导读:本文包含了一元时间序列论文开题报告文献综述及选题提纲参考文献,主要关键词:交通拥堵指数预测,VARMA算法,LSTM算法,多元线性时序回归算法
一元时间序列论文文献综述
李家鑫,宋佳怡,李冠辰,宋琳,刘翰宸[1](2019)在《基于多元时间序列预测的智能交通系统》一文中研究指出随着城市化进程的高速发展,交通拥堵已成为困扰和阻碍城市发展的重要问题。道路大多数是部分拥堵、部分畅通,准确预测出道路拥堵状态可以更好地实现汽车分流,缓解交通压力。本文分别运用VARMA(向量自回归移动平均)和LSTM(长短期记忆网络)算法对首都机场附近的57条道路的拥堵数据进行建模分析,在此基础上将LSTM处理多元时间序列的核心思想加入到多元回归算法中,使多元回归算法拥有处理多元时间序列的能力。之后对叁个算法的预测准确度和建模复杂度进行对比,找出适合用于不同场景的算法。得出结论,VARMA模型适用于短期精准预测、RNN适用于长期大规模的波动预测、改造后的多元回归模型适用于中长期快速预测。本文中的算法和结论可以更好地帮助公安和交警及时把控道路拥堵状况,针对道路拥堵情况提前做出预案和防范措施。减轻出行压力,提高居民幸福感。(本文来源于《现代信息科技》期刊2019年12期)
敖希琴,郑阳,虞月芬,汪金婷,李凡[2](2019)在《基于多元时间序列的PM2.5预测方法》一文中研究指出针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显着高于单一的时间序列模型或多元线性回归模型。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年02期)
何彦婷[3](2019)在《基于多元时间序列变点检测的金融系统性风险度量》一文中研究指出自2008年席卷全球的金融危机以来,系统性风险已成为金融监管的重要内容,同时也是国内外学者研究的热点和重点。由于系统性风险的外部性和传染、溢出效应的存在,系统性风险在很大程度上甚至可能对整个金融体系产生严重影响。由于复杂的金融数据在面对诸多不可控因素时会发生结构突变,为考量在进行系统性风险度量时对金融时间序列分段建模以提升测度结果的必要性,本文通过对多维金融时间序列的变点检测,结合变点发生前后分布及模型的差异,综合论证结构变点的存在将导致其适用的模型发生改变,因此在进行系统性风险度量时需结合变点的存在分时段度量,以进一步提升度量结果的准确性。本文选取了 22家上市金融机构,包括银行、证券和保险叁大金融行业的股票日收益率序列构建多维金融时间序列,通过基于协方差矩阵的CUSUM算法进行了变点检测,并基于识别出的四个变点,将序列划分为五个子区间,对金融系统收益率序列分段进行描述性分析检验,同时联系变点发生的时点前后的国内经济形势,综合证明了所识别出的变点存在的合理性。另外,基于CoVaR方法分别度量了五个阶段内的22家金融机构的系统性风险,以行业为基准进行比较分析,结果表明各阶段的系统性风险确实存在较大的数值和波动状况差异。基于本文的研究结果,表明正是由于金融体系因风险的存在而在某些时点发生了结构性的突变,引起了时点前后的数据分布及模型的变化,最终导致了金融变点。通过对金融变点存在的真实性的证明,进一步表明在对金融时间序列进行系统性风险度量时应根据变点的存在进行分段测度以提高结果精确度。本文证明了结构变点与系统性风险的相关关系,充分体现了结构变点的存在对金融系统性风险度量的影响。(本文来源于《浙江工商大学》期刊2019-01-01)
崔桂梅,李静,张勇,卢俊慧,马祥[4](2018)在《高炉铁水温度的多元时间序列建模和预测》一文中研究指出针对高炉炉温铁水硅含量为预测对象的不确定性和高炉炉温单变量时间序列模型所含炉温输入信息量少、难以揭示各个变量之间的相互关系及变化规律的特点,以高炉铁水温度为研究对象,建立BP神经网络多元时间序列模型和T-S模糊神经网络多元时间序列模型。应用高炉实际数据做模型检验,结果表明,T-S模糊神经网络多元时间序列模型取得更好的命中率和预测精度。(本文来源于《钢铁流程绿色制造与创新技术交流会论文集》期刊2018-08-15)
陈佳,谢娜,邓晟,张学良[5](2018)在《新疆喀什百日咳与气象因素的多元时间序列分析》一文中研究指出目的研究气象因素对新疆喀什地区百日咳发病率的影响,建立多元时间序列(ARIMAX)模型对百日咳发病率进行短期预测,为百日咳的预防与控制提供决策依据。方法利用新疆喀什2011年1月—2016年6月的百日咳每月发病数和同期气象数据,绘制对应残差序列的CCF(互相关函数)图,来确定与百日咳发病率有关的气象因素,建立带有气象因素的ARIMAX模型并预测新疆喀什2016年6—12月的百日咳发病数。预测精度通过均方根误差(RMSE)来评估。结果滞后4阶的平均气压、滞后4阶的浮尘日数和滞后8阶的扬沙日数与百日咳病例数呈正相关,且纳入这3个气象因素的ARIMAX模型的AIC(最小信息量准则)值最小(AIC=394.72)。与一元时间序列ARIMA模型相比,拟合的RMSE降低了5.23%,预测的RMSE降低了4.33%,预测精度明显提高。结论本研究所建立的带有气象因素的ARIMAX(0,1,0)(0,1,1)12模型在短期内可以很精准的预测出新疆喀什地区百日咳的新发病数。其中平均气压、浮尘日数、扬沙日数可作为预测新疆喀什百日咳发病的指标,为相关政府部门提供可靠信息。(本文来源于《职业与健康》期刊2018年13期)
王丹[6](2018)在《多元时间序列变点检测及其应用研究》一文中研究指出大数据时代的到来使得数据分析技术显得尤为重要,其中变点问题是数据处理中重要的研究分支,自70年代以来受到愈来愈多统计学家的重视.而现有文献中针对多元时间序列变点检测问题的研究成果相对较少.本论文主要探讨多元时间序列中的变点检测问题及在交通流数据中的具体应用.首先,对一元时间序列采用LSW(Local Stationary Wavelet)模型进行分解,计算小波周期图并构建CUSUM(Cumulative Sum)统计量,通过WBS(Wild Binary Segmentation)方法同时估计一元时间序列协方差结构中的多变点数目和位置,并给出其一致性估计.此外,通过数值模拟检验表明了WBS方法检测变点的有效性,与BS(Binary Segmentation)和LRS(Likelihood Ratio Scan)方法的模拟结果对比表明WBS方法在变点跳跃度较小时也是有效的,且计算速率较快.其次,对多元时间序列采用MLSW(Multivariate Local Stationary Wavelet)模型进行分解,计算小波周期图和交叉小波周期图,并分别对小波周期图和交叉小波周期图构造CUSUM统计量,通过稀疏化BS方法同时估计多元(高维)时间序列二阶结构中变点的数目和位置,并给出一致性证明.此外,模拟检验结果表明了稀疏化BS方法的有效性.与平均和最大算法的对比结果表明采用阈值算法的检验性能较好.最后,将WBS方法和稀疏化BS方法分别应用于贵阳市一元和多元交通流量数据进行实证分析.结果表明交通流量数据中的变点多出现在早中晚上下班高峰期,可为出行者和交通管理部门提供较精准的车辆拥堵时间,对交通治理具有实际意义.(本文来源于《贵州大学》期刊2018-06-01)
赵慧赟,潘志松[7](2018)在《基于shapelets学习的多元时间序列分类》一文中研究指出多元时间序列广泛存在于日常生活中的各个领域,多元时间序列分类是从时间序列数据中获取信息的基本方法。目前,时间序列分类研究面临着相似性度量方法特殊、原始数据维度高等问题,现有的多元时间序列分类方法的分类性能仍有待提高。文中提出一种基于shapelets学习的多元时间序列分类方法。首先,提出了新的正则化最小二乘损失学习框架下的shapelets学习方法,在此基础上采用基于shapelets的一元时间序列分类方法对多元时间序列的每维一元数据进行分类,随后由各维上的分类结果投票决定多元时间序列的最终分类结果。实验证明,所提方法在多元时间序列分类问题中能够取得较高的分类精度。(本文来源于《计算机科学》期刊2018年05期)
钟思雨[8](2018)在《月平均气温数据的多元时间序列因子分析》一文中研究指出本文是多元时间序列因子分析在气象学上的一个应用.文章首先对华南地区8个城市的月平均气温数据以及季节差分数据进行描述性分析,结果发现:这8个城市的月平均气温序列以及季节差分序列都可能存在共同因子.因此,我们可以对这8个城市的月平均气温数据以及季节差分数据分别拟合多元时间序列的因子模型.根据数据的描述性分析,文章应用了Pan和Yao(2008)的近似因子模型来拟合月平均气温数据,应用了Lam和Yao(2012)的近似因子模型来拟合季节差分数据.结果表明:华南地区8个城市的月平均气温序列具有5个共同因子,其中有2个周期因子.这与华东地区7个城市的月平均气温序列很相似,它们具有4个共同因子,其中有2个周期因子,且这两个周期因子的解释与8个城市的相似.另外,8个城市的季节差分序列具有2个共同因子,其中1个强因子,1个弱因子.(本文来源于《东北师范大学》期刊2018-05-01)
郭红月[9](2017)在《多元时间序列分割与预测方法及应用研究》一文中研究指出随着时间序列相关问题研究的不断深入和发展,对于存在相关性的多个时间序列的研究,即多元时间序列分析的重要性日益显着。本文对多元时间序列分割问题和预测问题进行研究,研究工作主要包括以下几个方面:(1)提出基于动态规划算法的多元时间序列分割方法。根据分割代价的定义,提出的分割方法运用动态规划算法对时间序列进行自动分割,并且能够得到全局最优的分割结果。在该分割方法中,首先给定了多元时间序列分割误差的定义,并给出了计算分割误差的递归计算方法,该方法能够有效地降低计算复杂度。在分割误差的计算中运用了向量自回归模型,对于自回归阶数和分割阶数的选择,运用贝叶斯信息准则来确定。在实验部分,通过对仿真数据和水文气象学多元时间序列进行分割来检验提出方法的有效性,实验结果表明该分割方法表现良好。(2)提出能够在分割时间序列的同时,对得到的时间序列片段进行聚类的分割方法。该分割方法的目标函数包含了与分割相关的变量,并运用动态时间规整来确定不等长时间序列之间的距离。对于该目标函数的优化,提出了一种基于动态规划算法的有效方法。在计算动态时间规整距离时,给出了基于动态规划的方法来降低计算复杂度。通过一系列实验,包括仿真数据和真实时间序列,来评价提出分割方法的性能。与现有分割方法相比,实验结果表明了该分割方法的有效性和优势。(3)提出向量自回归滑动平均(VARMA)模型和贝叶斯网相结合的混合预测模型,来提高VARMA模型对多元时间序列的预测性能。在该混合模型中,首先采用广为熟知的线性模型VARMA模型来捕获时间序列的线性特性。然后运用K-means算法将VARMA模型的残差聚类为若干趋势,这里运用Krzanowski-Lai聚类有效性来确定趋势的数目,并且建立贝叶斯网来学习数据和相应的VARMA残差趋势之间的关系。最后,运用由贝叶斯网得到的VARMA残差是各个趋势的概率对VARMA模型的估计值进行有效的补偿。两组真实的多元时间序列实验结果表明,相比于VARMA模型,混合模型能够有效地提高预测性能。(4)提出基于隐马尔可夫模型来进行时间序列长期预测的方法。在该方法中,首先运用合理粒化原则将原始数值数据转变成有意义并且具有可解释性的时间序列片段。得到的时间序列片段具有语义,但其长度不同会给预测带来一些困难。为了等长化这些时间序列片段,基于动态时间规整提出对时间序列长度进行调整的方法,并给出两个定理来保证该方法的正确性。最后,运用隐马尔可夫模型来获取时间序列片段之间存在的关系并进行长期预测。通过多个实验来评价提出预测方法的性能,对比分析说明该方法能够良好地进行时间序列长期预测。(本文来源于《大连理工大学》期刊2017-12-08)
孙竹斌[10](2017)在《多元时间序列的分割方法及拐点识别研究》一文中研究指出随着数据时代的到来,数据的规模和复杂性也在不断增长。相较于一元时间序列,虽然多元时间序列的结构更加复杂建模分析更加困难,但多元时间序列能为决策者提供更多有意义的信息,因而多元时间序列的研究受到了越来越多的重视。判别和分析多元时间序列在时间和空间维度上的结构性变化是一个被广泛研究的课题,如多元时间序列数据的分割研究、宏观经济中的商业周期拐点识别研究以及金融市场中基于拐点判断的反向投资策略研究等都可以被归为这一研究范畴。本文基于前人在多元时间序列结构性变化研究的基础之上,得到了一些新的研究思路和结果,主要包括如下几个方面的工作:(1)目前,一元时间序列分割方法的理论体系已经相对成熟,但相比较而言,多元时间序列分割的建模和计算更加复杂,因而能满足分析要求的多元时间序列的分割方法较少。多元时间序列的分割算法通常是通过扩展已有的一元时间序列分割算法来得到。与传统方法不同的是,本文通过动态因子模型将多元时间序列变换为一元时间序列来适应己有的一元时间序列的分割算法从而达到分割多元时间序列的目的。首先,通过动态因子模型从多元时间序列中抽取出一元公共因子序列,然后将二值分割算法、片段邻域算法以及修剪精确线性时间算法等叁种典型的搜索算法用于公共因子序列的分割,该序列的分割结果被作为多元时间序列的分割结果。实验结果验证了所提出方法在多元水文时间序列分割中的适用性和鲁棒性。(2)商业周期的综合指标在宏观经济的分析中扮演着重要的角色,它能帮助决策者评估经济形势进而制定相关的政策。基于此,本文提出了一种基于信息微粒和动态时间规整的构造商业周期的新方法,这种方法不仅能将最重要的商业周期同步指标实际国内生产总值(Gross Domestic Product,GDP)纳入考虑范围,同时又能避免混合频率数据的动态因子模型的复杂估计过程。首先,实际GDP的季度数据按照信息微粒的有效划分原则被划分成多个信息微粒。然后,基于实际GDP的划分,月度同步指标的数据被进行分割,在这个过程中,动态时间规整被用于计算分割得到的月度时间序列片段与季度GDP片段间的相似性,通过归一化相似性指标的倒数得到权重。最后,计算月度同步指标的加权平均值得到最终的商业周期的月度综合指标。实验结果表明构造的综合指标能很好地反映商业周期的动态变化并能较准确地识别商业周期拐点的位置。(3)作为一种典型的时间序列数据,期货价格数据具有波动性大、不易预测等特点。传统的时间序列线性模型,包括自冋归(AR)模型以及自回归移动平均模型(ARMA)难以对期货价格数据进行有效预测。鉴于此,本文基于拐点分析结合布林带技术指标以及关联分析建立了一套用于期货自动交易的交易策略。首先,基于期货价格数据构建相关的布林带指标,并应用模糊化方法提取布林带指标与未来价格变动指标间的具有良好语义解释的关联规则关系。然后,在历史可以重演的假设下,提取的关联规则被设计成交易策略在期货交易软件交易开拓者上进行期货的程序化交易。最终,交易结果显示提取的规则能较准确地预判期货行情发生反转处的拐点,从而指导交易者在期货市场进行适当的交易来获益。(本文来源于《大连理工大学》期刊2017-12-08)
一元时间序列论文开题报告
(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:
针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显着高于单一的时间序列模型或多元线性回归模型。
(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。
一元时间序列论文参考文献
[1].李家鑫,宋佳怡,李冠辰,宋琳,刘翰宸.基于多元时间序列预测的智能交通系统[J].现代信息科技.2019
[2].敖希琴,郑阳,虞月芬,汪金婷,李凡.基于多元时间序列的PM2.5预测方法[J].重庆工商大学学报(自然科学版).2019
[3].何彦婷.基于多元时间序列变点检测的金融系统性风险度量[D].浙江工商大学.2019
[4].崔桂梅,李静,张勇,卢俊慧,马祥.高炉铁水温度的多元时间序列建模和预测[C].钢铁流程绿色制造与创新技术交流会论文集.2018
[5].陈佳,谢娜,邓晟,张学良.新疆喀什百日咳与气象因素的多元时间序列分析[J].职业与健康.2018
[6].王丹.多元时间序列变点检测及其应用研究[D].贵州大学.2018
[7].赵慧赟,潘志松.基于shapelets学习的多元时间序列分类[J].计算机科学.2018
[8].钟思雨.月平均气温数据的多元时间序列因子分析[D].东北师范大学.2018
[9].郭红月.多元时间序列分割与预测方法及应用研究[D].大连理工大学.2017
[10].孙竹斌.多元时间序列的分割方法及拐点识别研究[D].大连理工大学.2017
标签:交通拥堵指数预测; VARMA算法; LSTM算法; 多元线性时序回归算法;