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.     

ARIMA模型在河南省GDP预测中的应用及SAS实现

本文介绍求和自回归移动平均模型ARIMA（p，d，q）的建模方法及SAS实现，将ARIMA模型应用于河南省历年GDP数据的分析与预测，得到较为满意的结果。     

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。     

基于时间序列模型的国民生产总值预测

本文基于中国统计局提供的1980年~2016年的国民总收入年度数据,分别构建了Holt指数平滑模型和ARIMA模型预测最近5年的国民生产总值。结果显示ARIMA时间序列模型具有更好的拟合和预测效果,可以为我国宏观经济的发展提供更好的参考。     

基于ARIMA模型的股票价格预测实证研究

<正>ARIMA模型常用来对时间序列做预测分析，而股票价格的预测一直是股民较为关注的问题，准确的预测股票价格有利于在变化莫测的金融市场上做出合理的决策。ARIMA模型通过对历史数据建模，拟合时间序列数据的变动规律，进而预测未来股票的变化。本文选择深信服科技2021年所有交易日的股票收盘价数据，用ARIMA模型拟合其变化规律，最后对短期内的深信服收盘价进行预测。     

西藏地区GDP发展的趋势性研究——基于ARMA模型的预测分析

基于经济高质量发展的理论分析框架,以西藏地区1978—2018年的GDP时间序列数据为研究对象,对未来十年西藏地区的GDP发展情况进行研究。首先,对GDP序列作取对数和一阶差分处理,得到相关性极强的平稳时间序列数据;其次,采用ARMA模型对处理后的序列进行拟合,并根据拟合优度、DW检验、AIC准则和SBC准则选取相对最优模型;最后,从样本序列的正态性检验和残差序列的正态性检验与白噪声检验证明了估计结果的稳健性,并采用建立的ARIMA(4,1,2)模型预测西藏未来十年GDP的发展趋势,为政府作出经济发展方面的规划提供理论支撑和依据。     

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。     

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。     

ARIMA和SVR应用于供水管网爆管识别的对比研究

以真实城市供水管网监测数据为研究对象,构建了 ARIMA模型和SVR模型2种典型的时间序列预测模型.在正常和发生爆管2种不同工况下分别基于历史数据进行预测.对预测结果进行对比分析得到,ARIMA模型和SVR模型在正常工况下的精度相近,但SVR模型在爆管发生时的预测结果能产生更大的残差,相较于ARIMA模型更适合于数据驱...     

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。     

ARIMA模型在贵州GDP中的应用

GDP作为宏观经济中最重要的一个指标,本文试图以贵州省1950～2006年GDP作为时间序列,建立ARIMA模型来揭示贵州GDP的增长变化规律。     

ARIMA模型在贵州GDP中的应用

GDP作为宏观经济中最重要的一个指标,本文试图以贵州省1950～2006年GDP作为时间序列,建立ARIMA模型来揭示贵州GDP的增长变化规律.     

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。     

ARIMA模型在贵州GDP中的应用

GDP作为宏观经济中最重要的一个指标，本文试图以贵州省1950～2006年GDP作为时间序列，建立ARIMA模型来揭示贵州GDP的增长变化规律。     

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。     

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。     

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。     

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。