ARIMA

摘要： ARIMA、LSTM等多种预测模型已在时间序列预测中得到应用,预测精度参差不齐。ARIMA、LSTM以及ARIMALSTM组合模型的预测精度仍有提升空间。为LSTM引入注意力机制形成AT-LSTM模型,将ARIMA的预测残差引入ATLSTM,进一步提高预测精度。利用不同的评估方法对混合模型进行评估,实验结果表明ARIMA和AT-LSTM组合模型的误差降低4倍,预测精度得到了提高。

摘要： 为了提高铁路货运量的预测精度,基于货运量线性和非线性的特点,选取中国铁路1980-2020年的货运量作为研究对象,提出ARIMA和BP神经网络的组合模型,基于简单加权和残差优化两种不同组合方法对铁路货运量进行建模分析,并与ARIMA、BP神经网络单一模型进行对比。实验结果表明,ARIMA-BP残差优化的组合模型结果精度较高,评价指标MAE、MAPE、RMSE分别为5 135.90、0.020 9、8 462.49。基于ARIMA-BP残差优化的组合模型实现了对货运量的较好预测,对铁路运输部门灵活制定相关政策具有重要意义。

摘要： 目的:预测2030年中国成年居民的畜肉平均摄入量。方法:以2000—2018年7轮分城镇和农村中国健康与营养调查(CHNS)中20岁及以上成年居民畜肉平均摄入量数据为基础,比较ARIMA、灰色模型和趋势外推法3种模型的精度,并对2030年我国成年居民畜肉摄入量进行预测。结果:城镇居民畜肉平均摄入量的拟合预测中,ARIMA模型的拟合精度和预测精度均优于趋势外推法和灰色模型。农村居民畜肉平均摄入量的预测,ARIMA模型的拟合精度优于趋势外推法和灰色模型;预测精度则为第二,略低于灰色模型,综合拟合精度和预测精度,ARIMA模型优于其他2种模型。ARIMA模型预测到2030年城镇居民和农村居民的畜肉平均摄入量将分别达到131.0、130.6 g/d,比2018年分别增加37.2%、43.5%,将高于膳食指南推荐量。结论:ARIMA模型对畜肉摄入量的长期预测效果最理想。依据预测结果,需采取措施引导居民适量摄入畜肉,以达到平衡膳食的目标。

摘要： 高炉炼铁是目前使用最广泛的炼铁方法,炉缸是高炉最重要的部位,使用中会发生剧烈的侵蚀和破坏,直接影响高炉的使用寿命。本文结合大数据技术,利用采集到的高炉热电偶实测数据,使用两点法对高炉炉缸进行传热学计算,得到原始数据集,建立了高炉炉缸内衬侵蚀状况的ARIMA时间序列预测模型。利用实测数据集,对预测模型进行了预测检验,证明了ARIMA时间序列预测模型的准确性和有效性,对企业高炉使用寿命的预测具有重要的参考价值。

摘要： 为提高港口货物吞吐量预测精度,建立了基于ARIMAX-SVR的组合预测模型。以天津港为例,选取1999~2018年货物吞吐量数据进行分析,首先运用BP神经网络补插缺失数据,然后通过Pearson相关分析筛选出影响货物吞吐量的主要因素;再在ARIMA模型的基础上建立了ARIMAX模型,为进一步提高模型精度,最后建立了SVR模型修正的ARIMAX模型。实证分析结果表明组合模型拟合精度更高,预测效果更好,适用于港口吞吐量预测并且模型具有一定的先进性。

摘要： 作为经济政策变动的风向标,全球经济政策不确定性(Global Economic Policy Uncertainty,GEPU)指数的动态走势对于经济政策的制定和调整具有重要的参考价值。然而GEPU指数动态路径的影响因素复杂多变,其数据生成过程难以在一个时间序列模型中得到准确的体现。基于“先分解后集成”的建模思路,首先采用经验模态分解(Empirical Mode Decomposition,EMD)方法将全球经济政策不确定性指数分解为若干相互独立、频率不同的可读信号,其次运用非平稳时间序列ARIMA模型对可读信号分别进行建模预测,最后集成各类可读信号的预测结果。在此基础上,进一步应用VAR模型考察了全球贸易、新冠肺炎疫情等因素对GEPU指数的动态影响。研究发现:(1)通过对训练组和测试组数据的预测值与真实值的对比,发现EMD-ARIMA模型对训练组和测试组数据的拟合精度均优于ARIMA模型;(2)与ARIMA模型相比,EMD-ARIMA模型能够解决由原始数据不确定性、非线性以及不稳定性所导致预测偏差问题,得到精度较高的预测结果;(3)全球贸易、新冠肺炎疫情等因素对全球经济政策不确定性均产生了显著的影响,EMD-ARIMA模型的样本外预测结果显示,GEPU指数在2021年7月之前呈增加趋势,2021年7月至12月逐渐趋于稳定。

摘要： 为研究民航旅客运输量的变化对航空公司、机场及相关民航运行保障单位的影响,以2007年1月-2019年12月的我国国内旅客运输量为原始序列,运用ARIMA模型对旅客运输量做出预测。模型对原始数据的拟合情况良好,利用2019年后6个月真实值与预测值进行验证,结果表明该旅客运输量预测模型误差较小,能够对旅客运输量做出比较准确的预测。

摘要： 目的:分析我国2004—2020年艾滋病发病人数、死亡人数以及发病率和死亡率,并通过建立时间序列模型,对我国艾滋病发病人数进行预测,提出应对策略,为艾滋病科学防治提供借鉴和参考。方法:根据2004—2020年国家卫生健康委《全国法定传染病疫情概况》整理艾滋病发病人数和死亡人数数据,利用SPSS 26.0软件建立ARIMA时间序列模型进行预测,并与实际发病人数进行比较。结果:2020年,我国艾滋病发病人数为62167人,死亡18819人,发病率为4.4283/10万,死亡率1.3405/10万。根据艾滋病发病人数建立的最优时间序列模型为ARIMA(0,1,0),预测数据的平均准确度为90.03%。结论:ARIMA时间序列模型能较好地拟合艾滋病的发病趋势,目前我国艾滋病虽然处于低流行阶段,但是发病人数逐年增加,防治形势依然严峻。应当加强针对艾滋病的宣传教育,提升艾滋病患者的社会支持,积极构建政府领导、部门负责、全社会共同参与的艾滋病防治格局,从而预防、减少艾滋病传播。

摘要： 随着我国经济的不断发展,电力需求不断上升,致使火力发电量不断增加,并导致动力煤需求量增大。近期,动力煤期货价格上下波动幅度较大,给国家能源安全带来较大压力。因此,采用ARIMA与BP神经网络组合交叉的方法对动力煤期货价格进行预测。首先根据ARIMA(2,2,3)模型对所搜集数据进行未来3期的预测,但是预测数据与实际数据存在较大的误差;之后利用BP神经网络对ARIMA模型的预测误差进行预测,进一步缩小预测误差;最后结合ARIMA模型的预测结果与BP神经网络预测误差结果,得出最终预测结果。二者结合预测的方法对动力煤期货价格序列中的线性与非线性规律进行了充分挖掘。结果表明:拟合精度相对于单一方法使用而言更加完美,改善了单种方法的使用缺陷。

摘要： 银行业负债金额的大小是其负债业务的直接体现。近年来,农村金融机构负债金额增速放缓,但由于自身负债成本高、负债管理能力弱、适应现代市场环境差等原因,农村金融机构负债金额出现增长趋势。文章以我国农村金融机构2014-2021年月度负债金额为基础数据,通过平稳性检验、自相关、偏相关分析,建立ARIMA模型并确定模型参数,对我国农村金融机构负债金额进行了较准确、合理的短期预测,在不考虑外界环境变化的情况下,结果表明农村金融机构负债金额呈快速增长趋势,并根据预测结果提出加强农村金融机构负债管理的建议。

摘要： 本发明涉及电缆信息处理技术领域，公开了一种电缆接头动态载流量的ARIMA序列预测方法，通过构建包含空气热阻的绝缘管母本体热路模型，还将绝缘管母本体热路模型进行分解为导体焦耳热激励热路模型和环境激励热路模型，得到导体焦耳热激励下的电缆表面温度和环境激励下的电缆表面温度，获取等效环境致热温度序列，并对等效环境致热温度序列进行差分运算，得到差分平稳序列，对差分平稳序列进行ARIMA预测，得到电缆在未来预设时刻的负荷致热温度裕度，根据预先获取的负荷致热温度与动态载流量之间的拟合关系、以及负荷致热温度裕度计算电缆在未来预设时刻的动态载流量，提高电缆接头处的动态载流量的预测准确性。

摘要： 本发明公开了一种基于小波分析和ARIMA‑LSTM的汽车销量预测方法，包括如下步骤：对已知的汽车销售量的时序数据进行数据预处理；对所述时序数据进行多次小波分解；对分解得到的各分量的序列进行平稳性检验，不平稳则进行差分处理，直到数据序列变成平稳数据序列；对经过平稳处理后的各分量的序列分别进行ARIMA训练并预测；将ARIMA训练过的数据进行小波重构；计算拟合值与真实值的残差；使用残差来训练LSTM网络；利用LSTM网络预测的残差对ARIMA模型的预测结果进行修正，实现最终预测。本发明结合时间序列分析和深度学习网络建立了新型预测模型，能够利用中小规模的历史汽车销售数据集实现对销售数据的准确预测，从而为汽车厂商提供数据支持。

摘要： 本申请为一种基于聚类的ARIMA算法的气体浓度预测方法，提供了一种气体浓度预测方法，包括：S1：采集气体浓度数据，所述气体浓度数据为气体实时浓度序列；S2：数据预处理，基于K‑Means聚类算法对气体浓度数据进行离群点检测，以剔除异常数据；S3：利用ARIMA算法建立ARIMA预测模型；S4：将预处理后的气体浓度数据输入ARIMA预测模型中，以进行气体浓度预测。

摘要： 本发明公开了一种基于IS‑ARIMA‑LSTM预测模型的风电功率预测方法及系统，包括：基于历史风速数据与当日的数值天气预报进行风速预测，得到预测风速数据；采用孤立森林算法剔除所述历史风速数据和历史风电功率数据中的离群点，使用差分自回归移动平均算法进行填补修正，得到修正后的历史风速数据和历史风电功率数据；将修正后的历史风速数据、修正后的历史风电功率和预测风速数据作为输入特征量，利用加入LSTM层的深度神经网络模型进行风电功率预测，得到风电功率预测结果。本发明利用孤立森林算法对历史风速数据和历史风电功率数据进行修正，使用差分自回归移动平均算法修正离群点空缺，可以明显提升预测准确率。

摘要： 本发明公开了基于LGB算法与ARIMA算法相结合的流动人口预测方法，包括以下步骤：事先构建ARIMA模型和LGB模型；通过调整优化模型参数，得到模型精度最高的参数组合；将精度最高的参数组合带入模型中进行流动人口预测，计算最终预测结果；根据最终预测结果进行供电资源分配。本发明的实质性效果包括：模型对于预测下季度流动人口数有较好的效果，有效提高流动人口测算的鲁棒性，为供电资源分配提供依据。

摘要： 本发明公开了一种低压台区线损预测用ARIMA模型构建方法及评估方法，属于电网管理技术领域，其特征在于，包括如下步骤：S1、对采集到的电力系统中至少一种测量数据或者数据库中一组时序数据进行预处理；S2、对预处理后的时序数据，采用周期差分算子消除周期性影响，并对处理后数据进行ADF单位根平稳性检验，检验不通过则采用差分运算消除增长趋势；S3、通过赤池信息准则确定ARIMA模型阶数，并构建ARIMA模型及其误差预测模型；S4、根据预测模型预测的网损数据残差对ARIMA模型进行自校正，满足残差精度后输出模型。本发明可节省大量人力物力，有利于优化配电网的网络结构。

摘要： 本发明公开了一种基于ARIMA和BP神经网络的短期供热负荷组合预测方法，该方法首先采用ARIMA模型预测短期供热负荷，获取供热负荷线性变化序列，然后采用BP神经网络模型预测短期供热负荷残差，获取供热负荷非线性变化序列，最后将供热负荷线性序列和非线性序列相加获得短期供热负荷组合预测结果。与现有技术相比，本发明在有限数据种类及数据数量的情况下实现了短期供热负荷的准确预测，有效解决了数据难以获取以及单一预测方法由于随机因素导致的预测不准确的问题。

摘要： 本发明公开了一种基于小波变换和ARIMA模型的皖北地区恶劣天气分析方法，包括以下步骤：首先根据所采集的现有气象信号进行切分和加窗，对切分信号进行小波变换，得到频域频谱图，对频谱图进行时频分析，然后对气象信号进行平稳性检测，最后是进行白噪声检测及其差分处理，然后计算ACF(自相关系数)，PACF(偏相关系数)，进行模型识别，识别模型结束以后，确定参数，确定时间序列差d,确定合适的参数，然后利用新模型进行预测，本发明作为一种组合的气象分析方法，能够更好的对天气进行气象预测和分析，优势在于通过小波变换加窗分析对信号的时频局部分析更有效和精确，然后利用ARIMA模型进行时间序列的预测，最后两者的结构有机的结合进行分析对天气的预测会更加精准。

摘要： 本发明公开了基于EMD‑ARIMA‑LSTM模型的天然气负荷预测方法及系统，预测方法包括如下过程：对获取的天然气数据集中的缺省值和异常值进行预处理，得到天然气负荷数据；针对天然气负荷数据的非平稳性特征，采用EMD方法对天然气负荷数据进行分解处理，获取多个IMF分量和一个残差分量；将所述多个IMF分量和一个残差分量采用LSTM模型以及ARIMA模型进行预测；将LSTM模型的预测结果以及ARIMA模型的预测结果进行等权值求和，然后进行反归一化，得到最终的天然气负荷预测数据。本发明使用混合模型进行预测，能提高天然气负荷的预测准确率。

摘要： 本发明提供了一种基于ARIMA模型的钢铁价格预测方法，属于计算机技术领域，它解决了现有需要发明一种钢铁价格预测方法，对钢价格进行预测，为今后钢价格预测提供参考，一种基于ARIMA模型的钢铁价格预测方法，包括：步骤S01：建立ARIMA模型；步骤S02：选取最佳的ARIMA模型：对建立的ARIMA模型进行验证并选取最佳参数；步骤S03：价格预测，选取最佳的ARIMA模型作为钢铁价格预测模型，获得目标钢铁在预设未来时间段内的价格数据。本发明基于ARIMA模型对钢铁价格进行预测，预测的误差率小，准确度高。