1) classical time series analysis model
传统时间序列分析模型
1.
The classical time series analysis model(linear regression,two step moving average,one step smoothing,two step EXSMOOTH,three step EXSMOOTH,etc.
对比传统时间序列分析模型(线性回归、二次滑动平均、一次平滑、二次指数平滑和三次指数平滑等)与ARIMA模型在山东省粮食总产量中的拟合精度,并应用ARIMA(2,1,12)模型预测了未来3年内山东省粮食总产量。
2) Traditional time series analysis
传统时间序列分析
4) fuzzy time series analysis
模糊时间序列分析
5) statistic time-series model
统计-时间序列模型
6) statistical times-series models
统计时间序列模型
1.
The predictions of statistical times-series models were corrected based on the different types which were calculated by constructive neural networks mo-dels(covering algorithm).
采用构造性神经网络模型(覆盖算法)得出的类别值对统计时间序列模型的预测值进行修正,建立一种同时考虑时间序列自身周期变化和外生变量因子对时间序列未来变化趋势影响的混合预测模型,涵盖了实际问题的线性和非线性两方面,提高了预测精度。
补充资料：时间序列分析
| 时间序列分析 time series analysis 用随机过程理论和数理统计学方法，对时间序列进行的统计分析。数理统计学的分支。时间序列是指被观测到的依时间次序排列的数据序列。从经济到工程技术，从天文到地理和气象，几乎在各种领域中都会遇到时间序列。时间序列分析包括一般统计分析（如自相关分析、谱分析等），统计模型的建立与推断，以及关于时间序列的最优预测、控制和滤波等内容。经典的统计分析都假定数据序列具有独立性，而时间序列分析则着重研究数据序列的相互依赖关系。后者实际上是对离散指标的随机过程的统计分析，所以又可看作是随机过程统计的一个组成部分。例如，记录了某地区第一个月，第二个月，…第T个月的降雨量，利用时间序列分析方法，可以对未来各月的雨量进行预报。时间序列分析在第二次世界大战前就已应用于经济预测，第二次世界大战后，在军事科学、空间科学和工业自动化等部门的应用更加广泛。 就数学方法而言，平稳随机序列（见平稳过程）的统计分析，在理论上的发展比较成熟，从而构成时间序列分析的基础。时间序列分析的主要内容有：①频域分析。一个时间序列可看成各种周期扰动的叠加，频域分析就是确定各周期的振动能量的分配，这种分配称为谱或功率谱。因此频域分析又称谱分析。②时域分析。目的在于确定序列在不同时刻取值的相互依赖关系，或者说，确定序列的相关结构。③模型分析。20世纪70年代以后，应用最广泛的时间序列模型是平稳自回归——滑动平均模型（简称ARMA模型）。两个特殊情况是自回归模型和滑动平均模型。④回归分析。如果时间序列可表示为 确定性分量 与随机性分量之和 ，根据样本值（数据序列）来估计确定性分量及分析随机性分量的统计规律，属于时间序列分析中的回归分析问题。 |
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