SARIMA模型

摘要： 目的 分析泉州市其他感染性腹泻的流行病学特征,并探讨SARIMA模型拟合泉州市其他感染性腹泻发病趋势预测的可行性,为其防控策略制定提供科学依据。方法 从中国疾病预防控制信息系统收集泉州市2010—2020年其他感染性腹泻病例报告资料,进行描述性统计分析。应用Eviews 9.0软件对月发病数进行拟合和预测,建立泉州市其他感染性腹泻SARIMA模型。结果 2010—2020年泉州市共报告27 205例其他感染性腹泻病例,死亡7例。年均发病率为29.28/10万,其中2010年发病率最低(20.50/10万),2013年发病率最高(40.6/10万)。男女病例的比例为1.57∶1;发病年龄主要集中于≤3岁的幼儿,占比62.61%。职业分布上,主要发病人群为散居儿童(18 685例)、农民(4 201例)和家务及待业人员(1 217例),构成比分别为68.7%、15.4%和4.5%,共占88.6%。发病率前5位地区为晋江市、安溪县、鲤城区、丰泽区、洛江区;时间分布上以10—2月份病例数最多,每年有一个发病高峰期。通过拟合数据,确定最优SARIMA模型为SARIMA(1,0,1)(0,1,1)12。预测值与实际值随时间的变化趋势基本一致,模型预测效果较理想。结论 泉州市其他感染性腹泻发病以每年的10—2月为发病高峰期,防控重点应放于≤3岁的散居儿童;应加强对重点地区的监测工作,在秋冬季节提前做好预防控制工作。同时,应做好宣传工作,加强对食物、水源的管理,提高实验室诊断水平。

摘要： 21世纪初,大中型商业银行逐步采用前后台分离的集中作业模式,后台作业的集中和共享成为发展趋势。掌握集中作业业务量的变化规律,有助于提前做好人员规划和安排调度,充分利用人力资源,提升客户体验和降低运营成本,提高集约化运营管理的精细度。文章以某银行集中作业录入业务为研究对象,选取2016年1月-2021年4月1330个工作日的录入业务量数据进行分析建模,通过分析业务量变化规律,将数据分为春节前后、非春节前后两类。其中,非春节前后业务量变化表现出明显的季节性特征,运用季节时间序列SARIMA模型进行预测;春节前后业务量波动幅度较大,通过定义和计算录入业务量波动系数进行预测,取得了较好的效果。

摘要： 为了把握我国体育、娱乐用品的消费现状,预测未来我国体育、娱乐用品增长趋势。本文根据2012年3月至2020年12月我国体育、娱乐用品零售额,建立SARIMA模型进行预测。结果表明:预测值与观测值较为接近,建立的SARIMA模型(即ARIMA(0,1,0)(0,1,1)12)能够较为准确地预测零售额。同时针对季节性增长趋势,文末提出相关建议以期稳定体育、娱乐用品销售趋势。

摘要： 为实现矿井涌水量的有效预测,提高预测精度,基于鹤壁八矿2009—2019年的月度涌水量数据,运用时间序列分析软件Eviews9.0建立了X12季节调整、ARIMA(2,0,1)、SARIMA(2,0,1)×(0,1,1)_(12)模型,并使用2019年月度涌水量数据进行验证。通过比较3种模型的预测误差,探讨鹤壁八矿矿井涌水量预测的最优模型。结果显示,3种模型对涌水量的预测效果都比较好,其中预测精度最高的模型为ARIMA(2,0,1),SARIMA(2,0,1)×(0,1,1)_(12)模型次之,X12季节调整模型略差。对3种模型的可能误差来源进行了研究分析,可为矿井涌水量预测提供新思路。

摘要： 目的 探讨基于keras的LSTM模型和SARIMA模型预测我国北方省份流感样病例数的可行性,为流感防控工作提供合理的预测方法。方法 利用国家流感中心2013-2019年北方省份的周流感监测数据构建LSTM模型和SARIMA模型,并进行预测。采用平均绝对误差(MAE)、均方根误差(RMSE)评价两种模型的预测效果。结果 LSTM、SARIMA模型的MAE值分别为304.19、352.74,RMSE值分别为398.71、521.07;相比之下,LSTM模型的预测性能优于SARIMA,较SARIMA模型预测性能分别提高了13.76%、23.5%。结论 基于Keras的LSTM模型的预测效果较好,优于SARIMA模型,可为流感预测提供科学依据。

摘要： 研究如何在产量柔性条件下确定供货量和订购量,以助企业取得最佳的预期收益。首先运用SARIMA模型预测未来24周里每周供货商应满足的订货量,然后以保障生产稳定性和原材料订购结构优化为目标,建立目标规划模型;同时,考虑到实际供货量可能多于或少于订货量,引入风险因子反映供货量的波动特征;最后制定每周最经济的订购策略。实验结果表明,该模型具有良好的鲁棒性。

摘要： 交通流量数据具有周期性、不平稳性、复杂性等特点,若使用单一模型对其进行预测,则预测效果不是很好,因此提出一种组合的SARIMA-GPR模型。SARIMA (Seasonal Autoregressive Integrated Moving Average)模型与GPR (Gaussian Process Regression)模型分别很好拟合交通流量的线性部分与非线性部分,且GPR模型考虑到数据的噪声,能更好地抓取到数据信息。对原数据进行特征提取与分析,训练SARIMA模型与GPR模型,得到两个预测模型,根据模型的MAE得到两个模型的权重值,得到最终的预测值。将该组合模型与SARIMA、GPR、SVM、SARIMA-SVM组合模型进行预测效果对比,实验结果表明,SARIMA-GPR模型预测效果要优于单一模型,预测结果平均绝对百分比误差(MAPE)减少到4.51%,预测结果更接近真实数据。

摘要： 通过爬虫程序获取百度指数平台上2012~2021年成渝经济圈5A级旅游景区月搜索指数数据,分析各景区网络关注度的年度和月度趋势特征;利用Python3对2012~2019年月度数据构建SARIMA模型,并运用网格搜索法对模型进行参数寻优;利用最优模型SARIMA(0,1,1)(0,1,1)12对2020~2021年月网络关注度进行预测,并将预测结果与ARIMA模型的预测结果进行对比分析。研究表明:(1)成渝经济圈各5A级旅游景区的网络关注度存在较大差异,其中成都市和乐山市的5A级旅游景区网络关注度较高;(2)成渝经济圈5A级旅游景区网络关注度时间分布具有显著的季节性和假期性特征;(3)SARIMA模型比ARIMA模型预测精度更高,更能反映成渝经济圈5A级旅游景区网络关注度的趋势特征。

摘要： 以南京市商品房房价为研究对象,选取2014年1月至2021年10月为观测时间,构建ARIMA和SARIMA时间序列模型进行房价预测。结果表明,ARIMA(1, 1, 4)模型是拟合房价的最优模型,因此对南京市商品房未来一年的房价做了短期预测,并结合预测结果和南京市房地产业发展状况提出相关建议。

摘要： 针对铁路商品汽车月度运量时间序列呈现非平稳、季节性波动等特征,结合经验模态分解(EMD)方法建立了一种新的SARIMA时间序列预测模型。首先利用EMD将时间序列分解成多个相互独立且相互平稳的分量。然后分别对各个分量建立相对应的SARIMA时间序列模型,去除噪声分量。最后进行数据重构,将重构后的数据再进行SARIMA建模,以实现铁路商品汽车月度运量预测。预测结果显示,建立的EMD-SARIMA模型有着很高的预测精度,能够学习获取时间序列铁路商品汽车月度运量的成长过程及发展趋势,挖掘其周期性变化规律,为解决铁路商品汽车物流高质量发展过程中面临的问题起到重要的参考作用。

摘要： 采用SARIMA模型分析了火灾起数与时间序列上的规律,建立了火灾起数预测模型.对全国2007年1月～2013年6月火灾起数统计数据进行了平稳性处理,预测了2013年7～ 12月的全国发生火灾起数,并与实际比较分析.结果 表明,采用SARIMA模型的预测值与实际值基本吻合,可以用于短期内的火灾预测,为火灾防控提供技术参考.

摘要： 采用SARIMA模型分析了火灾起数与时间序列上的规律,建立了火灾起数预测模型.对全国2007年1月～2013年6月火灾起数统计数据进行了平稳性处理,预测了2013年7～ 12月的全国发生火灾起数,并与实际比较分析.结果 表明,采用SARIMA模型的预测值与实际值基本吻合,可以用于短期内的火灾预测,为火灾防控提供技术参考.

摘要： 采用SARIMA模型分析了火灾起数与时间序列上的规律,建立了火灾起数预测模型.对全国2007年1月～2013年6月火灾起数统计数据进行了平稳性处理,预测了2013年7～ 12月的全国发生火灾起数,并与实际比较分析.结果 表明,采用SARIMA模型的预测值与实际值基本吻合,可以用于短期内的火灾预测,为火灾防控提供技术参考.

摘要： 采用SARIMA模型分析了火灾起数与时间序列上的规律,建立了火灾起数预测模型.对全国2007年1月～2013年6月火灾起数统计数据进行了平稳性处理,预测了2013年7～ 12月的全国发生火灾起数,并与实际比较分析.结果 表明,采用SARIMA模型的预测值与实际值基本吻合,可以用于短期内的火灾预测,为火灾防控提供技术参考.

摘要： 目的:利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据. 方法:收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测. 结果:济宁市2009至2013年共报告流行性腮腺炎病例数8520例,且发病具有明显的周期性和季节性特征.最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声.实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.0001),.对2013年8月至12月发病数进行预测,均在95％置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性. 结论:SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测.

摘要： 目的:利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据. 方法:收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测. 结果:济宁市2009至2013年共报告流行性腮腺炎病例数8520例,且发病具有明显的周期性和季节性特征.最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声.实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.0001),.对2013年8月至12月发病数进行预测,均在95％置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性. 结论:SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测.

摘要： 目的:利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据. 方法:收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测. 结果:济宁市2009至2013年共报告流行性腮腺炎病例数8520例,且发病具有明显的周期性和季节性特征.最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声.实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.0001),.对2013年8月至12月发病数进行预测,均在95％置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性. 结论:SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测.

摘要： 目的:利用SARIMA模型预测未来山东省济宁市流行性腮腺炎发病情况,为流行性腮腺炎防控提供决策依据. 方法:收集山东省济宁市2009年1月至2013年7月流行性腮腺炎月发病数据资料,利用时间序列分析方法,构建SARIMA模型,并对2013年8月至12月的发病数资料进行预测. 结果:济宁市2009至2013年共报告流行性腮腺炎病例数8520例,且发病具有明显的周期性和季节性特征.最终建立的最优模型为SARIMA(0,1,1)(0,1,1)12,赤池信息准则(AIC)为74.45,且通过了统计学检验,模型残差为白噪声.实际月发病数与拟合月发病数进行相关性分析结果显示为显著性相关(r=0.75,P<0.0001),.对2013年8月至12月发病数进行预测,均在95％置信区间内,且与实际发病数变动的趋势一致,验证了模型合理性. 结论:SARIMA模型能较好地拟合济宁市流行性腮腺炎月发病数动态变化,可用于流行性腮腺炎的短期预测.

摘要： 时间序列是一种按照时间顺序取得的一组数据,分析时间序列的常用方法为Box-Jenkins模型。Box-Jenkins模型不以经济理论为指导,依据时间序列自身结构特点建立模型,并利用外推进行预测。本文搜集了2001年1月至2007年9月的入境旅游人数,在此基础上根据Box-Jenkins建模的方法,建立了入境旅游人数带的SARIMA模型,对模型进行了适应性检验,比较了预测值与观测值的差别,证明模型是较合理的。

摘要： 时间序列是一种按照时间顺序取得的一组数据,分析时间序列的常用方法为Box-Jenkins模型。Box-Jenkins模型不以经济理论为指导,依据时间序列自身结构特点建立模型,并利用外推进行预测。本文搜集了2001年1月至2007年9月的入境旅游人数,在此基础上根据Box-Jenkins建模的方法,建立了入境旅游人数带的SARIMA模型,对模型进行了适应性检验,比较了预测值与观测值的差别,证明模型是较合理的。

摘要： 本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法，属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据，利用前m‑k项数据，进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测，分别存入数组和将m‑k～m时刻的原始流量数据与预测结果和分别对比，计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数；同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测，将m+1～m+k时刻的预测结果存入数组yDHW和ySA中，并利用权系数wDHW和wSA，将对应时刻的预测结果进行加权组合，得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高，提升了稳定度与准确度。

摘要： 本发明公开了一种基于SARIMA‑WNN模型预测弹性云计算资源的方法，利用季节时间序列模型(SARIMA)结合小波神经网络(WNN)预测模型，实现优势互补，提高预测精度；SARIMA是在ARIMA模型的基础上加入了季节周期性因素，将过去一段周期性的云资源需求数据输入到SARIMA(q，d，q)(P，D，Q)s模型中,分别得出d、p、q、D、P、Q；运用SARIMA模型进行对平稳化序列后的代码进行预测，通过预测可以得出预测结果标记为以及L残差值标记为rt；利用训练样本对WNN网络进行训练得出符合预测弹性云资源的模型，然后针对残差序列rt进行预测，把预测结果标记为；最后得到SARIMA‑WNN组合模型预测的结果，本发明解决了单一模型不准确以及其他组合模型效果差等问题。

摘要： 本发明涉及一种基于SARIMA模型的燃气轮机故障预警系统，包括燃机数据支撑模块，用于对SIS系统的燃气轮机实时数据进行数据采集、数据加密、数据处理、数据解密、数据传输及数据存储，该模块通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块连接；燃机多模型实时监测分析模块：用于对燃机的高温部件进行实时的性能监测与专业分析，该模块与燃机故障预警模块连接；燃机故障预警模块：用于通过建立SARIMA模型，实现对相关特征参数的预测，并通过与故障数据进行相似性比较，确定系统是否发出故障预警信息。与现有技术相比，本发明具有预测结果准确、对燃机排温能够进行多层次专业分析等优点。

摘要： 本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法，属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据，利用前m‑k项数据，进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测，分别存入数组和将m‑k～m时刻的原始流量数据与预测结果和分别对比，计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数；同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测，将m+1～m+k时刻的预测结果存入数组yDHW和ySA中，并利用权系数wDHW和wSA，将对应时刻的预测结果进行加权组合，得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高，提升了稳定度与准确度。

摘要： 本发明提供了基于BP神经网络非线性组合的SARIMA‑GRU时序预测模型，属于时间序列预测技术领域；解决了如何综合利用多种预测方法所提供的有效信息，通过多个角度分析数据从而获得更好的预测结果的技术问题；解决上述技术问题采用的技术方案为：包括如下步骤：数据预处理：对原始时序数据进行预处理，并划分训练集和测试集；搭建SARIMA时序预测模型：对训练集数据进行平稳性检测，确定SARIMA模型的参数，得到SARIMA时序预测模型；搭建GRU时序预测模型：通过智能优化算法搜索GRU网络超参数，通过梯度下降算法训练GRU网络，得到GRU时序预测模型；搭建BP‑SARIMA‑GRU时序预测模型：构造BP神经网络的训练集，拟合BP神经网络，得到BP‑SARIMA‑GRU时序预测模型；评估BP‑SARIMA‑GRU模型；本发明应用于时序预测。

摘要： 本发明公开了基于SARIMA‑GA‑Elman组合模型的短时交通流量预测系统，属于智能交通系统车流量预测技术领域。本发明通过SARIMA模型的建模、Elman‑RNN预测、SARIMA‑GA‑Elman组合预测、线性预测和非线性预测这五个步骤来实现。本发明训练神经网络往往要耗费大量时间成本，本发明提出了一种新颖的优化方法来解决这个问题。首先，基于GA训练Elman‑RNN的权值和阈值得到最优解的区间临近值，然后使用Elman‑RNN的梯度下降算法继续训练得到最终的权值和阈值。这种优化方式和迁移学习非常相似，可以提高模型的训练效率。本发明利用经过SARIMA预测后的预测误差构建Elman‑RNN非线性模型。预测误差排除了线性因素和日周期因素的干扰，包含交通流的非线性特征。两个模型充分考虑了交通流的周期性，线性和非线性特征。

摘要： 本发明提供一种SARIMA模型的训练方法、装置、设备及存储介质，其中，方案通过将初始数据集分为训练数据集和验证集，基于训练数据集建立SARIMA模型，且建立SARIMA模型时，通过超参d、D的网格搜索，并用AutoArima进行自动拟合，从而得到四种SARIMA模型，再用利用验证集验证SARIMA模型，从而选取最优SARIMA模型，最终将验证集并入训练数据集中，得到目标训练数据集，并通过目标训练数据集对最优SARIMA模型进行训练，更新最优SARIMA模型的系数，得到目标SARIMA模型；从而提高SARIMA模型的泛化预测精度，极大缩短了模型训练时间，且在一定程度上控制了过拟合。

摘要： 本发明提供一种SARIMA模型进行多步预测的方法、装置及设备，该方案通过训练数据集对SARIMA模型进行训练得到目标模型，再用目标模型进行单步预测，将单步预测结果作为真值纳入训练数据集中，从而迭代执行建立模型、单步预测和训练数据集更新的步骤，得到所有单位时间单元的单步预测值，实现了多步预测。通过每次预测都预留原真实训练数据集，则不存在误差累加，减少预测误差，从而提高了预测的精度。

摘要： 本发明公开了一种基于SARIMA‑NAR组合模型的道路月度交通量预测方法，首先收集历年的月度交通量数据，建立道路月度交通量时间序列；然后将月度交通量时间序列运用SARIMA模型进行线性预测，得到线性结果；由SARIMA模型所得线性结果和原始序列计算残差，提取残差序列；后利用残差序列构建NAR模型，进行非线性预测，获取非线性结果；再叠加线性结果和非线性结果，获得最终月度交通量的预测结果；最后，通过平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)多个指标对组合模型预测结果进行评价，预测结果具有较高的有效性和可靠度，预测过程也更加便捷、高效。

摘要： 本发明涉及一种基于SARIMA模型的燃气轮机故障预警系统，包括燃机数据支撑模块，用于对SIS系统的燃气轮机实时数据进行数据采集、数据加密、数据处理、数据解密、数据传输及数据存储，该模块通过无缝嵌入数据应用接口与燃机多模型实时监测分析模块连接；燃机多模型实时监测分析模块：用于对燃机的高温部件进行实时的性能监测与专业分析，该模块与燃机故障预警模块连接；燃机故障预警模块：用于通过建立SARIMA模型，实现对相关特征参数的预测，并通过与故障数据进行相似性比较，确定系统是否发出故障预警信息。与现有技术相比，本发明具有预测结果准确、对燃机排温能够进行多层次专业分析等优点。