外汇汇率时间序列静态属性的抽取

为了能够使用现有的数据挖掘技术(例如粗糙集)对外汇汇率时间序列进行数据挖掘,必须从外汇汇率时间序列数据中抽取决定时间序列行为发展趋势的静态属性.针对外汇汇率时间序列的特殊性,给出了时间序列静态属性抽取技术的几个关键步骤,完成了从外汇汇率时间序列中抽取出静态属性,最后利用这些静态属性组成的数据库,实现了对外汇汇率时间序列比较准确的预测.     

外汇汇率时间序列静态属性的抽取

为了能够使用现有的数据挖掘技术(例如粗糙集)对外汇汇率时间序列进行数据挖掘,必须从外汇汇率时间序列数据中抽取决定时间序列行为发展趋势的静态属性.针对外汇汇率时间序列的特殊性,给出了时间序列静态属性抽取技术的几个关键步骤,完成了从外汇汇率时间序列中抽取出静态属性,最后利用这些静态属性组成的数据库,实现了对外汇汇率时间序列比较准确的预测.     

空中交通流非线性分形特征

为了给空中交通流建模与预测提供科学依据,建立4种时间尺度的时间序列,采用替代数据法进行了非线性检验,确定5 min尺度的时间序列作为后续研究对象;应用小波分解方法研究了时间序列的自相似性特征,通过R/S方法计算了全局和局部Hurst指数,研究了时间序列的长相关性特征;应用关联积分的二阶差分法计算了时间序列的无标度性区间;采用多重分形谱方法研究了时间序列的多重分形特征,应用Grassbeger-Procaccia （GP）算法计算了时间序列的关联维数. 研究结果表明:5 min时间尺度的时间序列具有非线性因素的概率为99.2%,其他3种时间序列的非线性尚不明确;从小波分解图可定性观察出时间序列具有较强的自相似性;全局Hurst指数为0.756 5,局部Hurst指数均大于0.5,表明时间序列具有长相关性;关联积分二阶差分法能够有效识别出无标度区间,说明时间序列具有无标度性,不同嵌入维数对应的无标度区间是不同的;多重分形谱图呈现钟型,说明具有多重分形特征;关联维数为6.89,表明至少需要7个变量才能清晰描述本时间序列对应的空中交通流.      

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

基于ARMA模型的经济非平稳时间序列的预测分析

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模型是适用于任何序列的发展形态的一种高级预测方法，它描述时间序列的动态性和发展变化规律．文中通过ARMA模型分析时间序列的随机性和平稳性，以一种商品月度销售额具体分析，用sas软件检验模型的可行性，并预测应用．结果表明．模拟值和真实值接近，在实际应用中预测值的准确对于指导商家的战略决策起重要作用．     

利用简化时间序列法预测公共交通客运量

在满足一定的前提下,时间序列法可以用于预测公共交通客运量;预测的计算过程可以采用excel等软件来辅助计算,也可以采用手算。在需要手算的情况下,将时间的年份序列进行简化,能够提高手算速度,有助于使用者更快地完成计算过程、得到同样的预测结果,并能有助于使用者更好地理解时间序列法的应用。     

基于ARIMA模型的外汇汇率时间序列预测研究

利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重要的现实意义。通过数据挖掘中的ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的预测能力。     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

仓储中心的动态规划选址及应用

针对静态选址模型没有考虑时间变化对选址决策的影响问题，提出应用动态规划的求解思想和方法，结合实例分析了在考虑时间因素时，企业如何作出规划期内选址决策的时间序列，对于租用公共仓储或合同仓储服务的企业更具有应用价值．     

基于时间序列的高速公路软基沉降预测研究

简要介绍了时间序列分析的基本原理、方法及其模型的建立,通过路基沉降监测实例对模型进行了检验,并对路基沉降趋势进行了预报。预报值与实测值的比较结果表明：时间序列模型具有较高的拟合精度和预报的可靠度,可用于描述路基沉降变化规律。     

基于ARIMA模型的全球跨国快递业务量预测

快递是交通运输行业中的新兴子行业,其发展具有长趋势性和短周期性。对全球跨国快递业务量进行分析和预测。数据来源是四大快递公司的季度跨国快递包裹量,跨度为2001年1季度至2010年4季度,考虑到原始数据为非平稳时间序列,运用时间序列分析方法中的ARIMA模型,对原始序列进行差分处理,根据自相关和偏相关函数的特性,确定模型中的各项参数,最终可以选择ARIMA(1,1,1)(1,1,1)4作为模型,该模型可以得到较为理想的结果。     

汽车道路随机不平顺的时序模型重构

汽车道路时域模型是基础性道路数据库的主体部分．基于道路频域统计数字特征或基于道路测量数据序列，用时间序列方法建立道路时域模型是一种有效且普适的时域道路建模方法．在对道路描述特征进行分析的基础上．给出了标准道路在指定功率谱密度下和非标道路在实测子样数据下两类不同道路模拟的技术路线．对时序道路建模过程、原理和应用进行了分析．得到了道路时域重构的AR和ARMA模型．仿真实例表明了时序道路模型重构的合理性和高效性．     

利用Fourier级数模型预测具有非季节性周期的时间序列

文中建立时间序列模型与Fourier级数模型的混合预测模型,使模型能够有效地对具有非季节性周期的数据进行预测。结果表明:模型能较好地反映数据的周期性,也有较准确的短期外延预测效果,但模型对奇异值的拟合和预测能力还须提高。     

短期货运预测模型研究

短期货运量的预测对于交通运输系统的运作与管理具有重要意义．本文将回归分析与时间序列分析相结合,提出一个带有回归项和时间序列误差项的回归-时序混合模型,用以进行短期货运量的预测．在对模型进行识别、初估计的基础上,采用极大似然方法进行参数估计,经反复拟合,并对模型进行相应检验,最后得到符合要求的拟合模型。应用此回归-时序混合模型进行月度货运量的拟合预测,并与多元线性回归模型和季节ARIMA模型的拟合预测结果相比较,表明回归-时序混合模型可以提高短期货运量的预测精度。     

基于列车运行安全的青藏铁路大风预测优化模型与算法

为减轻青藏铁路恶劣大风天气对列车行车安全的影响、对沿线风速进行准确地预测预报,运用时间序列法对格尔木-拉萨段16号测风站实测风速建立时序预测模型,并进行多步预测仿真计算.为提高时序预测模型精度,通过改进时间序列法建模流程,引进卡尔曼滤波智能算法,提出了2种适合于不同预测步长和精度的优化算法.预测实例表明:优化算法将时序模型的超前1步预测平均相对误差从4.89%降低为2.51%,超前5步预测平均相对误差从9.77%降低为5.62%,并明显改善了时序模型的预测延时现象.     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.