导读:本文包含了时间序列的趋势项论文开题报告文献综述及选题提纲参考文献，主要关键词:重点流域,DEM数据,降水蒸发,地表水量
时间序列的趋势项论文文献综述
王汉卿,王启优,张春林,吴彦昭,张昌顺[1]（2019）在《甘肃省重点流域地表水资源量时间序列趋势变化研究》一文中研究指出依据第叁次全国水资源调查评价大纲要求,对甘肃省14条重点流域河流1956—2016年系列降水、蒸发及天然径流量进行分析统计。通过Arc GIS构建降水、蒸发及径流等值线,量算得出河流自产水资源量、出境、入境水量。并利用谐波与小波相结合的方法,对未来短期重点流域地表水资源变化趋势进行预测研究。(本文来源于《水利规划与设计》期刊2019年10期）
王金策,邓越萍,史明,周云飞[2]（2019）在《多时间尺度时间序列趋势预测》一文中研究指出针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型(HMM)设计一个多时间尺度趋势预测算法(MTSTPA),同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型(ARMA)模型和PHMM(Pattern-based HMM)对比,MTSTPA表现更优,验证了其有效性。(本文来源于《计算机应用》期刊2019年04期）
吉毛加,陈占寿,栗慧妮[3]（2019）在《长记忆时间序列趋势项变点的CUSUM检验》一文中研究指出本文研究长记忆时间序列趋势项的变点检验问题.基于最小二乘拟合残差构造了一种新的CUSUM型检验统计量,在无变点原假设下证明了检验统计量的极限分布是I型分数布朗运动的泛函,在备择假设下证明了检验统计量的一致性,并提出用Sieve Bootstrap方法确定检验统计量的临界值来避免精确估计冗余参数.数值模拟结果表明,提出的新方法在原假设下能较好地控制检验水平,在备择假设下能达到满意的检验势.(本文来源于《青海师范大学学报(自然科学版)》期刊2019年01期）
谢婷玉,徐德刚,阳春华,桂卫华[4]（2018）在《基于重要点双重评价的时间序列趋势提取》一文中研究指出实际应用中,时间序列具有高维、海量的特点,且由于噪声干扰的存在,局部波动频繁,不利于整体趋势分析.为了滤除噪声干扰、压缩原始数据,从而准确提取时间序列中的趋势特征,本文在时间序列分段线性表示的基础上,提出了基于重要点双重评价因子的时序趋势提取算法.首先定义重要点作为时间序列分段点的备选集,并给出两种重要点评价因子的定量计算方式,用距离因子度量其相对差异程度,用趋势因子在全局上度量其对整体趋势的影响程度,综合评价每个重要点对整体趋势的重要程度来选取分段点.仿真实验表明,该方法克服了现有分段线性化方法评价函数单一和具有局部性的缺点,有效削弱噪声干扰,在分段数相同的情况下提取精度比现有方法高,在浮选泡沫灰度变化趋势提取中的应用也验证了其有效性.(本文来源于《信息与控制》期刊2018年06期）
王慧健,刘峥,李云,李涛[5]（2019）在《基于神经网络语言模型的时间序列趋势预测方法》一文中研究指出对于时序数据的预测,传统方法多数通过分析历史数据预测出后面的一个或者多个具体值,但预测的具体数值准确率较低。为此,提出一种新的时间序列短期趋势预测方法。通过对时序数据进行离散化,用字符表示各个时间段数据的范围,并利用神经网络语言模型预测得到下一个字符,即下一段数据的范围。实验结果表明,与支持向量机、循环神经网络、随机森林等算法相比,在预测结果分为5个区间的情况下,该算法平均预测准确率为56.7%,具有较高的可行性,且由于字符表示带有语义信息,所得预测结果可以反映数据趋势以及趋势变化程度。(本文来源于《计算机工程》期刊2019年07期）
徐珍[6]（2018）在《含趋势项异方差时间序列模型的小波方法》一文中研究指出小波具有良好的局部性质.基于小波方法对含趋势的异方差时间序列模型进行研究,可以完善非参数回归模型的小波估计理论.为了探究固定设计下含趋势的异方差时间序列模型的小波估计及其渐近理论,本文主要从含线性趋势和含非参数趋势两方面思考,并在不同相依误差下对模型进行研究.本文的主要内容和结论如下:针对含线性趋势的异方差时间序列模型,基于加权最小二乘估计方法和小波方法构造参数和方差函数的加权小波估计量.当随机误差为α-混合时,采用柯西不等式和切比雪夫不等式等数学工具,得到了参数小波估计量的渐近正态性和弱收敛速度,以及方差函数的小波估计量的弱收敛速度.针对含非参数趋势的异方差时间序列模型,基于小波方法构造非参数回归函数和方差函数的小波估计量.在随机误差{ε_i}是线性过程,且构造线性误差{z_i}的随机变量{z_i}是独立同分布时,得到了非参数回归函数和方差函数的小波估计量的弱收敛速度.在适当条件下,非参数回归函数和方差函数的小波估计量具有相同的弱收敛速度.针对含非参数趋势的异方差时间序列模型,基于小波方法构造非参数回归函数和方差函数的小波估计量.将线性过程误差{ε_i}中的随机变量{z_i}推广到φ-混合条件下,得到了非参数回归函数和方差函数的小波估计量的弱收敛速度。(本文来源于《河南科技大学》期刊2018-05-01）
谢婷玉,徐德刚,苏志芳,阳春华,桂卫华[7]（2017）在《基于重要点双重评价因子的时间序列趋势提取方法》一文中研究指出时间序列通常具有高维、海量的特点,且由于噪声干扰的存在,局部波动频繁,不利于整体趋势分析。为了滤除噪声干扰、压缩原始数据,从而准确提取时间序列中的趋势特征,本文在时间序列分段线性表示的基础上,提出了基于重要点双重评价因子的时序趋势提取算法。首先定义重要点作为时间序列分段点的备选集,并给出两种重要点评价因子的定量计算方式,用距离因子度量其相对差异程度,用趋势因子在全局上度量其对整体趋势的影响程度,综合评价每个重要点对整体趋势的重要程度来选取分段点。仿真实验表明,该方法克服了现有分段线性化方法评价函数单一和具有局部性的缺点,可以有效削弱噪声干扰,在分段数相同的情况下提取精度比现有方法高,在浮选泡沫图像灰度变化趋势中的应用也验证了其有效性。(本文来源于《第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集》期刊2017-07-30）
张旺[8]（2017）在《基于改进奇异谱分析方法提取GNSS坐标时间序列趋势项及季节项信息》一文中研究指出第一个GNSS连续观测站在1991年1月20日建立以后,世界各国陆续建立更多的GNSS连续观测站。并且随着GNSS测量技术的进步及数据处理中模型精度不断提高,在全球范围内已经累积了 20多年高精度的GNSS连续观测数据。为研究不同时空尺度的地球物理现象如地球自转、区域形变、地震形变监测、冰后回弹、断层滑动及全球板块构造运动提供重要的数据支持。数据预处理是GNSS站点坐标时间序列分析的第一步工作,其主要内容包括叁部分:粗差探测与剔除、缺损数据插值及阶跃项改正。在采用小波分析和功率谱分析对GNSS站点坐标时间序列进行分析时,需要GNSS站点坐标时间序列去除线性趋势并为零均值。首先,在时域上采用小波分析从GNSS站点坐标时间序列中提取的季节项进行分析。其次,采用功率谱分析对GNSS观测数据进行分析时,结果发现在低频处的谱能量较大且频谱呈倾斜(斜率趋近于-1),这说明噪声项中包含着闪烁噪声;但随着频率的增加,在高频处谱能量逐渐降低且频谱趋于平缓(斜率趋近于0),这说明噪声项中包含着白噪声。结果得出的闪烁噪声和白噪声模型组合也与GNSS站点坐标时间序列噪声的最佳模型相符合。同时功率谱分析结果表明GNSS坐标时间序列中含有频率(cpy)接近1.0和2.0的季节项。在与GNSS观测技术相关的系统误差及各种地球物理效应共同的影响下,GNSS站点时间序列中可能包含非长期趋势项、阶跃项、噪声项以及振幅随时间变化的季节项。如何将上述信息甚至一些原因不明确的其他信息从GNSS站点时间序列中分离出来是现在时间序列研究的热点。使用传统参数模型去解决这些复杂的问题时具有局限性。作为一种从数据自身出发的无参自适应的奇异谱分析方法可以在没有使用原始数据中任何地球物理现象先验信息的情况下将有用信息从从受到噪声干扰的GNSS站点时间序列中提取出来。为改正传统的奇异谱分析方法(SSA)具有相移现象缺点,本文提出一个改进奇异谱分析方法(SSA-PD)用于拟合GNSS站点时间序列。通过模拟数据计算表明模拟信号和改进奇异谱分析方法重构信号残差的均方根小于1.8 mm,并且改进奇异谱分析方法拟合精度显着优于传统奇异谱分析方法。采用IGS站点坐标时间序列将小波分析方法与改进奇异谱分析方法进行比较,结果表明改进奇异谱分析方法在提取年以及半年季节项要优于小波分析方法。最后对奇异谱分析方法提取GNSS坐标时间序列中的趋势项和季节项进行分析,结果表明GNSS站点时间序列时频特性呈现出了显着的区域性。并对形成的因素进行定性分析。(本文来源于《西南交通大学》期刊2017-05-01）
徐晓[9]（2016）在《经济序列的趋势分析——基于时间序列的混合模型》一文中研究指出社会消费品零售总额代表着宏观经济的发展现状,对其历史数据分析对我国宏观经济未来的发展具有重要意义。本文选取了1997~2014年的我国月度社会消费品零售总额的时间序列数据,通过乘法加法和乘积季节的混合模型来对该序列进行拟合分析,不仅能提取数据之间的相关性,还能够很精确的拟合序列趋势,预测效果显着。(本文来源于《科技风》期刊2016年09期）
王毓森[10]（2016）在《水文时间序列趋势与突变分析系统开发与应用》一文中研究指出在借鉴趋势检验和突变分析各种统计应用软件使用方法的基础上,结合水文工作实际,对数据输入格式进行统一约定,对计算分析过程进行模块化编程,对数据输出结果进行规范化处理,基于Net Framework4.5、Visual Basic.Net和Sharp Develop 4环境开发完成了水文时间序列趋势检验和突变分析系统。介绍了水文时间序列趋势与突变分析系统的理论基础、总体结构、设计功能及其应用。系统设计的趋势分析和突变分析各项功能达到预期目标,较好地实现了对水文资料的一致性分析,分析结果科学、合理,对水文水资源工作具有一定的参考意义。(本文来源于《甘肃科技》期刊2016年09期）
时间序列的趋势项论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对股票、基金等大量时间序列数据的趋势预测问题,提出一种基于新颖特征模型的多时间尺度时间序列趋势预测算法。首先,在原始时间序列中提取带有多时间尺度特征的特征树,其刻画了时间序列,不仅带有序列在各个层次的特征,同时表示了层次之间的关系。然后,利用聚类挖掘特征序列中的隐含状态。最后,应用隐马尔可夫模型(HMM)设计一个多时间尺度趋势预测算法(MTSTPA),同时对不同尺度下的趋势以及趋势的长度作出预测。在真实股票数据集上的实验中,在各个尺度上的预测准确率均在60%以上,与未使用特征树对比,使用特征树的模型预测效率更高,在某一尺度上准确率高出10个百分点以上。同时,与经典自回归滑动平均模型(ARMA)模型和PHMM(Pattern-based HMM)对比,MTSTPA表现更优,验证了其有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时间序列的趋势项论文参考文献
[1].王汉卿,王启优,张春林,吴彦昭,张昌顺.甘肃省重点流域地表水资源量时间序列趋势变化研究[J].水利规划与设计.2019
[2].王金策,邓越萍,史明,周云飞.多时间尺度时间序列趋势预测[J].计算机应用.2019
[3].吉毛加,陈占寿,栗慧妮.长记忆时间序列趋势项变点的CUSUM检验[J].青海师范大学学报(自然科学版).2019
[4].谢婷玉,徐德刚,阳春华,桂卫华.基于重要点双重评价的时间序列趋势提取[J].信息与控制.2018
[5].王慧健,刘峥,李云,李涛.基于神经网络语言模型的时间序列趋势预测方法[J].计算机工程.2019
[6].徐珍.含趋势项异方差时间序列模型的小波方法[D].河南科技大学.2018
[7].谢婷玉,徐德刚,苏志芳,阳春华,桂卫华.基于重要点双重评价因子的时间序列趋势提取方法[C].第28届中国过程控制会议（CPCC2017）暨纪念中国过程控制会议30周年摘要集.2017
[8].张旺.基于改进奇异谱分析方法提取GNSS坐标时间序列趋势项及季节项信息[D].西南交通大学.2017
[9].徐晓.经济序列的趋势分析——基于时间序列的混合模型[J].科技风.2016
[10].王毓森.水文时间序列趋势与突变分析系统开发与应用[J].甘肃科技.2016