基于小波DGM(2,1)模型的我国进出口贸易额预测

我国进出口贸易数据序列呈波浪上升趋势,传统预测方法难以获得理想预测效果.小波变换可去除原始信号中的噪声,灰色DGM(2,1)模型适合波动时间序列的预测.运用小波变换和灰色DGM(2,1)模型相结合的方法预测我国进出口贸易总额,取得了理想效果,2017年的预测误差仅为3.4041％,比灰色GM(1,1)模型的10.8493％减小22.4853％,比普通灰色DGM(2,1)模型的15.8011％减小46.7771％.由模型预测得到2018年我国进出口贸易总额为4.378288万亿美元.     

基于ARIMA模型的天水市粮食产量预测与决策

根据天水市1978～2010年的粮食产量,建立了基于ARIMA（0,1,（2,11））的天水市粮食预测模型,模型拟合效果较好,最后用此模型预测了天水市未来3年的粮食产量,并对预测结果进行了分析,给出了相关建议．     

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。     

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.     

美国《1996年农业法》对中国粮食安全的影响

随着九十年代发达国家经济相继复苏及乌拉圭回合农业协议正式签署,发达国家尤其是美国的农产品出口有扩大的趋势.多年来美国粮食出口占世界粮食贸易的40%—50%,据经合组织预测,到2000年这一比例将达到59%①.与之相反,发展中国家由于人口增长快,工业化步伐加大,粮食需求增长高于粮食产量增长,使得粮食缺口扩大,贸易依赖增强.因此国际粮食市场的行情将     

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。     

2021年世界交通运输大会水运学部会议 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。     

基于分形理论的水上交通事故预测

为进行水上交通事故的预测与预警,分析将分形理论运用于水上交通事故预测计算的可行性.通过使用分形插值方法对离散的时间序列数据集进行处理,求取IFS迭代函数系及其吸引子,构建对于给定时间序列的预测模型.以我国水上交通事故近年来的统计数据为计算对象,预测未来几年内水上交通事故的发展趋势,验证该理论方法具有良好的宏观与微观预测性.     

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...