基于神经网络的多维时间序列预测预报方法

1 引言时间序列就是一列随时间变化的数,它是对客观事物的一种描述,属于时域分析的范畴。我们研究时间序列的目的,就是要对时间序列建立一个参数模型,用于描述事物发展的变化规律。定义1:时间序列{x(t)}是一个t∈Z的实值向量随机变量,其中Z表示整数集。在定义1中,如果x(t)∈R~1,那么{x(t)}就是一维时间序列,所建立的模型称为一维时间序列模型;如果x(t)∈R~(?),那么{x(t)}就是r维时间序列,所建立的模型称为r维时间序列模型。 Box和Jenknis首先成功地建立了一维时间序列模型。近年来Tong也在这方面做了许多很有影响的工作。通过许多人的努力,使得一维时间序列模型,如ARMA模型等都能较好地应用于实际预测工作。一个一维序列{x(t)}的(p,q)阶ARMA模型     

山区年降水量的时空分布特征研究

以浙江省仙居县水文站为基本站,对仙居县内17个水文站和括苍山气象站的年降水量进行了时间序列订正,建立了17个水文站和括苍山气象站年降水量的时间序列订正模型。并分析了仙居县各降水量测站历年平均降水量的时间分布特征。将仙居县各降水量测站历年降水量数据与GPS实地调查所得到的各测站的经度、纬度和海拔高度数据结合起来,进行多元逐步回归分析,建立仙居县年降水量空间分布模型。其次,利用1：10000仙居县的地形图建立1：10000高空间分辨率的数字高程模型（DEM）。从中得到经度、纬度和海拔高度栅格数据,并结合仙居县年降水量空间分布模型,利用GIS的空间分析技术得到了仙居县年降水量空间分布特征,并制作了仙居县年降水量的空间分布图。     

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。     

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。     

我国香港同胞在京旅游人数的统计分析

文章利用时间序列方法,通过对2001年至2008年各月的香港同胞在京旅游人数建立一个时间序列模型,并对该模型进行适应性检验,再利用该模型对未来我国香港同胞在京旅游人数的发展趋势进行预测,并提出相关的建议。     

ARMA模型在金融机构现金收入中的应用

ARMA模型是一类常用的随机时间序列模型,它是一种精度比较高的序列短期预测方法,本文主要是通过分析数据的特征,建立一个合理的ARMA模型,利用这个模型对我国经济进行合理的预测.     

多元线性回归与时间序列模型在股票预测中的应用

根据上证00001股股票的日线数据,建立多元线性回归和时间序列的预测模型,在对未来数据未知的情况下,利用R语言分析软件预测得出多元线性回归模型和时间序列模型中的回归参数,并评估模型精度。计算结果显示,模型的拟合精度较高,可以较好地拟合该股票数据。     

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     

时序回归GM-SVM模型研究

针对单一预测模型都存在各自优缺点的问题,本文提出时序回归GM-SVM模型,以达到最优的变形预测效果。首先对灰色模型中的灰参数导致的时间序列残差进行研究,形成时间序列模型,根据时间序列模型对其残差进行最优化设计,获取时间序列估计模型,并将该模型与支持向量机进行无缝融合以建立新的预测模型,然后根据该预测模型对观测的大坝变形影响因子进行训练和预测,并将预测结果与实际的变形值进行对比分析,经过实例分析确定该模型的预测结果更加接近实际观测值,说明该模型更加适用于基于大坝变形影响因子的变形分析。     

基于MMFA模型的河流封冻日期预测

介绍了均值生成函数这一时间序列中的概念,并经过主成份分析,建立了时间序列模型与预测的数学模型(简称MMFA)。     

我国“七五”期间煤炭产量预测

一、预测模型的建立灰色系统预测理论的实质在于对已有的一组时间数据序列灰色量进行某种处理,并以某一数学模型模拟这一组时间序列,得到一个初等模型,即预测模型。建立煤炭产量灰色预测模型的过程可分为三个步骤。     

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。     

卫星钟差数据的时间序列分析建模及异常值探测

对卫星钟差进行预报,需要建立准确的卫星钟差模型.卫星钟差的时间序列建模就是一种有效的建模方法.但是时间序列中若含有异常值,就会使传统的建模、估计及检验方法陷入困境,从而不能准确的预测和控制.结合钟差实测数据特点,对卫星钟差数据进行时间序列建模并探测序列中的异常值,比较模型修正前后预报的结果,说明了建模的效果.     

对重庆市历年GDP的分析及预测

通过查阅1978年～2012年的《重庆统计年鉴》,得到重庆市1978年～2012年的GDP数据,运用Eviews7.0软件及时间序列分析方法对重庆市GDP的平稳性进行检验,根据时间序列模型的识别规则及ARIMA模型的建模方法,建立了ARIMA（1,2,0）模型,用该模型能描述重庆市GDP状况并作短期预测分析.     

用ARMA模型对我国GNP平减指数的短期预测

时间序列分析方法是经济领域研究的主要工具之一,它用合适的模型描述历史数据随时间变化的规律,并预测经济变量值,而ARMA模型是其中较为基础的一种。本文介绍了随机时间序列的统计预测方法,给出了ARMA模型的建立与识别过程,并进行参数估计和检验,以对我国未来短期内的GNP平减指数进行动态预测。     

股票价格的回归——马氏链分析与预测

本文将随机时间序列分解成趋势变动序列和马尔可夫链，建立了回归—马尔可夫组合预测模型，并对此模型编制成通用计算机程序，以此预测股票价格取到某个区间的概率分布、平稳分布，股票价格的均值以及股票价格的平均涨落时间     

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。     

登陆热带气旋时间间隔非规则性的初步研究

利用1950～2005年<台风年鉴><热带气旋年鉴>所给出的有关资料,对近56年来登陆我国热带气旋时间间隔的非规则性做了初步研究.先统计了每年热带气旋之间的时间间隔,得到56个时间间隔序列,然后做回归方程求趋势,将原序列减去趋势项,得到的剩余序列再做方差分析.结果表明每年的时间间隔序列存在一定的趋势,有的年份还存在周期.之后计算了时间间隔序列的关联维数,并建立自回归模型,采用选点法,对时间间隔序列进行预报及检验.     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

基于独立分量分析与小波神经网络的时间序列预测

对时间序列的预测是一项重要的数据挖掘技术。本文将独立分量分析方法和小波神经网络相结合,建立一种ICA—WNN预测模型,并应用于风力发电功率时间序列预测。仿真结果表明所建模型具有较好的泛化性能,得到了较高的预测精度。