基于时间序列分析的我国能源需求的预测

随着世界主要能源价格的大幅上涨和中国经济的强劲上升,中国能源需求已成为世界关注的焦点。本文利用时间序列分析方法中的自回归求和ARIMA模型,对我国1963-2008年的能源消费总量数据进行了实证分析,构建了能源消费总量数据预测模型,以此准确地预测我国能源需求,最后证明该模型能够很好的描述我国能源消费总量的动态演变规律,并且s在此基础上对我国未来的能源需求进行了短期预测,同时,给出了结论及建议。     

基于时间序列的建筑工程造价预测探究

随着社会经济的发展,建筑业在我国已经逐渐地成为了第二产业中支柱产业,而随着建筑业的快速发展,其在我国的国民经济中已经处于不可动摇的地位,已经是我国国民经济中重要的经济支柱产业,因此,对于建筑工程造价的预测和控制管理,对于促进我国建筑业快速发展具有重要的意义。     

基于BP神经网络的时间序列预测研究

建立了基于BP网络的时间序列预测模型,将模型应用于实际算例,设计了模型的网络结构、初始权值和偏差,结果验证了模型的有效性。     

时间序列在粮食预测中的应用

所谓时间序列就是将某一个指标在不同时间上的不同数值,按照先后顺序排列而成的数列,它包括了系统结构特征及运行规律。本文通过时间序列分析在粮食产量预测中的应用,介绍了时间序列模型的辨识和预测,并基于Eviews软件计算完成了我省粮食产量的预测。     

配送中心需求量的时间序列预测方法研究

本文通过对物流需求预测的时间序列预测方法的组成成分、基本结构进行分析，利用编制计算机程序来建立时间序列需求量预测的简单指数平滑法、自适应指数平滑法和HOLT指数平滑法三种预测模型，为配送中心的库存控制提供支持。     

基于时间序列模型下的财务预测——以某家电企业为例

通过某家电企业的财务报表分析得知该企业的偿债能力较差,但营运能力总体向好。采用时间序列模型对该企业未来三年的财务状况做了预测,发现盈利情况良好,为投资者和管理者的经营提供方向。     

基于ARMA模型的上海市人均GDP时间序列分析与预测

本文分析了上海市人均GDP水平时间序列（1978年至2008年）,在将数据平稳化的基础上建立自回归移动平均模型（ARMA模型）,从中找出上海市人均GDP序列变化的规律,并在此基础上对未来几年的指标数值进行了预测。     

基于ARMA模型的上海市人均GDP时间序列分析与预测

本文分析了上海市人均GDP水平时间序列(1978年至2008年),在将数据平稳化的基础上建立自回归移动平均模型(ARMA模型),从中找出上海市人均GDP序列变化的规律,并在此基础上对未来几年的指标数值进行了预测。     

SVM与神经网络在时间序列预测中的比较

神经网络和支持向量机都能有效地预测时间序列数据,但各自结构特点不同,导致其预测性能有差别。文章从理论和实践上比较了支持向量机与神经网络的优缺点。     

基于时间序列的郑州市人均生产总值的预测

随着社会经济的不断发展、生活水平的提高及人口的增加,通过GDP这一宽泛的指标来反映一个地区经济的发展状况是不准确的。由于GDP不能很准确地反映平均每个人的生活水平,而人均GDP则能弥补GDP的这点不足。因为人均GDP=总产出/总人口,它是一个既考虑经济总量大小又考虑人口数量因素的综合性指标,所以常常用来了解和把握一个国家或者地区的宏观经济运行状况、发展水平和人民生活水准。所以论文利用ARIMA模型对人均生产总值进行短期的预测。     

多元回归时间序列方法在货运市场预测中的应用

为了解决制定某地区货运行业发展规划中的区域货运发展规模的分析和预测问题。提出一种以统计数据为依据,为货运行业需求量建立预测模型,并应用SPSS(Statistical Product Service Solution)分析软件,对预测结果进行评估检验的方法。最后以四川货运行业为例,研究预测了四川省今后数年的货运需求量,为四川货运部门进行决策提供一定的科学依据。     

对经济增长的时间序列分析

时间序列分析在经济运用中作用十分明显。利用1980～2003年国内生产总值的相关资料,运用时间序列分析,应用SAS软件对经济增长时间序列进行模型识别、拟合、估计和预测,预测结果较为满意。而改革开放以来,投资在经济增长中的作用越来越明显,在对经济增长序列进行时间序列分析的同时,也结合回归分析建立经济增长和投资的回归-时间序列组合模型来进行分析。     

基于人工神经网络的时间序列分析方法在物流需求预测中的应用

当在对物流需求进行预测遇到较大波动的时间序列数据时,传统的以统计学为基础的预测方法在进行预测分析时误差会很大,本文建立了基于人工BP神经网络的预测方法并证明了其有效性。     

基于MF-DFA的股票时间序列聚类分析及其应用

多重分形消除趋势波动分析法(MF-DFA)不仅能够去除股票时间序列的长期趋势波动,还能够精确反应股票时间序列的多重分形特性。首先利用MF-DFA方法对股票时间序列进行多重分形分析,结果表明,相比标准多重分析,MF-DFA方法更能反映时间序列的多重分形特性。其次,定义一种以多重分形谱参数作为相似性度量函数的聚类方法对股票时间序列进行聚类。最后,在Markowitz提出的期望均值收益—收益方差(M-V)模型的基础上,把聚类结果运用股票投资组合当中。采用上海证券市场28支股票进行实验验证表明,在给定的收益率下,采用基于多重分形谱参数的聚类方法的股票组合可以得到比随机组合更小的风险水平。     

基于ARMA模型的我国第三产业总产值时间序列分析

大多数经济时间序列存在着惯性,或者说具有迟缓性。通过对这种惯性分析,可以由时间序列的当前值对其未来值进行估计。本文从我国历年(1953-2004)的第三产业总产值数据出发,将这些数据平稳化,建立自回归移动平均模型(ARAM),从中找出我国第三产业发展的内在规律性。     

正则化的时间序列AR模型及其在经济分析中的应用

通过添加一个正则化因子α,使时间序列AR(n)模型的最小二乘估计(X′X)-1X′Y变为(X′X+αI)-1X′Y,改善了时间序列分析模型中信息矩阵的病态程度,避免了时间序列分析模型产生不适定;经济统计数据分析表明,新的正则化时间序列分析模型在一定程度上起到了稳定所求参数的作用。     

基于我国CPI时间序列的神经网络预测模型

近年来,我国的居民消费价格指数涨幅屡创新高。根据我国1990年-2008年的CPI时间序列,首先利用时间序列分析方法确定输入向量,然后应用改进BP算法的人工神经网络分别预测出2011年和2012年我国CPI将分别为104.9和105.2,实验结果证实了BP神经网络模型用于CPI预测的准确性和可行性。