注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 汉江安康站最大和最小径流量的数学模型

  2. 河流的径流量是一个非平稳的时间序列。由于径流量的变化受主要受气候的影响，而影响气候的因素又是复杂多样的，对于这样一个复杂的系统，常规的思路如回归分析往往误差较大。 基于时间序列的角度出发，我们分别建立了Holt双指数平滑模型和自回归平滑模型ARMA(p,q)。在ARMA(p,q)模型中，我们采用动态参量法在Matlab中得到拟合效果最佳的p和q的值分别为4和3。并通过估计参数得到了预测方程，从1991到1997年的汉江安康站最大、最小径流量实际值和预测值来看，预测的误差较小，同时用该方程得到1

  3. 所属分类：网络基础

    • 发布日期：2009-08-03
    • 文件大小：1048576
    • 提供者：yuchaobo

  1. MATLAB解决经济非平稳时间序列的预测分析

  2. 本文中,我们提出两种估计ARMA(自回归滑动平均)模型参数的新方法。第一种方法是对迭代逆滤波法(ITIF)的改进,第二种方法基于谱转换技术。两种方法都是迭代算法,文中将两种新方法的计算结果与ITIF法进行了比较。

  3. 所属分类：硬件开发

    • 发布日期：2009-10-04
    • 文件大小：257024
    • 提供者：manseagull

  1. 时间序列分析实验指导

  2. 本实验利用EVIEWS软件对平稳时间序列模型，AR（p）模型，MA（q）模型，ARMA（p，q）模型进行拟合分析

  3. 所属分类：硬件开发

    • 发布日期：2009-12-07
    • 文件大小：855040
    • 提供者：zhu52110001

  1. 应用时间序列分析_PPT

  2. 应用时间序列分析的PPT，老师上课的课件，时间序列的定义，平稳序列的判别，描述了AR模型MA模型，ARMA模型

  3. 所属分类：硬件开发

    • 发布日期：2010-07-15
    • 文件大小：2097152
    • 提供者：justin_xd

  1. ARIMA模型学习资料

  2. 一、自回归模型（AR） 二、滑动平均模型（MA） 三、自回归滑动平均模型 线性时间序列模型的自相关函数与偏自相关函数

  3. 所属分类：硬件开发

    • 发布日期：2010-09-18
    • 文件大小：160768
    • 提供者：Newman510

  1. arma模型简介及参数估计

  2. 平稳时间序列预测法 时间序列 取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。

  3. 所属分类：专业指导

    • 发布日期：2011-08-15
    • 文件大小：188416
    • 提供者：neoxml

  1. 应用随机过程（分析随机过程）

  2. 随机过程 分析随机现象 2）平稳时间序列的线性随机模型的三种重要形式 { at }为白噪声。这三种形式可以描述如下： A：AR（p）自回归模型 ωt-φ1ωt-1-φ2ωt-2-…-φpωt-p=at AR（p）模型有p＋2参数刻画; B: MA(q)滑动平均模型 ωt = at –θ1at-1 –θ2at-2 -…-θqat-q MA(q)模型有q＋2参数刻画; C: ARMA(p,q)混和模型

  3. 所属分类：硬件开发

    • 发布日期：2008-09-26
    • 文件大小：14680064
    • 提供者：sanguozaixing

  1. 时间序列分析

  2. 引论；基本概念；趋势；平稳时间序列；非平稳时间序列；模型辨识；参数估计；模型诊断；预测；季节模型；时间序列回归模型等。这是一本学习时间序列分析很好的资料，分析有浅入深，娓娓道来。

  3. 所属分类：讲义

    • 发布日期：2014-09-17
    • 文件大小：35651584
    • 提供者：zmhdjk

  1. 时间序列 R语言

  2. 引论；基本概念；趋势；平稳时间序列；非平稳时间序列；模型辨识；参数估计；模型诊断；预测；季节模型；时间序列回归模型等。这是一本学习时间序列分析很好的资料，分析有浅入深，娓娓道来。

  3. 所属分类：讲义

    • 发布日期：2014-09-17
    • 文件大小：5242880
    • 提供者：zmhdjk

  1. ARMA模型在语音信号线性预测分析中的应用

  2. 语音信号是一种典型的非平稳随机信号，对语音做分帧处理后可以将其看作准平稳随机信号，从而使用处理平稳随机信号的方法进行处理。由于语音信号的产生可以用一个有理函数式来表达，因此可以用ARMA模型来对语音信号进行建模分析。本文介绍了用于随机时间序列的ARMA模型，线性预测分析的原理及方法，分析了ARMA模型中的AR模型在语音线性预测分析中的应用，阐述了在线性预测分析中AR模型参数求解的具体方法以及影响因素。

  3. 所属分类：讲义

    • 发布日期：2016-12-03
    • 文件大小：581632
    • 提供者：u014780546

  1. R语言 garch回归

  2. variance.model = list(model = "sGARCH", garchOrder = c(1, 1),submodel = NULL, external.regressors = NULL, variance.targeting = FALSE) distribution.model = "norm" ugarchfit(spec, datax, out.sample = 0, solver = "solnp", solver.contro l = list(),fit.c

  3. 所属分类：讲义

    • 发布日期：2017-08-30
    • 文件大小：16384
    • 提供者：qq_36813206

  1. 时间序列MATLAB代码

  2. 做作业的功夫写了几个关于时间序列的小程序，主要是几个函数，都比较一般化，现在共享给大家。 每个文件的作用： GenARMA: 给定ARMA的参数以及白噪声的参数、生成个数、初始值，生成一个ARMA抽样序列 sampleACF: 给定一个时间序列和要求的自协方差函数的阶数，返回自协方差函数 VARrep: 给定一个ARMA过程的参数，转化成相对应的向量自回归Vector AR(1)的参数 Lyapunov: Sargent书上的一个程序，求李雅普诺夫方程的解，主要用于popuACF中 isSta

  3. 所属分类：金融

    • 发布日期：2017-10-03
    • 文件大小：4096
    • 提供者：qq_40477202

  1. 我国进出口总额的时间序列分析

  2. 本文利用1984-2004 年中国进出口总额的年度数据，通过自相关函数和单位根检验检验其平稳性，并应用对数差分方法对该数据进行平稳性处理，在此基础上，选择一个最适合的ARMA 模型，对2005 年我国进出口总额数据进行了预测和比较。

  3. 所属分类：硬件开发

    • 发布日期：2009-01-02
    • 文件大小：701440
    • 提供者：senliuy

  1. 时间序列分析及应用：R语言（原书第2版）

  2. 译者序 前言 第1章 引论 1.1 时间序列举例 1.2 建模策略 1.3 历史上的时间序列图 1.4 本书概述 习题 第2章 基本概念 2.1 时间序列与随机过程 2.2 均值、方差和协方差 2.3 平稳性 2.4 小结 习题 附录A 期望、方差、协方差和相关系数 第3章 趋势 3.1 确定性趋势与随机趋势 3.2 常数均值的估计 3.3 回归方法 3.4 回归估计的可靠性和有效性 3.5 回归结果的解释 3.6 残差分析 3.7 小结 习题 第4章 乎稳时间序列模型 4.1 一般线性过程

  3. 所属分类：专业指导

    • 发布日期：2018-04-08
    • 文件大小：33554432
    • 提供者：huanbia

  1. ARMA模型拟合预测SAS代码及文档

  2. 本文基于SAS软件利用ARMA模型实现了对平稳时间序列的拟合预测。

  3. 所属分类：讲义

    • 发布日期：2018-12-26
    • 文件大小：146432
    • 提供者：qq_42716381

  1. 基于时间序列的瓦斯浓度动态预测

  2. 现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模

  3. 所属分类：其它

    • 发布日期：2020-05-23
    • 文件大小：266240
    • 提供者：weixin_38656989

  1. 采用ARMA模型对变形监测数据处理与预报

  2. 基于平稳时间序列分析理论,通过对ARMA模型的识别与定阶以及参数的估计,建立变形监测数据处理与预报的时间序列ARMA模型,并用该模型对一组实测变形数据进行分析、预测,将变形预测数据与实际观测数据进行比较,取得较好的拟合效果和预测精度。结果表明:ARMA(m,n)模型对变形监测数据处理与预报是十分有效和可靠的,具有一定的应用价值。

  3. 所属分类：其它

    • 发布日期：2020-05-31
    • 文件大小：132096
    • 提供者：weixin_38731199

  1. 利用python实现平稳时间序列的建模方式

  2. 一、平稳序列建模步骤 假如某个观察值序列通过序列预处理可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列进行建模。建模的基本步骤如下： （1）求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。 （2）根据样本自相关系数和偏自相关系数的性质，选择适当的ARMA（p，q）模型进行拟合。 （3）估计模型中位置参数的值。 （4）检验模型的有效性。如果模型不通过检验，转向步骤（2），重新选择模型再拟合。 （5）模型优化。如果拟合模型通过检验，仍然转向不走（2），充分考虑

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：74752
    • 提供者：weixin_38532629

  1. fbprophet案例之python实现

  2. fbprophet案例之python实现目的1.正弦波和矩形波叠加1.1 数据生成过程1.2 数据模拟的python代码1.3 propeht模型拟合2.ARMA过程2.1 ARMA过程和随机模拟器2.2 生成一个平稳的ARMA过程并利用propeht预测2.3 生成一个带趋势的时间序列3.总结 目的      上一篇博文翻译了fbprophet所参考的文献，本篇内容将给出模拟的时间序列，验证下fbpropeht的精度，以及尝试下如何调参； 1.正弦波和矩形波叠加 1.1 数据生成过程     

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：859136
    • 提供者：weixin_38584731

  1. 基于ARMA和Kalman Filter的需求响应基线负荷预测

  2. 用户基线负荷是工商业用户参与需求响应项目执行效果的重要参考，受到环境、用户用电行为等多种因素的影响。为提高工商业用户基线负荷预测的精度，提出了一种基于时间序列（ARMA）和卡尔曼滤波（Kalman Filter）组合的需求响应基线负荷预测模型，通过沙普利值（Shapley Value）方法求出单个预测模型对组合模型的边际贡献率，得到最优的预测结果。案例结果表明，Kalman Filter模型对负荷波动平稳的时间段内预测精度较高，时间序列模型对负荷波动较大的时间段内预测精度较高，而组合预测模型结合

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：1048576
    • 提供者：weixin_38697328
« 12 »