指数的季节调整及短期预测

月度经济时间序列往往会受到季节因素影响,使得经济发展中的客观变化规律被遮盖或混淆。因此,使用居民消费价格指数月度数据进行物价波动趋势分析时,首先应该采用科学的方法对月度时间序列中的季节因素进行识别、分离和调整。本文使用X-12-ARIMA和TRAMO/SEATS两种基于ARIMA模型的季节调整方法,对我国2001-2012年的定基比价格指数进行了季节调整,并对今后短期内CPI的走势进行了预测。     

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ARIMA时间序列模型的房地产价格预测——以沈阳市为例

本文以房地产价格为研究对象,通过ARIMA时间序列模型对沈阳市2010～2019年房地产价格的数据进行分析,预测未来房地产价格。得出结论:2020～2021年沈阳市房地产价格快速增长;2022～2024年发展比较平稳,可能与房地产业的发展周期有关。     

基于“谷歌趋势”数据的入境外国游客量预测

入境游客量的预测是制定旅游发展规划和相关政策法规的重要依据。基于"谷歌趋势"提供的涉及旅游活动食、住、行、游、购、娱等环节的相关关键词搜索数据,通过计算相关系数,找出与国家旅游局公布的2004年1月至2015年3月中国入境外国游客量统计数据密切相关的搜索关键词。同时,利用2004年1月至2012年12月的入境外国游客量数据构建一般季节性乘积ARIMA模型,以及带搜索关键词作为自变量的季节性乘积ARIMA模型,分别对2013年1月至2015年3月入境外国游客量进行模拟预测,比较两模型的拟合程度和预测能力。研究发现:加入谷歌关键词作为自变量的季节性乘积ARIMA模型比一般季节性乘积ARIMA模型拟合效果和预测精度高,而中国签证政策与航班信息均对入境外国游客量有显著的影响。     

基于“谷歌趋势”数据的入境外国游客量预测

入境游客量的预测是制定旅游发展规划和相关政策法规的重要依据。基于“谷歌趋势”提供的涉及旅游活动食、住、行、游、购、娱等环节的相关关键词搜索数据,通过计算相关系数,找出与国家旅游局公布的2004年1月至2015年3月中国入境外国游客量统计数据密切相关的搜索关键词。同时,利用2004年1月至2012年12月的入境外国游客量数据构建一般季节性乘积ARIMA模型,以及带搜索关键词作为自变量的季节性乘积ARIMA模型,分别对2013年1月至2015年3月入境外国游客量进行模拟预测,比较两模型的拟合程度和预测能力。研究发现：加入谷歌关键词作为自变量的季节性乘积ARIMA模型比一般季节性乘积ARIMA模型拟合效果和预测精度高,而中国签证政策与航班信息均对入境外国游客量有显著的影响。     

投入产出预测结果的分析

投入产出预测,是利用已有的投入产出模型进行的预测。一个好的投入产出模型,可以反映出经济体系(如国民经济体系)中各个部门的投入与产出之间内在的经济技术联系。利用这种投入产出模型,可以根据经济体系内一部分经济变量的值去预测另一部分经济变量的值。与回归预测、时间序列预测等预测方法相比较,投入产出预测方法的特点在于,我们可     

组合预测模型在我国快递量预测中的应用

快递量是我国经济结构至关重要的一部分,所以快递量的精确预测对我国经济结构的调整有重要的意义。本文利用1995年至2016年的相关数据,分别应用二次指数平滑模型、多项式曲线预测模型、建立ARIMA模型对数据进行预测和分析,再通过对这三种预测方法分别赋予不同的权重建立加权组合预测模型来改进预测误差,通过比较分析得出算子组合模型预测的精度更高,并运用该组合预测对2017年至2020年的快递量进行预测。     

基于变异系数加权的旅游需求组合预测模型

随着第三产业的快速发展,旅游业在推动经济增长中起着越来越重要的作用。本文利用变异系数法对单一的预测模型加权,建立了地区旅游需求量的组合预测模型。通过与GM(1,1)模型、线性趋势外推法和指数趋势外推法的预测误差进行比较,发现组合预测模型在对江西省旅游总收入的预测中精度更高,而线性趋势外推法对江西接待旅游总人次的预测中误差最小。文章最后利用实证得出的最优模型,对江西省未来五年的旅游需求做了预测。     

基于PDL模型的我国省域城市化水平预测研究--以甘肃省为例

以往的研究中，当实际应用经济因素相关分析法对城市化水平进行预测时，往往仅考虑了当期经济发展水平对城市化发展的影响，由此必然会因为遗漏掉重要信息而严重影响预测结果的可信性及其精度。本文以甘肃省为例，以计量经济学中的PDL(多项式分布滞后)模型为依据，尝试通过ARIMA模型及CPPS软件的运用对其2010年城市化水平做出预测。     

铁矿石需求分析预测能力多模型比较研究——面板模型与灰色模型、协整模型、ARIMA模型

建立适用于中国和俄罗斯等人均铁矿石需求增长型国家的面板模型,利用面板模型对中国人均铁矿石消费量进行扩张预测,并按不同年份、不同建模期与灰色模型、协整模型、ARIMA模型的样本内、样本外平均扩张预测结果进行对比,说明面板模型的预测精度优于其他三个模型。面板模型与协整模型均能有效地分析因变量与各影响因素间的关系,一般的灰色模型和ARIMA模型无法达到这一目的。考虑模型对变量之间相关关系的刻画能力及预测精度两方面因素,认为四类模型分析铁矿石需求问题的能力排序为:面板模型协整模型灰色模型ARIMA模型,这一结果表明面板模型用于铁矿石需求分析具有优越性。