基于RBF和ARIMA模型的区域高等教育规模预测研究

结合RBF网络模型和ARIMA模型预测的优点,构建基于RBF网络模型和ARIMA模型的混合模型,对四川省高等教育规模预测问题进行研究。采用构建ARIMA模型得出的预测值对RBF网络模型的预测值进行修正,提高了区域高等教育规模预测的精度。     

厦门市滩涂养殖区变化趋势的预测

分别采用回归分析方法、灰色数列预测方法及时间序列预测中的差分自回归移动平均法（ARIMA）对厦门市滩涂养殖区面积的变化趋势进行模拟,结果表明：ARIMA（2,2,0）模型的拟合效果最好,三次多项式曲线模型和灰色GM（1,1）预测模型的拟合误差均较大．采用ARIMA（2,2,0）模型和三次多项式曲线模型分别对滩涂养殖区面积变化趋势进行短期预测和长期预测,预测结果表明滩涂养殖区的面积呈逐渐下降趋势．     

时间序列在老龄人口预测中的应用

本文介绍了时间序列分析模型ARIMA模型,给出了ARIMA模型的具体计算方法,并利用湖北省老龄人口数对ARIMA模型进行拟合分析,确定了模型的参数,最后得出的结论是利用时间序列模型对老龄人口数进行预测较合理。     

国内生产总值预测--基于ARIMA模型的实证分析

该文基于ARIMA模型在分析预测不平稳时间序列的独特优势,根据1978-2013年的国内生产总值对2014-2016年的国内生产总值进行预测,预测结果一方面表明模型ARIMA能够很好地拟合我国GDP走势,ARIMA模型是一种精度较高且切实有效的方法模型,另一方面表明我国经济走势较好,这不仅有助于政府制定更加贴合实际的经济金融政策,而且有助于投资者选择更优的个人投资计划。     

基于时间序列的呼叫中心话务量预测

根据呼叫中心的话务量时间序列,对比研究了趋势外推法、平滑预测法与ARIMA模型法等话务量预测技术,并结合实际历史话务进行了相关验证,得出基于Holter-Winter非季节模型与ARIMA模型的预测方法可以对企业呼叫中心的话务进行较为准确的预测的结论．     

基于ARIMA模型的安徽省城镇化水平预测研究

城镇化发展水平同一个地区经济发展水平、政府政策制定与实施密切相关.运用时间序列理论,以ARIMA模型为重要分析工具,选取安徽省1955-2014年城镇化水平数据,利用EViews软件拟合了ARIMA模型并对未来安徽省城镇化水平进行了短期预测.结果表明,ARIMA(1,2,1)模型通过了参数显著性检验和模型显著性检验,模型的拟合效果良好,并且安徽省城镇化水平短期预测精度高.模型预测结果表明,安徽省未来城镇化发展势头较好.     

两种短期电力负荷预测模型的比较

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作,电力负荷是影响电网寿命和可靠度的一个重要因素。结合某省电网近五年来总电力负荷数据,对电力负荷数据进行分析与预处理,分别运用ARIMA模型与灰色GM（1,1）模型针对该省的电力总负荷分别做未来3天和10天两种情况下的短期预测,重点比较了所用两种方法的优缺点和精准度,得到3天的预测精度上GM（1,1）模型效果高于ARIMA模型,10天的预测精度上ARIMA模型相对较好。     

基于ARIMA模型的河南省能源需求量预测

利用ARIMA模型对1979—2009年河南省能源需求总量数据进行分析,结果表明河南省能源需求总量在做短期预测时ARIMA（2,2,4）模型是合理的,此模型可为河南省制定节能政策用提供可靠依据。     

基于ARIMA-GARCH模型的城市主干道行程时间时变置信区间预测(英文)

为了提高行程时间预测的可靠性,构建了自回归综合移动平均与广义自回归条件异方差性(ARIMAGARCH)模型进行城市主干道行程时间动态置信区间预测,其中ARIMA模型作为GARCH模型的均值方程用于捕获行程时间均值,GARCH模型用于捕获行程时间条件方差.运用昆山市交通监测系统中采集的实际交通流数据进行验证和评估.结果表明,相较于传统的ARIMA模型,提出的方法虽然不能显著提升行程时间均值的预测性能,但是在行程时间波动性预测方面具有较大的优势.该方法可捕获行程时间异方差,从而能够预测出比ARIMA模型预测的固定置信区间更能反映行程时间观测值波动性的动态置信区间.     

SPSS预测模型在商场中的应用

探讨了SPSS 12统计软件包中回归、指数平滑及ARIMA(自回归求和移动平均)等时间序列分析模块的建模及预测方法。根据金星商场1997年～2005年，1～12月的销售历史资料，建立对数模型、指数平滑模型和ARIMA乘积模型，并对三的预测结果进行比较分析，给出了平均相对误差。得出ARIMA乘积模型误差最小，它适于对有趋势性和周期性的观察数据进行预测。SPSS12统计软件包时间序列分析模块操作方便，在商场统计预测中有广阔的应用前景。     

我国城市化水平的时间序列分析

本文利用Box-Jenkin的随机时间序列ARIMA(p,d,q)模型分析法,通过特点的数据处理方式,建立了我国城市化水平的ARIMA(1,2,1)动态预测模型,预测了2006—2010年我国的城市化水平,提出要不失时机地采取相关措施,创造一定条件促进城市化的持续健康稳定的发展的四点建议。     

开封市旅游创汇收入预测模型分析

文章在分析1999-2009年开封市旅游创汇收入额年度数据的基础上,建立了旅游创汇收入额的ARIMA（p,d,q）模型。结果表明,ARIMA（1,1,1）模型提供较准确的预测效果,可以用于未来的短期预测,并为开封市入境旅游的政策和规划提供可靠的依据。     

组合模型在我国GDP预测中的应用

将组合预测法应用于我国GDP的预测,以提高预测精度。通过赋予合理权重,将指数平滑模型、拟合模型、ARIMA模型和支持向量回归模型加权组合。对各模型进行平均绝对百分误差(MAPE)、均方根误差(RESE)和希尔不等系数(Theil IC)等指标的比较,证明单一模型经过组合能够提高预测精度。     

供应商管理库存和牛鞭效应

研究了发生在供应链中订货的牛鞭效应和安全库存放大问题, 其需求模型是ARIMA(0, 1, 1), 而所用的预测方法是简单的指数平滑. 在此基础上, 还研究了供应商管理库存计划如何确定减轻这样的负面效应, 并且给出了理论证明和数值解释, 结果表明在需求预测、安全库存水平等方面使用供应商管理库存的效果比没用供应商管理库存的要好.     

四川省社会消费品零售额的ARIMA预测模型

通过分析四川省2008年至2009年每月的社会消费品零售额,建立了ARIMA模型。借助于MAPE（平均绝对百分比误差）度量了模型的预测能力。其次,文章利用所建模型对四川省2010年每月的社会消费品零售额进行预测,并与其实际值进行比较。结果表明,模型的预测精确度非常高,适合于四川省社会消费品零售额的预测。最后,提出了一些相应的政策建议。     

ARIMA模型在居民消费价格指数预测中的应用

将ARIMA模型应用于居民消费价格指数的拟合和短期预测中,采用2001年1月至2013年10月中国居民消费价格指数的月度数据,借助EViews 6.0软件对数据进行拟合分析,建立了乘积季节ARIMA（5,0,6）（1,1,0）12模型,并讨论了模型的准确性,对未来中国居民消费价格指数进行了预测,该模型具有较高的理论与实际价值。