1) multi-factor time series method
多因素时间序列法
1.
Based on the analyses of the deficiency in practical use of present road accident prediction methods,the multi-factor time series method is presented and the multi-factor time series model for forecasting road accidents is built in this paper.
针对现有道路交通事故预测方法在实际应用中的不足,引入多因素时间序列法,建立了道路交通事故多因素时间序列宏观预测模型。
2) multifactor time series
多因素时间序列
1.
The multifactor time series prediction is an important part of Data Mining, which describes the potential relationships between prediction indexes and influential factors, and has a vast application in many fields.
多因素时间序列预测是数据挖掘的一个重要研究内容，描述预测指标与影响因素之间存在的潜在关系，被广泛应用于许多领域。
4) multivariate time cause-effect series model
多元时间因果序列模型
5) multiple time series
多时间序列
1.
A new model for mining multiple time series based on temporal logic
基于时态逻辑的多时间序列挖掘模型
6) time series method
时间序列法
1.
Time series method is adopted for building the strong wind monitoring and warning system of Qinghai-Tibet Railway to realize the short-term forecast of the wind speed along the line.
青藏铁路大风监测预警系统采用时间序列法实现沿线风速的短时预测。
2.
Summarizing the types and constitution of supply chain costs,the paper uses dynamic programming to solve the cost value in different supply chain links and stages under a fixed cost standard,uses the time series method to forecast and renew the future activity costs and meanwhile uses programming to calculate the optimal costs and dynamic cost trend.
总结了供应链成本的类型与构成,利用动态规划法求解在一定成本标准下供应链不同环节和不同阶段的成本值,利用时间序列法对未来的作业成本进行更新预测。
3.
The reliability is combined with the time series which is corresponding with the reliability,then it is analyzed by time series method;the reliability prediction result can be achieved by the extrapolation of the neural network.
将可靠度与对应的时间序列相结合,采用时间序列法对其进行统计分析,然后应用神经网络向外推测,从而得出电火花线切割机床可靠度的预计结果。
补充资料：时间序列法
利用按时间顺序排列的数据预测未来的方法，是一种常用的趋势法。事物的发展变化趋势会延续到未来，反映在随机过程理论中就是时间序列的平稳性或准平稳性。准平稳性是指时间序列经过某种数据处理（如一次或多次差分运算）后变为平稳的性质。时间序列有 4种变动因素:①长期趋势(T)，在整个预测期内事物呈现出渐增或渐减的总倾向；②周期变动(C),以某一时间间隔为周期的周期性变动，如危机和复苏的交替；③季节变动(S)，以一年为周期的周期变动,如服装行业销售额的季节性波动；④偶然变动(I),除上述三种情况之外的不规则变动,又称随机变动。这4种因素的综合模式有加法模式、乘法模式和混合模式。若以yt表示时间序列(t＝1，2，3，...，表示采样时刻)，则加法模式的时间序列yt是上述4种变动因素的相加,yt＝(T)＋(C)＋(S)＋(I)，而乘法模式的yt则是上述4种变动因素的相乘,yt=(T)×(C)×(S)×(I)。时间序列法分为两类：①不细分4种变动因素而直接利用时间序列数据建立数学模型，进行预测。②对4种变动因素有侧重地进行预处理,从而派生出剔除季节变动法、移动平均法、指数平滑法、自回归法、时间函数拟合法等具体预测方法。
剔除季节变动法 对于明显地存在着季节性变动因素的时间序列数据,通常是先剔除季节性因素,找出平稳值和季节性修正系数。在平稳值预测基础上加以季节性修正，就能获得计及季节性变动的预测。以服装业为例,如果1981、1982和1983年1月份的销售额分别是40.0、32.9和37.4，平均值为36.77；三年内总计每月平均为51.18，则可得1月份的三年平均指数为36.77/51.18＝0.718。若剔除季节性变动因素,则1981、1982和1983年每年1月的平均值分别为40.0/0.718＝55.7;32.9/0.718＝45.8；37.4/0.718＝52.1。依此类推，可求出各年各月的平稳值（见图）。图中实线为实际销售值，虚线为剔除季节变动后的平稳值。此外也可按每年12个月的平均值作为各年平稳值的基准，按乘法模式或加法模式提取出季节性变动分量，按照各年基准值预测未来年基准值，然后计及季节变动分量加以修正，即得未来预测值。
移动平均法 又称滑动平均法，对于存在着偶然变动因素的较为平稳的时间序列，可以采用这种方法来剔除偶然变动因素，以对平稳的时间序列作出预测。基本方法是利用紧挨着预测期前的一段时间序列数据（如有m个数据），按某种规则求平均值,作为预测值。当预测期在时间上移动时,所采用的时间序列数据（m个数据的个数不变）也随着在时间上移动。其中一次m元移动法适用于接近平稳的恒定过程；二次m元移动平均法适用于线性增长或衰减过程。
指数平滑法 加权移动平均法的一种（见平滑法）。
自回归法 利用紧挨着预测期前的一段时间序列数据，分别乘上某个系数后叠加求得，用以剔除偶然变动因素。
时间函数拟合法 变量变化规律符合某一时间函数，利用采样数据进行拟合，确定参数，而后外推预测。其中常用的为多项式形式。
参考书目
N.T.Thomopoulos著，刘涌康等译:《实用预测方法》，上海科技文献出版社，上海，1980。(N.T.Thomopoulos,Applied Forecasting Methods,Prentice-Hall,Englewood Cliffs, 1980.)
剔除季节变动法 对于明显地存在着季节性变动因素的时间序列数据,通常是先剔除季节性因素,找出平稳值和季节性修正系数。在平稳值预测基础上加以季节性修正，就能获得计及季节性变动的预测。以服装业为例,如果1981、1982和1983年1月份的销售额分别是40.0、32.9和37.4，平均值为36.77；三年内总计每月平均为51.18，则可得1月份的三年平均指数为36.77/51.18＝0.718。若剔除季节性变动因素,则1981、1982和1983年每年1月的平均值分别为40.0/0.718＝55.7;32.9/0.718＝45.8；37.4/0.718＝52.1。依此类推，可求出各年各月的平稳值（见图）。图中实线为实际销售值，虚线为剔除季节变动后的平稳值。此外也可按每年12个月的平均值作为各年平稳值的基准，按乘法模式或加法模式提取出季节性变动分量，按照各年基准值预测未来年基准值，然后计及季节变动分量加以修正，即得未来预测值。
移动平均法 又称滑动平均法，对于存在着偶然变动因素的较为平稳的时间序列，可以采用这种方法来剔除偶然变动因素，以对平稳的时间序列作出预测。基本方法是利用紧挨着预测期前的一段时间序列数据（如有m个数据），按某种规则求平均值,作为预测值。当预测期在时间上移动时,所采用的时间序列数据（m个数据的个数不变）也随着在时间上移动。其中一次m元移动法适用于接近平稳的恒定过程；二次m元移动平均法适用于线性增长或衰减过程。
指数平滑法 加权移动平均法的一种（见平滑法）。
自回归法 利用紧挨着预测期前的一段时间序列数据，分别乘上某个系数后叠加求得，用以剔除偶然变动因素。
时间函数拟合法 变量变化规律符合某一时间函数，利用采样数据进行拟合，确定参数，而后外推预测。其中常用的为多项式形式。
参考书目
N.T.Thomopoulos著，刘涌康等译:《实用预测方法》，上海科技文献出版社，上海，1980。(N.T.Thomopoulos,Applied Forecasting Methods,Prentice-Hall,Englewood Cliffs, 1980.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条