天然气产量季节预测模型的比较与选择

随着气田企业规模的扩大和竞争的加剧,需要建立一套完整的短期天然气产量预测方法及模型,以预测未来的产量发展趋势,故提出三种基于时间序列预测模型:布朗指数平滑法(Smooth)、季节系数法时间序列的预测、用于时间序列的灰色系统预测方法.但是普通时间序列预测模型的参数难以估计并且模型较难预测具有季节特征的时间序列问题,根据天然气产量的季节性、周期性特点,实验结果表明:季节系数法时间序列的预测能够对带有季节特征的历史数据进行有效预测,对进行气田企业的安全生产都具有一定的理论和实践价值.     

税收收入预测的时间序列方法选择

税收是国家财政收入的主要来源,能否准确地预测税收收入对于制定国家财政预算具有重要意义.文章以中国2001年至2007年的税收收入数据为基础,分别采用传统时间序列分析方法和Box-Jenkins的方法建立了中国月度税收收入的时间序列预测模型.该模型可用于对未来短期情况的预测,同时说明有时在进行预测时传统方法除了操作简便外,精度也更高一些.因此,在建模时,要通过对几个不同模型的比较,找出数据规律,确定最优的模型.     

新型模糊时间序列模型与应用

为了提高模糊时间序列的预测精度,文章利用小波分析多尺度分解方法,选择适当的小波函数,把一维数据分解为低频逼近部分和高频细节部分,在低频部分和高频部分根据各自数据特征利用模糊C一均值聚类算法分别建立模糊时间序列模型并预测,然后把每个部分的预测值根据小波重构得到最终预测结果.通过对国家财政收入实例验证对比发现,该模型在预测精度方面有较大提高.     

我国CPI季节调整模型预测

文章基于考虑春节效应的X-12-ARIMA季节调整模型,对我国2002年1月至2013年12月的CPI序列月度数据进行季节调整,并进行季节波动性分析及短期预测.实证结果表明:我国的CPI变动存在明显的季节性特征,春节效应对其有显著影响;CPI序列的短期波动主要是受季节性成分影响,而长期波动主要受趋势-循环成分影响;利用该模型进行短期预测效果较好,预测误差绝对值控制在1.5％之内.     

在线预测的灰色支持向量回归方法

文章采取灰色系统和支持向量机相结合的方法,从预测精度和计算代价两方面讨论了经济时间序列数据的在线预测模式,提出了灰色自适应在线支持向量回归预测模型。两个经济时间序列的试验结果表明：该模型以稍高的计算代价能获得预测精度的明显提高,在选取合适灰色建模数据长度下,预测时间能迅速减少。     

近似非齐次指数增长序列的间接DGM（1,1）模型分析

DGM（1,1）模型对近似齐次指数增长序列具有较高的预测精度,而实际上服从近似齐次指数增长规律的数据序列十分有限。根据灰色系统理论的差异信息原理,通过原始序列的累减生成将近似非齐次指数增长序列转化为近似齐次指数增长序列,对累减生成序列建立DGM（1,1）模型,并在此基础上实现对原始序列的还原以达到数据模拟及预测之目的。因原始序列的累减生成最大可能地满足了建模序列的齐次性要求,提高了模拟及预测精度,拓展了模型的适用范围,故通过算例验证了此种改进方法的简单性、实用性及有效性。     

基于数据变换和背景值优化的GM(1,1)模型

文章为了提高GM(1,1)模型的预测精度,提出一种基于数据变换和背景值优化的GM(1,1)模型.考虑通过弱化缓冲算子得到原始数据序列的缓冲序列,并对缓冲序列进行对数变换,而后对GM(1,1)模型的背景值进行优化.实例结果表明新建GM(1,1)模型降低了误差,提高了预测精度.     

时间序列和神经网络的组合预测及其应用

近年来各种预测方法中,时间序列是线性模型中精度比较高,应用较广的模型之一;而在非线性类中,神经网络模型是典型的非线性预测.建立时间序列和神经网络的组合预测模型可以有效的反映各种因素的综合影响,组合预测理论已经证明多种模型的线性组合在一定的条件下能够有效的改善模型的拟合能力和提高预测精度.本文采用线性组合预测方法,应用线性规划方法,从而在预测中得到比单项预测方法更好的科学预测结果.     

基于傅立叶级数和模糊马尔可夫链的小样本时间序列建模方法

为克服传统时间序列预测方法在处理小样本数据方面的不足,文章引入傅立叶级数和模糊马尔可夫链方法,并结合灰色GM(1,1)模型对小样本时间序列数据进行动态建模。实例结果表明,预测方法与传统的时间序列预测方法相比,具有较高的预测精度,说明该方法对于小样本时间序列的预测是有效的。     

改进的初值和背景值优化的MGM(1,m)模型及应用

针对传统的MGM(1,m)模型存在模拟精度和预测精度不高的问题,文章给出了改进的初值和背景值优化的MGM(1,m)模型。在模型初值的选取上,选取使得模拟值的平均相对误差达到最小的向量X(1)(i)作为初值;在模型背景值的构造上,提出结合辛普森3/8公式的动态序列模型来求解背景值的方法。最后以两组指数型数据序列为例建立了传统MGM(1,2)模型及改进后的模型,并进行数据模拟和预测。结果表明,改进后的MGM(1,m)模型的模拟精度和预测精度均有显著地提高,从而验证了模型的有效性和可行性。     

基于ARIMA模型的城市网格化管理预测与仿真

文章对城市网格化管理问题进行了研究,基于网格化问题数据的时间序列特征的归总,利用了标准化时间序列模型ARMA族进行分析,并以AR,MA模型为比较基础,进而对选定的ARIMA模型预测结果进行精度比较测试.研究发现,时间序列模型对城市网格化管理问题的预测精度较高,而网格化管理本身对于城市建设与管理和城市决策的资源整合具有相当重要的意义.     

卡尔曼滤波在高频金融时间序列模型预测中的应用

时间序列模型在预测中占有重要的地位,其固有的系统误差性往往对预测精度产生负面影响.文章以沪深300指数为研究对象,通过时间序列模型得到预测方程,并以此为基础推导出卡尔曼滤波的状态方程和测量方程,利用卡尔曼方程对预测结果进行修正.结果表明,卡尔曼滤波对时间序列模型的预测有优化作用,可以提高预测的精确度.     

基于反三角函数变换的振荡序列灰色预测模型研究

为了拓展灰色预测模型的应用范围并提高其预测精度,文章针对带有振荡特征的数据序列构建了灰色预测模型.由于振荡序列中参数有正有负并呈周期性变化的规律,如果直接利用各类GM(1,1)模型建模效果并不好.文章使用反三角函数数据生成方法,使带有振荡的数据适合应用灰色预测理论;并对其进行了建模和实例分析.研究结果表明了所提出的灰色模型的有效性和适用性.     

基于 GM(1,1) 的三角模糊数序列的预测

文章针对现实中一些定性描述的序列,以及取值不确定的灰数据序列的预测问题,提出了基于GM(1,1)模型的三角模糊数序列预测的概念,对那些非精确量化的数据序列用三角模糊数来表示;再把该三角模糊数表示为对应的非模糊数,从而得到一个新的数据序列;然后再结合灰色系统的一些理论方法,对这个新的非模糊数数据序列进行预测。将该方法应用于我国古代人口数据的实证预测中,得到的预测精度较高,预测结果可为决策部门提供相关的决策依据。     

基于季节SVR的节假日旅游客流量预测

准确的节假日客流量预测对旅游景区至关重要,然而受各种因素影响,节假日客流量呈现复杂非线性特点和典型季节性趋势.为了解决这种非线性和季节性问题,文章建立基于季节调整的支持向量回归模型(SSVR),并用某风景区2008～2011年节假日的日客流量验证模型的有效性.研究结果表明,SSVR预测节假日客流量效果良好,预测精度优于SVR和BPNN方法.     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

基于奇异谱分析的汇率预测研究

文章详细介绍了奇异谱分析(SSA)这种用于处理时间序列数据的方法,并用其对欧元兑美元汇率进行了分析和预测。将预测结果与随机游走模型进行比较的结果表明,该方法优于随机游走模型,且预测精度较高。     

股指期货预测模型构建及其应用效果分析

文章选择股指期货价格以及基差预测这一理论界和实务界共同关心的问题为研究对象,使用香港恒生期货数据为样本,分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析,并利用预测误差检验量对模型样本外的预测效果进行了实证研究.结果表明,ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势,达到了预测目的;ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势.     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

基于区间灰数与离散灰数双重异构序列的预测建模方法研究

系统变化的复杂性导致了系统行为数据的不确定性与异构性,面向多源信息的数据集结导致了表征系统变化规律的灰色异构时序数据的产生。对面向区间灰数与离散灰数的双重异构数据序列预测建模方法展开研究,通过对区间灰数均匀分割处理,得到与离散灰数灰元数量相等的次级区间灰数,进而实现了灰色异构数据的"同质化"转换;在此基础上构建了面向异构数据序列的灰色预测模型,并应用该模型实现了大桥沉降量的有效模拟与准确预测。研究成果对拓展灰色预测模型应用范围具有积极意义。