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。     

应用时间序列对高速路面性能评价指标的预测研究

探讨应用ARMA模型拟合时间序列的方法,并将其应用于路面性能预测,为路面养护管理部门提供决策依据.利用SPSS软件对某高速2001年～2008年的路面性能评价指标PCI的调查数据进行建模,并利用所建模型对2009年PCI进行预测,将预测值与实际值进行比较.ARMA(2,2)模型较好地拟合了既往时间的PCI序列,其对20...     

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。     

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.     

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.     

基于时间序列季节分类模型的轨道交通客流短期预测

轨道交通客流的分析中,数据季节性特征对客流预测的有效性存在显著影响.通过分析轨道交通客流曲线,发现轨道交通客流呈现出季节性特征;针对这种特征,提出基于季节分类模型的轨道交通客流预测方法.根据客流季节特征建立季节分类模板和季节时间序列;采用乘法季节自回归差分滑动平均模型建立客流季节分类模型;使用季节分类模型预测对应类型日期的客流.实验表明:季节分类模型既能有效预测轨道交通客流,又能较好地避免预测误差波动性问题.     

基于时间序列神经网络的气象预测研究

月平均气温是气象的主要特性参数，也是影响气候变化的重要因素．文中配合实例介绍了一种基于时间序列的人工神经网络学习算法的流程，给出了该算法的实验结果并对不同情况下的结果作了比较，同时就在实现该算法的过程中所出现的问题以及解决方案进行了阐述．员后提出了将L—M神经网络与时序分析方法相结合的设想．     

基于改进ARMA模型在地铁基坑变形预测的应用研究

在基坑施工过程中为保证地铁及其周边建筑物的安全,地铁基坑的变形预测变得越来越重要.AR-MA模型作为一种时间序列分析模型,在地铁基坑监测序列中常常表现出较大的趋势项,降低了ARMA的预测精度.基于BP神经网络良好的拟合能力,提取基坑监测序列的趋势项,将剩余项建立ARMA模型,对基坑监测序列进行高精度的变形预测.改进AR...     

混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

基于灰色理论的点速度预测模型分析

利用灰色系统理论,建立快速路地点车速预测的GM（1,1）灰色预测模型,对点速度进行预测,并结合实例应用和验证,预测结果和实测结果较好的吻合,精度较高,表明灰色预测方法的可行性,而且方法简便。     

基于背景值修正的协同预测模型

斜坡岩体变形到滑坡的发生,实质上是由组成斜坡的各子系统协同作用的结果.通过将协同学引入斜坡的稳定性预测评价中,提出了协同预测模型[1].而背景值公式是影响该模型预测精度的关键因素之一,传统的背景值公式实际是采用梯形公式近似的计算曲线所围成的面积,经研究则通过曲线函数积分的方式对协同预测模型中的背景值进行了修正,使其计算的面积更加的接近实际值,以提高原有协同预测模型的精度和预测的准确性.并以甘肃省永靖县黄茨滑坡为实例进行了检验,其绝对误差减少了2d2h,相对误差减小了2.7%,充分说明改进的预测模型用于滑坡短期预报的有效性、可行性,而且修正后模型所需位移数据时间间隔较大,在一定程度上节省了监测数据所需的费用.     

基于组合模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量的历史数据.分别利用三次指数平滑法、灰色GM(1,1)模型以及组合预测方法对集装箱吞吐量进行探讨,有益于预测未来几年港口集装箱吞吐量.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值都小于单独用三次指数平滑法或GM(1,1)模型时的平均绝对误差、平均相对误差绝对值,达到最优的精度等级.     

基于组合模型的港口集装箱吞吐量预测

根据港口集装箱吞吐量的历史数据,分别利用三次指数平滑法、灰色CM（1,1）模型以及组合预测方法对集装箱吞吐量进行探讨,有益于预测未来几年港口集装箱吞吐量。结果证明：组合预测模型融合了前两种预测方法的优点．其平均绝对误差、平均相对误差绝对值都小于单独用三次指数平滑法或GM（1,1）模型时的平均绝对误差、平均相对误差绝对值,达到最优的精度等级。     

基于无偏灰色马尔科夫模型的客流量预测

为合理制定城市轨道交通列车开行方案,同时为城市轨道交通公安机关布置警力提供科学依据,采用无偏灰色马尔科夫模型进行客流预测。分析灰色GM(1,1)模型和无偏灰色GM(1,1)模型的基本特点,在此基础上构建马尔科夫模型。以郑州地铁1~#线2017-02-03—02-18每日客流量为基础,分别利用无偏灰色GM(1,1)模型和马尔科夫模型计算客流量,并对预测结果进行检验对比。结果表明:马尔科夫模型较无偏灰色模型对客流量的预测精度提高54%。利用马尔科夫模型对未来3d的客流量进行预测,预测结果符合城市轨道交通客流的实际情况。     

基于组合预测模型的轮轨力连续测试

为了精确判断车辆的运行状态,提出了一种轮轨力连续测试方法.根据轮轨相互作用的特点,采用阈值判断法从测试数据中提取轮轨力的有效信息.针对轮轨力测试系统的时变性和不确定性,将动态测试序列作为灰色过程处理,提出用灰色理论对轮轨力进行连续测试.为了提高预测精度,结合遗传算法和神经网络对传统的GM(1,1)模型进行改进.建立了10个预测模型分别进行预测,然后将精度较高的预测值输入串联灰色神经网络进行二次预测,以提高预测精度与稳定性.将这10个预测模型应用到轮轨力连续测试中,结果表明:灰色系统、遗传算法与神经网络三者的组合模型具有较高的精度,平均相对误差不超过2%,满足轮轨力连续测试的要求,并且能够降低传感器失效对测试结果的影响.     

基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。     

基于AM-MCMC算法和Nash模型的概率洪水预报

贝叶斯理论不仅可与任一确定性水文模型协同工作实现概率洪水预报,而且还可以通过综合参数的先验信息和样本信息来研究指定参数的不确定性.由于难于求得参数的贝叶斯后验密度解析式,采用改进的基于自适应采样的马尔可夫链蒙特卡罗算法(AM-MCMC)求其数值解的方法.经实例应用,得到了长江三峡地区沿渡河流域Nash模型参数k,n的后验分布,实现了该流域的概率洪水预报,同时给出了各时刻洪水流量的均值和方差的预报值.     

基于BP神经网络的CPI预测模型

采用归一化数据处理方法,选择神经网络的训练样本,利用神经网络的结构特性及Matlab的人工神经网络工具箱,建立基于BP神经网络的CPI预测系统的数学模型.利用该模型对2008年山东省居民消费价格指数进行预测,通过前4个月的数据分析,模型的预测值与实测值的误差为0.91%.     

基于层次结构模型的RBF神经网络货运量预测方法

为了有效地进行交通货运量预测,通过对货运量影响因素的分析,建立了关于货运量影响因素的层次结构模型,并根据该模型构建基于RBF神经网络的货运量预测方法。用我国1985~2004年的货运量对该神经网络进行训练和预测,同时与BP神经网络预测方法进行比较。结果表明,该方法具有更快的运算速度和更高的精度,具有很好的预测能力和应用价值。