简介:摘要:时间序列预测是对已有的时间序列数据进行分析,挖掘时间序列数据中蕴藏的信息,并对未来进行预测。时间序列预测具有极其重要的理论意义与现实意义,学者们为此做了大量的研究工作并取得了很好的成果。本文主要对时间序列预测的相关方法进行整理归纳,对时间序列预测相关研究进行述评。
简介:摘 要:根据建筑业2015年1季度到2018年4季度总产值数据做出时间序列图,初步判断总体趋势为上升,另外还有明显的季节性趋势特点,选用两种常用的季节性趋势预测方法(自适应过滤法、ARIMA模型)。根据MAD、MSE、MFE、MAPE四个误差分析指标以及建筑业2019年实际总产值综合分析预测精准度、各自优缺点及适用条件。
简介:目的探讨皖北疟疾的发病率与地表温度(landsurfacetemperature,LST)、归一化植被指数(normalizeddifferencevegetationindex,NDVI)的关联性,评价用LST、NDVI对疟疾发病率自回归移动平均模型(autoregressiveintegratedmovingaveragemodel,ARIMA)预测结果进行校正的效果。方法以皖北五县为研究现场,收集各县2004-2011年的疟疾疫情数据及LST、NDVI等遥感图像资料,提取、合成遥感相关指标;运用SPSS17.0软件进行统计学处理。结果ARIMA模型对2010年各月份的预测结果较报告发病率高(平均误差=0.721/10万)。多因素分析结果显示,当地的疟疾发病率与近三个月的平均LST(lst_(_012),β=0.295)及之前两个月的平均NDVI(ndvi_(_12),β=0.280)有关联(P〈0.001);将二者作为校正因子(相对贡献为2∶1时)对2010年的预测结果进行校正,平均误差缩小为0.018/10万。以2004-2010年的发病率数据再次拟合并筛选ARIMA模型,并以2011年的疟疾报告发病数据为参照,再次评价lst_(_012)与ndvi_(_12)对模型预测结果的校正效果;发现校正后的预测误差(〈0.001/10万)低于校正前的误差(0.293/10万)。结论ARIMA模型能较好地用于该地疟疾发病率的拟合与预测,环境遥感替代指标LST、NDVI可在一定程度上改善ARIMA模型的预测效果。
简介:为了解济南市未来降雨的变化情况,以济南市1959~2015年降雨量数据为研究对象运用SPSS软件中时间序列模型ARIMA对其进行了建模;拟合1959~2015年的降雨量数据及预测未来5年的降雨量。ARIMA模型预测结果表明了济南市2016~2020年的年降雨量依次为676.5,635.5,689.8,630.7,663.3mm,5年的年平均降雨量为659.2mm,这与过去57年的多年平均降雨量较为接近,可以依此推测济南市未来5年出现干旱及洪涝灾害的可能性较小。可以看出,影响ARIMA模型预测结果的因素有很多,为了更加精准地预测降雨量,应当考虑多种要素并结合当地具体环境,建立符合当地的降水量预测模型。