检索结果-维普期刊中文期刊服务平台

利用加权对称估计量对季节性时间序列的单位根检验(英文) 被引量：1: 1; 作者金兰朴宪镇《应用概率统计》 CSCD 北大核心 2001年第1期59-66,共8页; 本文提出对季节性时间序列利用加权对称估计量的单位根检验，导出相应统计量的极限分布．用ＭｏｎｔｅＣａｒｌｏ方法计算经验百分位数及检验势，并对最小平方估计量，简单对称估计量和加权对称估计量的经验检验势作了比较．; 关键词平稳性单位根检验季节性时间序列加权对称估计量; 在线阅读下载PDF 职称材料

基于周期项方法选择的季节性时序预测被引量：4: 2; 作者宋仙磊刘业政陈思凤《计算机工程》 CAS CSCD 北大核心 2011年第21期131-132,135,共3页; 根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性... 展开更多; 关键词周期项重构方法选择周期项预测季节性时间序列; 在线阅读下载PDF 职称材料

季节性组合预测模型在医院门诊量中的应用研究被引量：7: 3; 作者叶明全胡学钢《计算机工程与设计》 CSCD 北大核心 2005年第7期1965-1967,1970,共4页; 医院门诊量是一个具有复杂的非线性组合特征的季节性时间序列。为解决传统时间序列预测大多数都是使用单一模型,以致影响预测精度等问题,采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示,... 展开更多; 关键词季节性时间序列季节性ARIMA乘积模型季节性神经网络组合预测; 在线阅读下载PDF 职称材料

GM(1,1)残差修正的季节性神经网络预测模型及其应用被引量：5: 4; 作者叶明全胡学钢《计算机工程与应用》 CSCD 北大核心 2005年第1期194-196,共3页; 季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型... 展开更多; 关键词季节性时间序列 GM(1 1)模型残差修正季节性神经网络; 在线阅读下载PDF 职称材料

基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法被引量：27: 5; 作者钱名军李引珍阿茹娜《铁道学报》 EI CAS CSCD 北大核心 2020年第6期25-34,共10页; 首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月... 展开更多; 关键词铁路运输月度客运量预测 SARIMA-GARCH模型季节性时间序列异方差; 在线阅读下载PDF 职称材料

基于SARIMA-SVR模型的铁路货运量预测方法被引量：2: 6; 作者钱名军李明鲡黄鑫《铁道运输与经济》北大核心 2024年第9期83-94,共12页; 鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预... 展开更多; 关键词铁路运输货运量预测 SARIMA-SVR模型季节性时间序列支持向量机; 在线阅读下载PDF 职称材料

考虑节假日效应的交通枢纽客流量预测模型被引量：9: 7; 作者成诚杜豫川刘新《交通运输系统工程与信息》 EI CSCD 北大核心 2015年第5期202-207,215,共7页; 客流量预测是城市交通枢纽管理的基础,准确的客流量估计为交通枢纽的运力调整,管理预案的设计提供基础.目前对客流量预测的研究较多,但现有模型并未考虑节假日效应对枢纽客流量的影响.因此,本文基于多元季节性时间序列(SARIMAX)原理,建... 展开更多; 关键词城市交通客流量预测多元季节性时间序列模型节假日效应交通枢纽; 在线阅读下载PDF 职称材料

基于高阶累积量的电离层TEC建模与预报: 8; 作者李秀海张玉娟 +4 位作者曹先革张为成司海燕赵晓明黑龙《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2013年第A02期256-259,共4页; 建立了交通定位与导航精密电离层延迟改正模型,基于全球电离层图(GIM),研究了区域电离层总电子含量(TEC)建模与预报的方法.介绍了高阶累积量的概念,利用高阶累积量具有抑制高斯加性噪声的特点,研究了基于高阶累积量的非平稳季节性时间序... 展开更多; 关键词电离层总电子含量建模与预报季节性时间序列高阶累积量; 在线阅读下载PDF 职称材料

题名利用加权对称估计量对季节性时间序列的单位根检验(英文) 被引量：1: 1; 作者金兰朴宪镇; 机构延边大学数学系仁荷大学统计学系; 出处《应用概率统计》 CSCD 北大核心 2001年第1期59-66,共8页; 文摘本文提出对季节性时间序列利用加权对称估计量的单位根检验，导出相应统计量的极限分布．用ＭｏｎｔｅＣａｒｌｏ方法计算经验百分位数及检验势，并对最小平方估计量，简单对称估计量和加权对称估计量的经验检验势作了比较．; 关键词平稳性单位根检验季节性时间序列加权对称估计量; Keywords Stationarity, Unit root test, Seasonal unit root.; 分类号 O211.61 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名基于周期项方法选择的季节性时序预测被引量：4: 2; 作者宋仙磊刘业政陈思凤; 机构合肥工业大学管理学院合肥工业大学过程优化与智能决策教育部重点实验室; 出处《计算机工程》 CAS CSCD 北大核心 2011年第21期131-132,135,共3页; 基金国家自然科学基金资助项目(71071047) 高等学校博士点基金资助项目(20090111110016); 文摘根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性时间序列整体预测模型。实验结果表明,该模型能克服周期项多步预测的缺点,具有较高的预测精度。; 关键词周期项重构方法选择周期项预测季节性时间序列; Keywords seasonality reconstruction method selection seasonality forecasting seasonal time series; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名季节性组合预测模型在医院门诊量中的应用研究被引量：7: 3; 作者叶明全胡学钢; 机构皖南医学院计算机教研室合肥工业大学计算机与信息学院; 出处《计算机工程与设计》 CSCD 北大核心 2005年第7期1965-1967,1970,共4页; 文摘医院门诊量是一个具有复杂的非线性组合特征的季节性时间序列。为解决传统时间序列预测大多数都是使用单一模型,以致影响预测精度等问题,采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示,季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法,为季节性时间序列预测提供了一种新的实用方法。; 关键词季节性时间序列季节性ARIMA乘积模型季节性神经网络组合预测; Keywords seasonal time series multiple seasonal ARIMA model seasonal artificial neural network combined forecasting; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名GM(1,1)残差修正的季节性神经网络预测模型及其应用被引量：5: 4; 作者叶明全胡学钢; 机构皖南医学院计算机教研室合肥工业大学计算机与信息学院; 出处《计算机工程与应用》 CSCD 北大核心 2005年第1期194-196,共3页; 文摘季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。; 关键词季节性时间序列 GM(1 1)模型残差修正季节性神经网络; Keywords seasonal time series,GM(1,1)model,residual error correction,seasonal artificial neural network; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法被引量：27: 5; 作者钱名军李引珍阿茹娜; 机构兰州交通大学交通运输学院中国中铁股份有限公司规划发展部; 出处《铁道学报》 EI CAS CSCD 北大核心 2020年第6期25-34,共10页; 基金国家自然科学基金(71861022) 甘肃省教育厅高等学校创新基金(2020A-038) 兰州交通大学校青年基金(2014029)。; 文摘首先,根据铁路月度客运量时序图呈现的趋势性、周期性和随机波动性,运用季节分解法将其分解为趋势循环分量、季节因子分量和不规则分量,直观量化地表征出所蕴含的特征信息。接着,引入季节时间序列模型(SARIMA)对平稳化和单整检验后的月度客运量序列的趋势性和季节性进行建模,通过季节差分序列的相关图筛选确定出最佳模型阶数,得到SARIMA基础预测模型。然后,为提高模型对波动性的刻画精度,消除异方差影响,再对基础模型的回归残差进行ARCH检验,构建出广义自回归条件异方差(GARCH)模型,并检验所建SARIMA-GARCH融合模型的稳定性。最后,将融合模型与常规SARIMA、ARIMA和NAR动态神经网络模型的短期预测值进行精度对比验证,并对其中长期预测性能做测试分析。结果表明,SARIMA-GARCH模型短期预测性能优于SARIMA、ARIMA和NAR动态神经网络模型。; 关键词铁路运输月度客运量预测 SARIMA-GARCH模型季节性时间序列异方差; Keywords railway transportation forecast for monthly passenger traffic SARIMA-GARCH Model seasonal time series heteroscedasticity; 分类号 U293.13 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

题名基于SARIMA-SVR模型的铁路货运量预测方法被引量：2: 6; 作者钱名军李明鲡黄鑫; 机构兰州交通大学交通运输学院兰州交通大学高原铁路运输智慧管控铁路行业重点实验室; 出处《铁道运输与经济》北大核心 2024年第9期83-94,共12页; 基金兰州交通大学青年基金项目(2014029) 甘肃省教育厅高等学校创新基金项目(2020A-038) 甘肃省教育厅双一流重大科研项目(GSSYLXM-04)。; 文摘鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。; 关键词铁路运输货运量预测 SARIMA-SVR模型季节性时间序列支持向量机; Keywords Railway Transportation Freight Volume Prediction SARIMA-SVR Model Seasonal Time Series Support Vector Machine; 分类号 U294.13 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

题名考虑节假日效应的交通枢纽客流量预测模型被引量：9: 7; 作者成诚杜豫川刘新; 机构同济大学道路与交通工程教育部重点实验室青岛海信网络科技股份有限公司; 出处《交通运输系统工程与信息》 EI CSCD 北大核心 2015年第5期202-207,215,共7页; 基金工信部电子发展基金项目(201406); 文摘客流量预测是城市交通枢纽管理的基础,准确的客流量估计为交通枢纽的运力调整,管理预案的设计提供基础.目前对客流量预测的研究较多,但现有模型并未考虑节假日效应对枢纽客流量的影响.因此,本文基于多元季节性时间序列(SARIMAX)原理,建立考虑节假日效应的城市交通枢纽客流量预测模型,并以上海虹桥2号航站楼站轨道交通客流量数据为基础,对该模型进行了标定和预测.标定结果显示,在春节期间,该站点客流量将有明显的下降,而在其他法定节假日期间流量均有一定程度的提升.对模型预测值和真实值比对结果显示,该模型的平均误差在5%以内,表明该模型具有较强的实用性.; 关键词城市交通客流量预测多元季节性时间序列模型节假日效应交通枢纽; Keywords urban traffic passenger volume prediction SARIMAX model holiday effects transportation hub; 分类号 U268.6 [机械工程—车辆工程]; 在线阅读下载PDF 职称材料

题名基于高阶累积量的电离层TEC建模与预报: 8; 作者李秀海张玉娟曹先革张为成司海燕赵晓明黑龙; 机构黑龙江工程学院测绘工程学院黑龙江工程学院计算机科学与技术学院; 出处《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心 2013年第A02期256-259,共4页; 基金黑龙江省自然基金资助项目(G201103); 文摘建立了交通定位与导航精密电离层延迟改正模型,基于全球电离层图(GIM),研究了区域电离层总电子含量(TEC)建模与预报的方法.介绍了高阶累积量的概念,利用高阶累积量具有抑制高斯加性噪声的特点,研究了基于高阶累积量的非平稳季节性时间序列TEC的建模方法和原理.对季节性时间序列周期采用快速傅里叶变换确定,以自回归AR模型对差分之后的数据建模,借助Matlab的高阶统计工具箱实现模型辨识、参数估计.利用IGS提供的2011年6月东经125°,纬度为0°,45°,87.5°具有代表性的区域电离层TEC数据进行建模及预报.结果表明:对一周时间以内的不同区域电离层格网点TEC预报准确率分别达到85.9%,85.1%和89.4%.模型预报精度明显优于Klobuchar模型.; 关键词电离层总电子含量建模与预报季节性时间序列高阶累积量; Keywords ionosphere total electron content modeling and prediction seasonal time series high-order cumulant; 分类号 P208 [天文地球—地图制图学与地理信息工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	利用加权对称估计量对季节性时间序列的单位根检验(英文)	金兰朴宪镇	《应用概率统计》 CSCD 北大核心	2001	1	在线阅读下载PDF 职称材料
2	基于周期项方法选择的季节性时序预测	宋仙磊刘业政陈思凤	《计算机工程》 CAS CSCD 北大核心	2011	4	在线阅读下载PDF 职称材料
3	季节性组合预测模型在医院门诊量中的应用研究	叶明全胡学钢	《计算机工程与设计》 CSCD 北大核心	2005	7	在线阅读下载PDF 职称材料
4	GM(1,1)残差修正的季节性神经网络预测模型及其应用	叶明全胡学钢	《计算机工程与应用》 CSCD 北大核心	2005	5	在线阅读下载PDF 职称材料
5	基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法	钱名军李引珍阿茹娜	《铁道学报》 EI CAS CSCD 北大核心	2020	27	在线阅读下载PDF 职称材料
6	基于SARIMA-SVR模型的铁路货运量预测方法	钱名军李明鲡黄鑫	《铁道运输与经济》北大核心	2024	2	在线阅读下载PDF 职称材料
7	考虑节假日效应的交通枢纽客流量预测模型	成诚杜豫川刘新	《交通运输系统工程与信息》 EI CSCD 北大核心	2015	9	在线阅读下载PDF 职称材料
8	基于高阶累积量的电离层TEC建模与预报	李秀海张玉娟曹先革张为成司海燕赵晓明黑龙	《东南大学学报（自然科学版）》 EI CAS CSCD 北大核心	2013	0	在线阅读下载PDF 职称材料