基于ARIMA的PPI时间序列分析

ARIMA模型是一类精度较高的时间序列短期预测模型,本文借助于计量经济学软件Eviews对我国2010年5月到2012年7月PPI时间序列数据建立了ARIMA(0,1,1)模型,并对未来我国PPI的走势进行了预测分析.     

时间序列分析在成都GDP预测中的应用

本文基于时间序列理论,对成都市1980～2012年的GDP数据进行分析,初步建立AR（2）、ARMA（2,1）、MA（1）三个模型,再结合AIC准则和简约原则等,最终确定模型为ARIMA（2,3,0）.最后,利用所建模型做出预测,得到成都未来三年的GDP值.     

基于灰色-ARIMA耦合模型的中国发电量短期预测

针对国内发电量的持续增长现象,基于中国2012—2021年的发电量数据,使用新陈代谢GM(1,1)模型与阻尼趋势模型耦合所得的灰色- ARIMA耦合模型,对中国2022—2030年的短期发电量进行预测。比较新陈代谢GM(1,1)、传统GM(1,1)与新信息GM(1,1) 模型的试验结果,将误差平方和最小的模型与ARIMA模型耦合,引入时间序列分析来拟合发电量,构建等权的灰色-ARIMA耦合预测模型,得到2022—2030年发电量的可靠耦合预测数据,具有一定的鲁棒性。为我国制定新能源措施和发展规划,实现碳中和、碳达峰及可持续发展具有重要的借鉴意义。     

GDP时间序列模型构建及预测——以四川省为例

ARIMA时间序列模型是利用变量过去的变动规律对未来值进行短期预测的合适模型,GDP是衡量一个国家或地区经济发展和宏观经济运行状况的一个重要参考指标.本文利用四川省1978-2012年的时间序列数据建立四川省GDP的ARIMA(1,1,0)模型并利用该模型进行短期预测,预测出四川省在2016年国民生产总值将突破4万亿元,在2010年基础上翻一番.     

人口模型

本文采取自回归求和移动平均法(ARIMA),对中国从1949年到2007年人口资料进行分析,并建立模型。结果显示,ARIMA(1,1,16)模型提供较准确的预测结果,可用于未来的预测,对人口问题研究提供可靠依据。     

基于ARIMA模型的深证指数分析及预测

深证指数是指由深圳证券交易所编制的股价指数,对其进行深入研究具有非常重要的意义。文中使用时间序列ARIMA模型对深证指数进行定量分析,以2009年7月1日到2010年6月30日的日深证指数收盘价格为原始数据,通过对数据进行平稳、零均值化处理,模型识别和模型定阶,再使用最小二乘法估计参数后,最终建立了ARIMA(6,1,6)模型,并对模型检验证明有效后,对未来数据进行了短期预测。     

宁波港集装箱吞吐量预测模型的选择

宁波港集装箱运输业务的发展状况对宁波经济和浙江经济有重要影响,所以如何准确预测宁波港集装箱吞吐量,就成为一个重要课题.之前许多学者运用关联因素预测法、GM (1,1)灰度模型、三次指数平滑法等方法进行预测,但预测精度不高.文章运用时间序列预测模型中的ARIMA模型,先后进行49次建模尝试,最终建立最优ARI?MA (4,2,4)模型,并顺利通过一系列检验.运用该模型,对宁波港集装箱吞吐量进行预测,精度较高.同时预测结果显示,近两年宁波港集装箱吞吐量将继续保持低速增长.     

ARIMA模型在福建省GDP预测中的应用

本文介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及Eviews实现。将ARIMA模型应用于福建省历年GDP数据的分析与预测,得到较为满意的结果。     

基于TOPSIS准则和SARIMA模型的江苏省快递业务量短期预测

物流产业与诸多产业都有非常密切的联系，在推动GDP增长和提高社会经济发展方面具有不可忽视的作用。利用过去的快递业务量预测未来值，有利于反映物流产业的发展趋势。基于江苏省2013年5月至2021年4月的快递业务量数据，选用简单季节ARIMA（差分自回归移动平均）模型和乘积季节ARIMA模型以及基于TOPSIS（逼近理想解排序）准则的两种ARIMA组合模型进行拟合，并预测2021年5月至2022年2月的快递业务量数据。发现3种模型预测的平均相对误差均较小，且组合预测模型的预测效果优于其他两种季节ARIMA模型。     

我国能源消费的ARIMA模型预测

能源影响着我国社会经济的稳定持续发展,对未来能源消耗的准确预测具有重要意义。本文利用Box-Jenkins法的ARIMA模型,对我国1978年—2010年的能源消费总量数据序列进行分析,证明ARIMA（1,2,2）模型拟合较好,预测了2011年我国能源消费总量。实证分析结果表明,所选模型能较为精确地预测中国能源消耗情况。     

甘肃省社会消费品零售总额的分析预测

文章根据甘肃省1978-2008年社会消费品零售总额的数据做了时间序列分析,建立了ARIMA(2,1,1)模型,此模型很好地拟合了数据序列,有比较精确的预测效果。     

ARIMA模型在辽宁省GDP预测中的应用

本文通过建立时间序列模型对辽宁省1978年到2008年的实际国内生产总值时间序列数据进行了分析,经过合理筛选和选择,以ARIMA(1,1,1)模型作为最终模型,并以此模型预测了辽宁省2009-2011年GDP分别为14896.34亿元,17479.48亿元,20455.54亿元。预测误差分别为3%,0.7%。希望可以为辽宁省制定宏观经济政策提供定量依据。     

消费者价格指数的预测——基于ARIMA模型的实证分析

通货膨胀是影响经济平稳性增长的一个关键性变量,CPI是衡量通货膨胀的一个重要的经济指标。本文通过对居民消费价格指数自相关函数与偏相关函数的统计识别以及ADF平稳性检验,建立ARIMA模型对我国CPI进行短期估计。实证分析结果表明ARIMA(12,1,12)模型对我国2010年每月的消费者价格指数(CPI)提供了较好的预测,对政府宏观政策的实施提供依据。     

基于时间序列分析的湖南粮食总产量预测

文章对比传统时间序列分析模型(线性回归、二项移动平均、一次指数平滑、二次指数平滑等)与ARIMA模型在湖南省粮食总产量中的拟合精度,并应用ARIMA(2,1,10)模型预测了未来3年内湖南省粮食总产量.结果表明,在湖南省粮食总产量拟合中,ARIMA(2,1,10)模型得到的粮食总产量拟合值与观测值的相对误差均方最小,优于传统时间序列分析模型;利用ARIMA(2,1,10)模型预测未来3年内湖南省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.     

福建省GDP时间序列模型建立及实证分析

根据福建省1981—2011年GDP数据,利用Eviews6.0计量经济学软件和时间序列理论,建立了求和回归移动平均模型ARIMA(4,1,1),并根据模型进行实证分析,结果表明GDP预测效果较好,平均误差9.91%,并预测2014年GDP产值为22 569.578亿元。     

模式匹配在GDP时间序列预测中的应用

深入分析了自回归整合平均移动模型(ARIMA)以及时间序列在动态时间弯曲(DTW)距离下的匹配技术,并在此基础上建立了由多条时间序列集合而成的GDP整合时间序列预测模型。其基本思想是对与目标序列有着相同发展趋势的时间序列进行搜寻、匹配,并对这些具有相同历史进程时间序列所蕴含的信息进行充分的挖掘与利用,整合形成新的时间序列预测模型。仿真实验表明：整合GDP预测模型的预测准确率显著高于普通ARIMA模型的预测准确率,从而证实了整合时间序列模型用于GDP预测的准确性。     

ARIMA与ARIMAX模型在私人汽车拥有量预测中的应用

为了提高私人汽车拥有量的预测精度,利用时间序列分析方法对全国2005—2020年的私人汽车拥有量数据进行研究,建立基于动态回归（ARIMAX）模型。运用Lasso模型和灰色关联分析得出影响私人汽车拥有量的主要因素,并将主要因素作为回归项引入差分自回归移动平均（ARIMA）模型。然后,在ARIMA模型的基础上建立ARIMAX模型。模型预测的对比结果揭示了ARIMAX 的拟合效果更佳,适用于全国私人汽车拥有量的预测。     

基于ARIMA模型的我国人均生活能源消费量预测

能源影响着我国社会经济的稳定持续发展,准确预测未来能源的消耗对于科学制定能源规划及经济发展战略具有重要意义.本文基于我国1990年—2009年的人均生活能源消费量数据,建立了ARIMA(1,3,0)模型,在此基础上,对我国2012-2013年的人均生活能源消费量进行了预测,预测表明,我国人均生活能源消费量将继续增长.针对预测结果,给出了相应的结论和建议.     

宁波港吞吐量分析和预测

宁波港运输业务的发展状况对宁波经济和浙江经济有重要影响,所以如何准确预测宁波港吞吐量,就成为一个重要课题。经过分析比较,本文运用时间序列预测模型中的ARIMA模型,先后进行多次建模尝试,最终建立最优ARIMA(3,1,4)模型,并顺利通过一系列检验。运用该模型,对宁波港吞吐量进行预测,精度较高。同时预测结果显示,近两年宁波港吞吐量将继续保持低速增长。     

基于小波分解和ARIMA模型的城际铁路客流预测

针对城际铁路车站客流预测问题,文章采用离散小波分析方法对城际铁路车站原始日客流量数据进行小波分解;对分解得到的各层小波系数,利用AIC赤池信息准则进行ARIMA建模;利用训练得到的ARIMA模型进行预测未来一段时间客流数据的高频分量和低频分量,并对其进行小波重构,从而得到未来一段时间的预测客流数据;最后以广珠城际铁路某车站实际客流数据为例,对文章所提出的客流预测模型和客流预测算法进行了验证。实验结果表明,文章所提方法客流预测方法具有一定的预测精度。