基于GARCH的短时风速预测方法

为提高高速列车运行的安全性,基于线性递归的差分自回归移动平均模型(auto-regressive integrated moving average, ARIMA)和非线性递归的广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic, GARCH),提出一种组合模型ARIMA-GARCH进行高速铁路强风风速的短时预测.首先对数据的非平稳性进行预处理,以降低数据非平稳性对所提模型的影响;其次建立线性递归的ARIMA模型对数据进行分析和预测;最后,引入非线性递归的GARCH模型对数据进行分析和预测.基于现场测量的样本仿真分析表明:相比原始数据,ARIMA-GARCH模型的预测精度较高且随着预测步长的增加,平均绝对误差仅从0.836 m/s增加到1.272 m/s;ARIMA-GARCH模型考虑了异方差这一非线性特性,其预测精度明显好于线性的ARIMA模型,其中超前6步预测的平均绝对误差精度提高11.54%.      

基于模型优选及融合的高教园区出行生成预测方法

为了提高高教园区出行生成预测数据的可靠性,提出了一种基于模型优选及融合的出行生成预测方法。根据选取的模型评价指标,借助ELECTRE方法对区域出行产生模型进行优选,利用证据理论方法,对优选模型的权重进行标定,最后借助标定后的权重对区域交通生成量进行数据融合预测,并与实际结果进行了对比。分析结果表明:多模型融合预测相对误差在10%以下,预测结果与实际情况非常接近,该预测方法有效。     

基于改进灰色Markov模型的建筑物沉降量预测

为了对地铁车站深基坑施工过程引起的周边建筑物沉降进行预警,利用改进的灰色Markov模型,预测地铁车站施工过程中周边建筑物的沉降量。首先,基于实测数据,采用改进的灰色模型对建筑物沉降趋势进行预测;其次,将实测数据与预测数据的相对误差作为Markov误差修正的初始数据序列,进行状态区间划分并结合Markov转移概率矩阵和误差修正公式对预测数据进行修正,确定最终预测值;最后,基于小误差概率、后验差比值和相对误差分析,对改进后的灰色Markov模型与改进的灰色模型的预测精度进行对比分析与评价。研究结果表明：与改进的灰色模型相比,改进的灰色Markov模型预测的相对误差从4.2%降到2.1%。     

道路交通事故的灰色马尔科夫预测模型与算法

将灰色模型与马尔科夫链结合,建立了针对道路交通事故预测的灰色马尔科夫模型.既可以发挥灰色系统预测精确的特点,又可以利用马尔科夫链对准确预测波动性数据的优势.在灰色马尔科夫链模型的算法基础上,进行灰色马尔科夫链预测系统的设计.用我国道路交通事故次数的数据进行预测验证.结果表明.灰色马尔科夫链模型能很大的提高预测的精度和效果,符合实际要求.     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

基于加权马尔科夫-ARIMA修正模型的区域物流需求预测

为准确预测区域物流需求,采用自回归移动平均(autoregressive integrated moving average, ARIMA)模型建立具有线性关系的时间序列,考虑时间外的非线性影响因素,基于加权马尔科夫模型修正残差状态,构建加权马尔科夫-ARIMA模型,以我国1990—2021年月度货运周转量为物流需求数据来源,验证加权马尔科夫-ARIMA模型的预测精度。结果表明：单一ARIMA模型和加权马尔科夫-ARIMA模型对12期货运周转量预测结果的平均绝对百分误差分别为3.15%、2.22%,后者的预测精度优于前者。     

灰色马尔可夫模型在交通事故预测中的应用

采用传统灰色GM(1,1)模型预测道路交通事故这类随机性、波动性较大的数据,存在拟合较差、精度不足等问题。运用马尔可夫模型对预测结果进行优化,并建立灰色马尔可夫预测模型。将该模型应用于1998~2007年全国道路交通事故数据来预测2008年事故次数,结果表明采用该模型预测精度达到96.9%,明显优于单独使用GM(1,1)模型的预测结果。     

大规模铁路运量分布研究

探讨了大规模铁路运量分布研究中的几个问题：分布模型的选择、数据的预处理及在对某些品类货物预测时稀疏矩阵的赋值等。分析及实际计算表明，改进后的增长系数模型和物理类比模型较适合于大规模铁路区域ＯＤ流分布预测；对预测运量数据进行数值分解和迭加，可以较好地处理计划性数据，从而提高预测精度；预先对大规模稀疏ＯＤ矩阵零元素赋微量值，从计算的角度看可行，但是也掩盖了局域网络的实际不平衡。     

西安市出生缺陷趋势数学模型预测研究

目的采用灰色预测模型、ARIMA自回归移动平均模型和NAR非线性自回归动态神经网络模型分别预测西安市出生缺陷率,探索出生缺陷的流行趋势和可能的未来走向。方法对2003-2015年在西安市各级开设产科的医疗保健机构出生的孕28周至生后7 d所有围产儿进行出生缺陷监测并收集资料。用2003年10月至2015年9月出生缺陷监测数据对西安市出生缺陷发生率数据分别构建数据模型,将同时期实际出生缺陷发生率与模型拟合数据进行比较,评价模型的预测性能,并预测西安市2016至2017年每季度出生缺陷发生率。采用Excel软件进行数据录入,SPSS 16.0软件包进行统计学分析,Matlab软件进行灰色模型预测和神经网络模型预测,ARIMA自回归移动平均模型使用R软件进行预测。结果灰色预测模型提示2016至2017年度西安市各季度出生缺陷率(‰)分别为9.62、9.67、9.72、9.77、9.82、9.87、9.92、9.97,呈缓慢上升趋势。ARIMA模型预测显示2016至2017年度西安市各季度出生缺陷率(‰)分别为11.98、12.83、11.28、11.78、12.23、11.73、11.80、12.00,仍在较高水平相对狭窄的区间波动。NAR神经网络模型预测西安市出生缺陷率(‰)为13.24、17.91、10.55、16.08、16.47、9.42、11.99、11.68,在2016年到达出生缺陷率峰值,2017年相比2016年开始出现下降。比较3种模型对出生缺陷发生率的发展趋势预测,灰色预测模型、ARIMA模型、NAR模型的均方根误差分别为1.353 009、1.181 373、0.555 347。结论 NAR模型对出生缺陷数据预测更可靠,ARIMA模型次之,灰色预测模型误差相对较大;加强出生缺陷的预防和控制工作仍然是今后较长一段时间的公共卫生重点工作。     

预测路基沉降的一种新模型

大量的工程实践表明,多级加载的施工方法使路基沉降曲线呈“台阶状”发展。结合相对时间坐标系的概念,提出了一种改进的指数预测模型及其分级预测方法,并对双曲线模型进行了推广。改进的模型比原模型少一个参数,更适合于荷载恒定期的沉降预测,特别是工后沉降预测。应用改进的模型对苏嘉杭高速公路近三年的工后沉降观测数据进行了拟合和预测,验证了拟合和短期预测的精度,并对两种模型的中长期预测值进行了比较。     

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。     

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上, 应用BP神经网络对时间序列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.     

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．     

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.     

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．     

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。     

基于SARIMA 模型的北京地铁进站客流量预测

通过对北京地铁2013 年5 月~7 月的进站客流量数据进行详细分析,总结北京 地铁进站客流量以周为周期的波动规律,选用季节时间序列（SARIMA）模型对北京地铁 进站客流量进行时间序列建模.利用符合要求的模型对北京地铁进站客流量进行预测,预 测结果能够较准确地描述北京地铁进站客流量的变化趋势,平均误差为0.3%.说明此模型 适用于地铁进站客流量的短时预测,基于预测结果进一步分析北京地铁进站客流量的特 点,为进一步优化进站设施布置、组织进站流线、高效安全的地铁运营组织提供参考建议.     

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．     

�����ƽ˳ʱ�����й����ȼ���仯�����о�

轨道几何形状检测数据是一个随时间变化具有随机特征的时间序列,反映轨道几何状态的变化.在本文中,灰色关联度理论用于研究轨道水平不平顺时间序列数据,挖掘时间序列数据之间隐含的关系;经过普遍适应性改进和残差修正改进的灰色GM（1,1）模型预测固定测点轨道不平顺长期状态变化趋势,随机线性AR和卡尔曼滤波模型分析单元区段轨道不平顺短期变化趋势,探索轨道状态变化随机数据序列中隐藏的规律并进行预测.短期和长期预测模型验证结果表明,三种模型是有效的,能够达到预期的精度.