時(shí)間序列
- 計(jì)量視角下離群值識(shí)別法的研究綜述與展望
模型；估計(jì)；時(shí)間序列；面板數(shù)據(jù)中圖分類號(hào)：O212 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1673-260X（2023）07-0004-061 引言目前，對(duì)離群值的識(shí)別和處理的課題一直備受學(xué)者們關(guān)注，這是因?yàn)殡x群值會(huì)大幅惡化基于模型和估計(jì)的實(shí)證結(jié)果，使其出現(xiàn)嚴(yán)重的偏差和錯(cuò)誤的預(yù)測(cè)。目前，離群值最常用的識(shí)別和處理方法有簡(jiǎn)單去除法和縮尾處理法。簡(jiǎn)單去除法是學(xué)者們根據(jù)數(shù)據(jù)本身的特征和直觀意識(shí)來(lái)判斷，將那些極值點(diǎn)（離群值）直接去除，以得到更穩(wěn)定更有效的實(shí)證結(jié)果，但從統(tǒng)計(jì)學(xué)
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2023年7期2023-08-26
- 基于數(shù)據(jù)分解和深度強(qiáng)化學(xué)習(xí)的交通流預(yù)測(cè)方法
局部加權(quán)回歸時(shí)間序列分解方法將數(shù)據(jù)分解為趨勢(shì)分量、季節(jié)分量和剩余分量.趨勢(shì)分量由門(mén)控循環(huán)單元（GRU）訓(xùn)練，季節(jié)分量和剩余分量作為環(huán)境狀態(tài)采用策略梯度算法和強(qiáng)化學(xué)習(xí)模型學(xué)習(xí)，根據(jù)門(mén)控循環(huán)單元網(wǎng)絡(luò)的趨勢(shì)預(yù)測(cè)結(jié)果，環(huán)境狀態(tài)對(duì)預(yù)測(cè)結(jié)果進(jìn)行及時(shí)調(diào)整.實(shí)驗(yàn)結(jié)果表明，本文提出的方法優(yōu)于其他模型.關(guān)鍵詞：交通流預(yù)測(cè)；強(qiáng)化學(xué)習(xí)；時(shí)間序列；策略梯度[? ?中圖分類號(hào)? ? ]TP391[? ? 文獻(xiàn)標(biāo)志碼? ?]? ATraffic Flow Prediction Meth
- 山東省數(shù)字普惠金融對(duì)企業(yè)發(fā)展的影響
字普惠金融；時(shí)間序列；企業(yè)經(jīng)濟(jì)；實(shí)質(zhì)性創(chuàng)新一、引言數(shù)字普惠金融通過(guò)數(shù)字技術(shù)加強(qiáng)和完善金融基礎(chǔ)設(shè)施，以較低的成本向社會(huì)各界提供多樣的金融服務(wù)，從而有效地為全社會(huì)提供完善的金融服務(wù)。普惠金融涉及服務(wù)范圍較廣，包括支付、存款、貸款、保險(xiǎn)、信用服務(wù)和證券等多種業(yè)務(wù)領(lǐng)域。隨著數(shù)字經(jīng)濟(jì)的發(fā)展，數(shù)字化賦能金融，對(duì)投資融資等金融服務(wù)實(shí)現(xiàn)數(shù)字化創(chuàng)新應(yīng)用，帶動(dòng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)，推動(dòng)企業(yè)科技創(chuàng)新，增強(qiáng)金融實(shí)體經(jīng)濟(jì)能力。現(xiàn)階段數(shù)字普惠金融已深入百姓生活，改變了人們的投資和支付方式，革
商場(chǎng)現(xiàn)代化 2023年9期2023-07-25
- 基于Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)速時(shí)間序列預(yù)測(cè)實(shí)例
? 要：風(fēng)速時(shí)間序列具有非線性和非平穩(wěn)性的特點(diǎn)，傳統(tǒng)的預(yù)測(cè)方法難以建立風(fēng)速間的函數(shù)關(guān)系，因此風(fēng)速時(shí)間序列的預(yù)測(cè)結(jié)果精度不高。人工神經(jīng)網(wǎng)絡(luò)所具有的強(qiáng)非線性擬合能力有效地解決了風(fēng)速時(shí)間序列難以預(yù)測(cè)的痛點(diǎn)，文章選擇Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)全國(guó)3個(gè)地區(qū)不同尺度的風(fēng)速時(shí)間序列，初步探討了神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)的可行性。結(jié)果表明，Elman神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練，具有時(shí)序非線性擬合的能力，但預(yù)測(cè)結(jié)果精度尚未提高。關(guān)鍵詞：時(shí)間序列；風(fēng)速預(yù)測(cè)；Elman神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)精度中圖分類號(hào)：T
現(xiàn)代信息科技 2023年3期2023-06-22
- 基于參考點(diǎn)信息預(yù)測(cè)的動(dòng)態(tài)多目標(biāo)優(yōu)化經(jīng)濟(jì)決策模型研究
個(gè)體質(zhì)心建立時(shí)間序列，通過(guò)灰色預(yù)測(cè)策略產(chǎn)生預(yù)測(cè)個(gè)體；同時(shí)為了增加種群的多樣性，在每個(gè)預(yù)測(cè)個(gè)體加上擾動(dòng)。實(shí)驗(yàn)結(jié)果表明RGPS模型在處理動(dòng)態(tài)多目標(biāo)經(jīng)濟(jì)決策問(wèn)題的有效性。關(guān)鍵詞：動(dòng)態(tài)多目標(biāo)優(yōu)化；灰色預(yù)測(cè)；參考點(diǎn)；時(shí)間序列中圖分類號(hào)：F224.3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? 文章編號(hào)：1671-9255（2023）01-0043-05一、文獻(xiàn)綜述隨著中國(guó)開(kāi)放經(jīng)濟(jì)已成體系并日益復(fù)雜，在科學(xué)管理與經(jīng)濟(jì)決策的許多應(yīng)用領(lǐng)域中存在著很多動(dòng)態(tài)多目標(biāo)優(yōu)化問(wèn)題
安徽商貿(mào)職業(yè)技術(shù)學(xué)院學(xué)報(bào)·社會(huì)科學(xué)版 2023年1期2023-05-30
- 基于時(shí)間序列的上證綜合指數(shù)分析及預(yù)測(cè)
鑒于此，選取時(shí)間序列作為模型，使用R語(yǔ)言作為實(shí)現(xiàn)的軟件，先對(duì)序列進(jìn)行平穩(wěn)性檢驗(yàn)和白噪聲檢驗(yàn)，計(jì)算出不同的模型的AIC值，最終選擇ARIMA（2，2，0）作為報(bào)告使用模型，用時(shí)間序列回歸來(lái)對(duì)上證綜指進(jìn)行擬合預(yù)測(cè)。關(guān)鍵詞：時(shí)間序列；上證綜指；ARIMA中圖分類號(hào)：F224? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2023）07-0088-03引言在經(jīng)濟(jì)高速發(fā)展的社會(huì)，無(wú)論是商業(yè)活動(dòng)還是金融活動(dòng)大多都會(huì)采用回歸分析等方式對(duì)未來(lái)做出預(yù)測(cè)
經(jīng)濟(jì)研究導(dǎo)刊 2023年7期2023-05-21
- 生育決策模型視角下江蘇生育率演變趨勢(shì)及成因分析
出。本文運(yùn)用時(shí)間序列數(shù)據(jù)，對(duì)江蘇20余年的生育率演變規(guī)律及成因進(jìn)行分析，認(rèn)為可支配收入、教育成本以及女性受教育程度對(duì)生育率均有較為顯著的影響，并從政策、企業(yè)、家庭和社會(huì)層面系統(tǒng)提出了江蘇人口穩(wěn)步增長(zhǎng)的對(duì)策建議。關(guān)鍵詞：生育率；時(shí)間序列；可支配收入；生育決策模型中圖分類號(hào)：F24?????文獻(xiàn)標(biāo)識(shí)碼：A??????doi：10.19311/j.cnki.16723198.2023.09.0250?引言人口問(wèn)題是一個(gè)基礎(chǔ)的、普遍的、影響深遠(yuǎn)的問(wèn)題。隨著經(jīng)濟(jì)水平
現(xiàn)代商貿(mào)工業(yè) 2023年9期2023-04-27
- 金融市場(chǎng)典型事實(shí)下的金融資產(chǎn)回報(bào)實(shí)證研究
：典型事實(shí)；時(shí)間序列；定量研究；風(fēng)險(xiǎn)管理 一、引言 啤酒生產(chǎn)在大多數(shù)國(guó)家都很普遍，消費(fèi)率在很大程度上影響著啤酒生產(chǎn)速度和公司股價(jià)，進(jìn)而為企業(yè)風(fēng)險(xiǎn)管理帶來(lái)機(jī)遇與挑戰(zhàn)。大多數(shù)學(xué)者如Schwert， 都對(duì)股票收益率和工業(yè)生產(chǎn)數(shù)據(jù)的關(guān)系進(jìn)行了系統(tǒng)研究。Lazarus則從行業(yè)層面的角度出發(fā)，指出當(dāng)前行業(yè)的金融資產(chǎn)回報(bào)與未來(lái)工業(yè)生產(chǎn)增長(zhǎng)率間存在密切關(guān)系?，F(xiàn)有研究從多方面實(shí)證啤酒的消費(fèi)生產(chǎn)速率波動(dòng)會(huì)引發(fā)包括股價(jià)變動(dòng)在內(nèi)的各種風(fēng)險(xiǎn)進(jìn)而影響企業(yè)價(jià)值，但較少有基于金融資產(chǎn)
中國(guó)集體經(jīng)濟(jì) 2023年10期2023-04-11
- 基于時(shí)序挖掘的網(wǎng)絡(luò)流量分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
展鵬關(guān)鍵詞：時(shí)間序列；網(wǎng)絡(luò)流量；異常檢測(cè)；前后端分離0 引言當(dāng)前正處于網(wǎng)絡(luò)技術(shù)高速發(fā)展的時(shí)代，《“十四五”國(guó)家信息化規(guī)劃》的發(fā)布進(jìn)一步推動(dòng)“互聯(lián)網(wǎng)+”、大數(shù)據(jù)、云技術(shù)等前沿技術(shù)深度融合到生產(chǎn)、教育、科研等各個(gè)領(lǐng)域。以高校信息化建設(shè)為例，隨著接入校園網(wǎng)絡(luò)環(huán)境的設(shè)備、服務(wù)、信息系統(tǒng)等不斷增多，針對(duì)網(wǎng)絡(luò)的攻擊愈發(fā)頻繁，網(wǎng)絡(luò)安全問(wèn)題日益嚴(yán)峻。網(wǎng)絡(luò)安全和信息化是事關(guān)國(guó)家安全、國(guó)家發(fā)展、事關(guān)全國(guó)人民學(xué)習(xí)、工作、生活的重大戰(zhàn)略問(wèn)題，沒(méi)有網(wǎng)絡(luò)安全就沒(méi)有國(guó)家安全，沒(méi)有信息化
電腦知識(shí)與技術(shù) 2023年5期2023-04-06
- 應(yīng)用車聯(lián)網(wǎng)的車輛綜合油耗時(shí)間序列分析模型
車輛綜合油耗時(shí)間序列分析模型對(duì)于油耗分析波動(dòng)能力、結(jié)果準(zhǔn)確性較差的問(wèn)題，基于車聯(lián)網(wǎng)研究了一種新的車輛綜合油耗時(shí)間序列分析模型。結(jié)合大渡河流域山區(qū)道路特點(diǎn)，計(jì)算車輛發(fā)動(dòng)機(jī)的功率，提取擁堵道路有效數(shù)據(jù)，分析1VSP小區(qū)間內(nèi)的燃油消耗，采用對(duì)數(shù)變換的方式縮小車輛發(fā)動(dòng)機(jī)轉(zhuǎn)速與轉(zhuǎn)矩的差距，以實(shí)現(xiàn)車輛油耗數(shù)據(jù)與發(fā)動(dòng)機(jī)相關(guān)數(shù)據(jù)的預(yù)處理。引用信息熵的概念評(píng)估車輛綜合油耗時(shí)間序列分析模型的復(fù)雜度與優(yōu)良性，確定車速與油耗之間擬合曲線，構(gòu)建大渡河流域車聯(lián)網(wǎng)車輛綜合油耗時(shí)間序列分
粘接 2022年7期2022-07-19
- 互聯(lián)網(wǎng)背景下時(shí)間序列分析課程教學(xué)的研究探討
孟佳摘 要：時(shí)間序列分析是一門(mén)對(duì)縱向數(shù)據(jù)建模分析的應(yīng)用型課程，能夠非常有效地處理時(shí)間序列數(shù)據(jù)，在“人工智能+互聯(lián)網(wǎng)+教育”的新形勢(shì)下，豐富多樣的教學(xué)資源和學(xué)習(xí)途徑涌現(xiàn)，有必要進(jìn)行教學(xué)改革，更新數(shù)據(jù)分析能力的培養(yǎng)模式，更好地適應(yīng)大數(shù)據(jù)形勢(shì)的發(fā)展。文章從思政元素、師資隊(duì)伍、教學(xué)方式、教學(xué)內(nèi)容、實(shí)踐能力五方面對(duì)該課程的教學(xué)改革作出嘗試，力圖完成課程價(jià)值塑造、能力發(fā)展和知識(shí)教導(dǎo)三位一體的教學(xué)目標(biāo)。關(guān)鍵詞：時(shí)間序列;互聯(lián)網(wǎng)+教育;課程思政中圖分類號(hào)：G64? ? ?
學(xué)周刊 2022年22期2022-07-13
- 基于時(shí)間序列模型的吉林省農(nóng)產(chǎn)品市場(chǎng)營(yíng)銷策略分析
分析后，通過(guò)時(shí)間序列模型來(lái)對(duì)未來(lái)的吉林省農(nóng)產(chǎn)品出口額進(jìn)行預(yù)測(cè)，最終提出問(wèn)題和解決對(duì)策。關(guān)鍵詞：農(nóng)產(chǎn)品;市場(chǎng)營(yíng)銷;時(shí)間序列;出口額預(yù)測(cè)一、吉林省特色農(nóng)產(chǎn)品概況及營(yíng)銷模式分析1.吉林省特色農(nóng)產(chǎn)品現(xiàn)狀概況吉林省作為農(nóng)業(yè)大省，其大豆、玉米等農(nóng)產(chǎn)品產(chǎn)量在我國(guó)處于前列，同時(shí)吉林省的特色農(nóng)產(chǎn)品產(chǎn)量在我國(guó)也處于領(lǐng)先位置。例如有東北特色的長(zhǎng)白山人參是吉林省遠(yuǎn)近聞名的中草藥的特產(chǎn)，其含量占全國(guó)的80%，世界總含量的70%，是國(guó)家地理標(biāo)志保護(hù)性產(chǎn)品，且吉林高粱酒作為吉林省農(nóng)業(yè)產(chǎn)
商場(chǎng)現(xiàn)代化 2022年17期2022-05-30
- 北京市居民消費(fèi)結(jié)構(gòu)計(jì)量分析
性回歸模型;時(shí)間序列一、引言中國(guó)作為當(dāng)今世界上唯一工業(yè)門(mén)類齊全的工業(yè)大國(guó)與世界第二大經(jīng)濟(jì)體，是世界經(jīng)濟(jì)增長(zhǎng)的重要引擎。自2008年全球性金融危機(jī)以來(lái)，大量國(guó)家經(jīng)濟(jì)放緩。我國(guó)出口因?yàn)閲?guó)外經(jīng)濟(jì)疲軟而受到波及，貢獻(xiàn)降低且投資周期相對(duì)較長(zhǎng)、見(jiàn)效較慢，所以發(fā)展內(nèi)需成為今后促進(jìn)經(jīng)濟(jì)的重要方向，這也與我國(guó)倡導(dǎo)的“內(nèi)循環(huán)”模式相呼應(yīng)。我國(guó)發(fā)展內(nèi)需有著優(yōu)厚條件，目前為止已經(jīng)形成了近三億規(guī)模的中產(chǎn)人群，中國(guó)未來(lái)內(nèi)需市場(chǎng)巨大。但是，不可忽視的是如今中國(guó)仍有六億人每個(gè)月的收入僅在
商場(chǎng)現(xiàn)代化 2022年7期2022-05-30
- 基于ARMA模型的新疆鐵路客運(yùn)量預(yù)測(cè)
化趨勢(shì)，采用時(shí)間序列中自回歸差分移動(dòng)平均模型（ARMA），介紹如何通過(guò)ARMA模型對(duì)鐵路客運(yùn)量進(jìn)行定量預(yù)測(cè)。以新疆統(tǒng)計(jì)年鑒提供的新疆鐵路客運(yùn)量數(shù)據(jù)（1985—2018年）為基準(zhǔn)，對(duì)該時(shí)間序列進(jìn)行平穩(wěn)非白噪聲處理。結(jié)果顯示在置信區(qū)間合理范圍內(nèi)，ARMA（1，2，2）提供了比較準(zhǔn)確的預(yù)測(cè)結(jié)果，可用于對(duì)未來(lái)客運(yùn)量的預(yù)測(cè)，結(jié)合模型并對(duì)2019年新疆鐵路客運(yùn)量進(jìn)行預(yù)測(cè)，以期為新疆運(yùn)輸業(yè)的發(fā)展提供參考依據(jù)。關(guān)鍵詞：時(shí)間序列；ARMA模型；新疆；鐵路客運(yùn)量中圖分類號(hào)：F
經(jīng)濟(jì)研究導(dǎo)刊 2022年33期2022-05-30
- 基于LSTM的燃煤電廠NOx排量軟測(cè)量
行數(shù)據(jù)具有的時(shí)間序列特征，提出一種基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法對(duì)NOx排放量進(jìn)行預(yù)測(cè)。在分析NOx產(chǎn)生機(jī)理的基礎(chǔ)上，利用來(lái)自陜西省榆林市某電廠2019年1月至6月的實(shí)際生產(chǎn)數(shù)據(jù)，初步選取與NOx排放量緊密相關(guān)的20個(gè)輔助變量;將數(shù)據(jù)進(jìn)行預(yù)處理以消除粗大誤差和隨機(jī)誤差，并利用灰色關(guān)聯(lián)度分析進(jìn)一步精選出15個(gè)輔助變量;將實(shí)際生產(chǎn)數(shù)據(jù)劃分訓(xùn)練集和測(cè)試及對(duì)LSTM模型進(jìn)行訓(xùn)練和測(cè)試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型的軟測(cè)量結(jié)果比較。結(jié)果表明
- 上市公司商業(yè)信用時(shí)間序列研究
;信號(hào)傳遞;時(shí)間序列【中圖分類號(hào)】F276.6? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2022）07-0034-9一、引言在金融市場(chǎng)發(fā)展比較滯后的一些新興市場(chǎng)國(guó)家， 非正規(guī)金融對(duì)經(jīng)濟(jì)發(fā)展起到了重要作用， 特別是商業(yè)信用[1] 。 在信用環(huán)境較發(fā)達(dá)的國(guó)家和地區(qū)， 商業(yè)信用是企業(yè)重要的外部融資渠道之一， 所以有必要對(duì)我國(guó)商業(yè)信用的發(fā)展?fàn)顩r進(jìn)行分析。 目前的文獻(xiàn)主要集中于討論商業(yè)信用的獲得， 較少文獻(xiàn)基于商業(yè)信用供給角度進(jìn)行研究，
財(cái)會(huì)月刊·上半月 2022年4期2022-04-24
- 基于SARIMA模型的農(nóng)村供水工程用水量實(shí)時(shí)預(yù)測(cè)
加權(quán)平滑; 時(shí)間序列中圖法分類號(hào)：TU991.31 文獻(xiàn)標(biāo)志碼：A DOI：10.15974/j.cnki.slsdkb.2022.04.007文章編號(hào)：1006 - 0081（2022）04 - 0042 - 040 引 言從中國(guó)供水發(fā)展的歷程來(lái)看，首先解決的是城市地區(qū)集中供水的問(wèn)題，偏遠(yuǎn)的城鎮(zhèn)和農(nóng)村地區(qū)長(zhǎng)期采用河湖、水窖、地下水等分散取水方式。近年來(lái)，政府大力提升農(nóng)村安全飲水條件，建成1 100萬(wàn)處農(nóng)村供水工程。農(nóng)村供水工程點(diǎn)多、線長(zhǎng)、面廣
水利水電快報(bào) 2022年4期2022-04-20
- 基于分段聚合和卡爾曼濾波的紗線直徑時(shí)間序列預(yù)測(cè)
線直徑值建立時(shí)間序列模型狀態(tài)方程，采用自回歸滑動(dòng)平均模型ARMA（p，q）進(jìn)行紗線直徑和變異系數(shù)預(yù)測(cè)，然后利用卡爾曼濾波對(duì)預(yù)測(cè)值進(jìn)行優(yōu)化。通過(guò)實(shí)驗(yàn)對(duì)預(yù)測(cè)模型進(jìn)行準(zhǔn)確性驗(yàn)證，結(jié)果表明：卡爾曼濾波優(yōu)化后預(yù)測(cè)的紗線直徑均方根誤差為2.68%，平均絕對(duì)百分比誤差為6.71%;比對(duì)其他預(yù)測(cè)方法預(yù)測(cè)的條干不勻率，顯示出良好的預(yù)測(cè)精度;模型泛化驗(yàn)證所選取的8個(gè)實(shí)驗(yàn)樣本的檢測(cè)結(jié)果均在烏斯特50%統(tǒng)計(jì)值內(nèi)，同時(shí)紗線平均直徑與理論直徑之間的誤差小于3%。這表明該預(yù)測(cè)模型對(duì)于在
現(xiàn)代紡織技術(shù) 2022年2期2022-03-29
- 基于LSTM的智能家庭用電預(yù)測(cè)模型研究
與全連接層對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行訓(xùn)練，得到預(yù)測(cè)模型。實(shí)驗(yàn)結(jié)果表明，所提方法的預(yù)測(cè)效果明顯優(yōu)于其他三種模型，能與真實(shí)數(shù)據(jù)較好地?cái)M合。關(guān)鍵詞：智慧能源;用電預(yù)測(cè);特征選擇;時(shí)間序列;LSTM網(wǎng)絡(luò)中圖分類號(hào)：TP399? ? ?文獻(xiàn)標(biāo)識(shí)碼：AResearch on Smart Power Consumption Prediction?Model of Smart Home based on LSTMZHOU You， XU Dan， ZHAO Can， TAN Yu
軟件工程 2022年2期2022-03-09
- 基于GRU序列的攻擊趨勢(shì)預(yù)測(cè)
歸神經(jīng)網(wǎng)絡(luò);時(shí)間序列;編碼器;譯碼器1 方案背景入侵檢測(cè)領(lǐng)域?qū)τ跈C(jī)器學(xué)習(xí)的應(yīng)用在近些年有了飛速提升，如人工神經(jīng)網(wǎng)絡(luò)，遺傳算法等，都在入侵檢測(cè)領(lǐng)域頗見(jiàn)成效。但是由于機(jī)器學(xué)習(xí)方法存在很多局限性，使得他無(wú)法面對(duì)多樣化的入侵手段。需要對(duì)學(xué)習(xí)方法有高要求，才能應(yīng)對(duì)入侵特征的自動(dòng)提取和分析。深度學(xué)習(xí)在處理復(fù)雜數(shù)據(jù)時(shí)，有突出的識(shí)別能力，是由于應(yīng)用了高度非線性結(jié)構(gòu)。同時(shí)，深度學(xué)習(xí)算法也由于并行計(jì)算硬件設(shè)施的高速發(fā)展，有了更強(qiáng)大的硬件能力。借助合理的網(wǎng)絡(luò)結(jié)構(gòu)，可以對(duì)深度神經(jīng)
科技信息·學(xué)術(shù)版 2022年5期2022-02-21
- 基于GRU序列的攻擊趨勢(shì)預(yù)測(cè)
歸神經(jīng)網(wǎng)絡(luò);時(shí)間序列;編碼器;譯碼器1 方案背景入侵檢測(cè)領(lǐng)域?qū)τ跈C(jī)器學(xué)習(xí)的應(yīng)用在近些年有了飛速提升，如人工神經(jīng)網(wǎng)絡(luò)，遺傳算法等，都在入侵檢測(cè)領(lǐng)域頗見(jiàn)成效。但是由于機(jī)器學(xué)習(xí)方法存在很多局限性，使得他無(wú)法面對(duì)多樣化的入侵手段。需要對(duì)學(xué)習(xí)方法有高要求，才能應(yīng)對(duì)入侵特征的自動(dòng)提取和分析。深度學(xué)習(xí)在處理復(fù)雜數(shù)據(jù)時(shí)，有突出的識(shí)別能力，是由于應(yīng)用了高度非線性結(jié)構(gòu)。同時(shí)，深度學(xué)習(xí)算法也由于并行計(jì)算硬件設(shè)施的高速發(fā)展，有了更強(qiáng)大的硬件能力。借助合理的網(wǎng)絡(luò)結(jié)構(gòu)，可以對(duì)深度神經(jīng)
科技信息 2022年5期2022-02-21
- 基于ARIMA模型的股票價(jià)格實(shí)證分析
析選取的股價(jià)時(shí)間序列數(shù)據(jù)的平穩(wěn)性，若是不平穩(wěn)序列，要把該數(shù)據(jù)平穩(wěn)化處理后才能繼續(xù)進(jìn)行后續(xù)分析。實(shí)證分析結(jié)果表明，利用選取的ARIMA模型預(yù)測(cè)大眾公用9天的開(kāi)盤(pán)價(jià)，結(jié)果顯示，預(yù)測(cè)的誤差較小，說(shuō)明該模型具有一定的參考價(jià)值和現(xiàn)實(shí)意義，ARIMA模型可以為投資者及相關(guān)投資機(jī)構(gòu)提供股票投資決策參考。關(guān)鍵詞：ARIMA模型? 股票開(kāi)盤(pán)價(jià)? 時(shí)間序列? 股票預(yù)測(cè)中圖分類號(hào)：F832.51? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? 文章編號(hào)：1672-3791（2021）
科技資訊 2021年29期2021-12-31
- 基于電力大數(shù)據(jù)的經(jīng)濟(jì)景氣指數(shù)分析
節(jié)調(diào)整算法;時(shí)間序列電力是各行業(yè)經(jīng)濟(jì)發(fā)展的重要能源，用電數(shù)據(jù)是國(guó)民經(jīng)濟(jì)的“晴雨表”，能夠反映經(jīng)濟(jì)發(fā)展的真實(shí)情況。積極開(kāi)展大數(shù)據(jù)應(yīng)用研究工作，讓外部數(shù)據(jù)“走進(jìn)來(lái)”、電力數(shù)據(jù)價(jià)值“走出去”，通過(guò)橫向拓展、縱向延伸，深度挖掘電力數(shù)據(jù)的社會(huì)化應(yīng)用價(jià)值也是電力數(shù)字化發(fā)展的重要方向。景氣是對(duì)研究對(duì)象發(fā)展?fàn)顩r的一種綜合性描述，用于說(shuō)明研究對(duì)象的活躍程度。景氣分析是一種經(jīng)濟(jì)周期的統(tǒng)計(jì)分析方法，利用月度或者季度數(shù)據(jù)經(jīng)濟(jì)統(tǒng)計(jì)序列，分析研判經(jīng)濟(jì)發(fā)展在周期性波動(dòng)中所處的階段，通過(guò)
家園·電力與科技 2021年11期2021-12-28
- 我國(guó)當(dāng)前高等教育投資規(guī)模狀況分析
教育財(cái)政支出時(shí)間序列采用“二次型模型”進(jìn)行了確定性的趨勢(shì)擬合并給出了模型參數(shù)的估計(jì)結(jié)果，最后根據(jù)影響高等教育投資規(guī)模的四類主要因素，采用多元時(shí)間序列協(xié)整的方法對(duì)我國(guó)當(dāng)前的高等教育投資規(guī)模狀況進(jìn)行了分析。分析得出：我國(guó)高等教育的投資規(guī)模并不適合，與我國(guó)當(dāng)前的經(jīng)濟(jì)增長(zhǎng)之間存在著較大的缺口，高等教育投資規(guī)模的增長(zhǎng)速度遠(yuǎn)落后于我國(guó)經(jīng)濟(jì)建設(shè)的增長(zhǎng)速度，國(guó)家應(yīng)繼續(xù)保持對(duì)高等教育投資擴(kuò)大投資力度，努力促進(jìn)高等教育投資主體多元化，實(shí)現(xiàn)高等教育事業(yè)與經(jīng)濟(jì)建設(shè)相互拉動(dòng)、相互促
科學(xué)與生活 2021年22期2021-12-27
- 電力市場(chǎng)下日前電價(jià)預(yù)測(cè)方法的研究
差。本文提出時(shí)間序列法（ARIMA）和神經(jīng)網(wǎng)絡(luò)法（LSTM）對(duì)電力市場(chǎng)供給側(cè)短期電價(jià)變化進(jìn)行預(yù)測(cè)。其中神經(jīng)網(wǎng)絡(luò)法主要針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的缺點(diǎn)和不足，將神經(jīng)網(wǎng)絡(luò)算法引入電價(jià)預(yù)測(cè)模型中，根據(jù)時(shí)間序列之間存在的相關(guān)關(guān)系對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)與訓(xùn)練，降低實(shí)驗(yàn)誤差?；谏疃葘W(xué)習(xí)的長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)可以同時(shí)兼顧數(shù)據(jù)的時(shí)序性和非線性，包含的記憶單元能夠有效的克服RNN梯度消失問(wèn)題，使得模型更加適合電價(jià)預(yù)測(cè)，預(yù)測(cè)短期電價(jià)精度高。關(guān)鍵詞：電力價(jià)格; 時(shí)間序列
科學(xué)與生活 2021年22期2021-12-27
- 時(shí)間序列在濟(jì)南市GDP預(yù)測(cè)中的應(yīng)用與可行性分析
的最終結(jié)果。時(shí)間序列是一種動(dòng)態(tài)數(shù)據(jù)分析的方法，為了探索未來(lái)5年濟(jì)南經(jīng)濟(jì)發(fā)展的趨勢(shì)，本文以濟(jì)南市近20年擬合ARMA模型進(jìn)行預(yù)測(cè)，最后得出結(jié)論，未來(lái)五年濟(jì)南市GDP將逐年增長(zhǎng)，增長(zhǎng)趨勢(shì)相對(duì)穩(wěn)定。關(guān)鍵詞：GDP;時(shí)間序列;ARIMA模型;預(yù)測(cè);Eviews1.前言1.1模型介紹ARMA模型（Autoregressive moving average model）是時(shí)間序列最常用的最有效果的一種數(shù)據(jù)處理模型。若時(shí)間序列滿足則該時(shí)間序列服從（p.q）階的自回歸滑動(dòng)
電子樂(lè)園·上旬刊 2021年3期2021-12-24
- 外部沖擊對(duì)零售業(yè)的影響
業(yè)。關(guān)鍵詞：時(shí)間序列 新冠疫情 VAR模型引言在經(jīng)過(guò)改革開(kāi)放40多年的發(fā)展，我國(guó)的經(jīng)濟(jì)發(fā)展取得了舉世矚目的成就，國(guó)內(nèi)生產(chǎn)總值從3679億元增長(zhǎng)到990865億元，經(jīng)濟(jì)實(shí)力躍升至全球第二位，人均收入于2019年達(dá)到了3.1萬(wàn)元人民生活有了顯著提高。而推動(dòng)我國(guó)經(jīng)濟(jì)快速發(fā)展的動(dòng)力就是我們常說(shuō)的三駕馬車：投資、出口、消費(fèi)，在最初階段我們主要通過(guò)投資這架馬車來(lái)拉動(dòng)經(jīng)濟(jì)的增長(zhǎng)，到了2002年我國(guó)加入世界貿(mào)易組織后，我們國(guó)家憑借著廉價(jià)的勞動(dòng)力成本優(yōu)勢(shì)，在全球的對(duì)外貿(mào)易中
科學(xué)與生活 2021年8期2021-12-22
- 基于ARIMA 模型預(yù)測(cè)Bitcoin 價(jià)格的研究
IMA模型;時(shí)間序列引言2008年10月，一位名為中本聰密碼學(xué)者發(fā)布了《比特幣： 一種點(diǎn)對(duì)點(diǎn)的電子現(xiàn)金系統(tǒng)》的文章，文內(nèi)描述了一種被他稱為“比特幣”的電子貨幣及其算法。隨后，中本聰挖出第一個(gè)區(qū)塊，即所謂的創(chuàng)世區(qū)塊，由此比特幣正式誕生。比特幣是基于區(qū)塊鏈技術(shù)，具有分布式賬本、可追溯、不可篡改、去中心化等特點(diǎn)，為金融創(chuàng)新帶來(lái)了新的可能。在比特幣出現(xiàn)后，還有以太坊、瑞波幣等基于區(qū)塊鏈技術(shù)的數(shù)字貨幣大量涌現(xiàn)。比特幣的底層技術(shù)是區(qū)塊鏈。區(qū)塊鏈，顧名思義是由“區(qū)塊”和
科學(xué)與生活 2021年21期2021-11-10
- 基于ARIMA模型對(duì)我國(guó)客運(yùn)量的分析和預(yù)測(cè)
策。本文采用時(shí)間序列建模的方法，通過(guò)數(shù)據(jù)預(yù)處理、模型識(shí)別、參數(shù)估計(jì)以及模型檢驗(yàn)與優(yōu)化等步驟，建立了ARIMA（0，2，4）模型，并利用該模型對(duì)未來(lái)5年我國(guó)客運(yùn)量進(jìn)行預(yù)測(cè)，并基于預(yù)測(cè)結(jié)果提出了合理化建議。關(guān)鍵詞：客運(yùn)量;時(shí)間序列;SAS;ARIMA模型1引言1.1研究背景一個(gè)國(guó)家，過(guò)去與未來(lái)的經(jīng)濟(jì)發(fā)展與交通運(yùn)輸都是相互影響和制約的，民間流傳的一句話，最形象的表達(dá)了運(yùn)輸與經(jīng)濟(jì)發(fā)展的關(guān)系：“要想富，先修路”。所以在更加注重經(jīng)濟(jì)發(fā)展的今天，運(yùn)輸業(yè)的發(fā)展已經(jīng)成為一個(gè)
錦繡·下旬刊 2021年12期2021-11-03
- 基于LSTM神經(jīng)網(wǎng)絡(luò)的時(shí)間序列證券價(jià)格趨勢(shì)預(yù)測(cè)
精確度更高的時(shí)間序列預(yù)測(cè)模型是很重要的。本文在吸取前人利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行證券價(jià)格趨勢(shì)預(yù)測(cè)中的經(jīng)驗(yàn)，基于長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)搭建時(shí)間序列，提出利用指數(shù)移動(dòng)平均值均線對(duì)數(shù)據(jù)進(jìn)行采樣，以提高時(shí)間序列對(duì)證券價(jià)格趨勢(shì)預(yù)測(cè)的準(zhǔn)確性。本文采用的時(shí)間序列數(shù)據(jù)為上證指數(shù)日線收盤(pán)價(jià)，實(shí)驗(yàn)結(jié)果表明預(yù)測(cè)精確度提高70%，采用指數(shù)移動(dòng)平均值均線對(duì)數(shù)據(jù)進(jìn)行采樣輸入時(shí)間序列分析模型的預(yù)測(cè)效果優(yōu)于傳統(tǒng)方法進(jìn)行數(shù)據(jù)采樣。本文的實(shí)驗(yàn)結(jié)果為國(guó)家對(duì)市場(chǎng)的監(jiān)督和投資者的決策提供了一定參考。關(guān)鍵
中國(guó)商論 2021年20期2021-10-28
- 基于泛函回聲狀態(tài)網(wǎng)絡(luò)的時(shí)間序列分類
SN）能夠?qū)?span id="xb5dfhh" class="hl">時(shí)間序列分類問(wèn)題，具有分類效果好的優(yōu)勢(shì)?；趯?shí)時(shí)監(jiān)測(cè)的結(jié)構(gòu)狀態(tài)分析問(wèn)題，是典型的多變量、大數(shù)據(jù)集的時(shí)間序列分類問(wèn)題，于是本文將泛函回聲狀態(tài)網(wǎng)絡(luò)擴(kuò)展至結(jié)構(gòu)狀態(tài)分析領(lǐng)域。利用Bookshelf框架模型試驗(yàn)，驗(yàn)證了FESN方法在結(jié)構(gòu)損傷識(shí)別準(zhǔn)確率方面的優(yōu)勢(shì)。關(guān)鍵詞：泛函回聲狀態(tài)網(wǎng)絡(luò);時(shí)間序列;遺傳算法;損傷識(shí)別中圖分類號(hào)：1 引言泛函回聲狀態(tài)網(wǎng)絡(luò)（FESN）是已經(jīng)成功應(yīng)用于單變量時(shí)間序列分類的一種方法。FESN的工作就是將頻率分析方法加進(jìn)了回聲狀態(tài)網(wǎng)
科教創(chuàng)新與實(shí)踐 2021年32期2021-10-21
- 政策工具視角下我國(guó)社區(qū)教育政策文本量化分析
政策工具使用時(shí)間序列構(gòu)建了社區(qū)教育政策三維分析框架，通過(guò)對(duì)所選的社區(qū)教育政策文本進(jìn)行計(jì)量分析，對(duì)目前我國(guó)社區(qū)教育政策中存在的問(wèn)題進(jìn)行了探究。研究發(fā)現(xiàn)，政策工具的分配存在差異性，能力建設(shè)工具占據(jù)主導(dǎo)地位;權(quán)威工具中法律支撐不足，激勵(lì)工具內(nèi)容單一;政策工具分布與教育發(fā)展要素配置的變化整體上符合社區(qū)教育政策發(fā)展趨勢(shì)。為推動(dòng)社區(qū)教育的可持續(xù)性發(fā)展，政府未來(lái)應(yīng)優(yōu)化政策工具組織結(jié)構(gòu)，提高政策工具與內(nèi)容的適配性;完善權(quán)威工具法律支撐，補(bǔ)齊激勵(lì)工具內(nèi)容短板;加強(qiáng)師資隊(duì)伍建
教育與職業(yè)(上) 2021年10期2021-10-14
- 基于LSTM的軌道交通進(jìn)站客流短時(shí)預(yù)測(cè)研究
交通流預(yù)測(cè);時(shí)間序列;軌道交通中圖分類號(hào)：U231文獻(xiàn)標(biāo)志碼：A城市軌道交通的發(fā)展作為城市公共交通現(xiàn)代化的重要組成部分，對(duì)于提高大中型城市客流運(yùn)輸量和運(yùn)輸效率、發(fā)展綠色交通以及緩解大城市道路交通擁堵具有重要意義。截至2020年年底，全國(guó)（不含港澳臺(tái)）境內(nèi)共有44個(gè)主要城市建設(shè)并開(kāi)通投入運(yùn)營(yíng)的城市軌道交通線路233條，運(yùn)營(yíng)里程7 545.5 km，車站4 660座，實(shí)際運(yùn)行列車2 528萬(wàn)列次，完成客運(yùn)量175.9億人次，進(jìn)站量109.1億人次。然而，隨著我
- 新冠疫情對(duì)我國(guó)貿(mào)易的損失預(yù)測(cè)
RMA模型;時(shí)間序列;貨物進(jìn)出口;跨境貿(mào)易;一、引言新冠肺炎的傳播對(duì)我國(guó)對(duì)外貿(mào)易產(chǎn)生了一定的影響，外貿(mào)企業(yè)出口業(yè)務(wù)額大幅縮減，出口情況不容樂(lè)觀。進(jìn)口業(yè)務(wù)因?yàn)閲?yán)格的口岸入境政策被削減，一二季度的進(jìn)口額呈現(xiàn)下降趨勢(shì)。從以上分析可以看出，疫情重創(chuàng)了我國(guó)進(jìn)出口貿(mào)易，雖然國(guó)內(nèi)生產(chǎn)活動(dòng)已經(jīng)基本恢復(fù)，但外貿(mào)部門(mén)的損失也亟待彌補(bǔ)。另一方面，疫情暴發(fā)使防疫用品需求激增，在全球范圍內(nèi)呈現(xiàn)出嚴(yán)重的產(chǎn)能、供給不足情況，供給缺口巨大，為了滿足全球疫情的需求，中國(guó)企業(yè)開(kāi)足馬力生產(chǎn)相關(guān)
商場(chǎng)現(xiàn)代化 2021年14期2021-09-22
- 我國(guó)宏觀經(jīng)濟(jì)對(duì)煤炭?jī)r(jià)格的影響研究
向量自回歸;時(shí)間序列【Keywords】macro economy; coal price; empirical research method; VAR; time series【中圖分類號(hào)】F426;F764.1;F124? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號(hào)】1673-1069
中小企業(yè)管理與科技·下旬刊 2021年9期2021-09-16
- 碳中和背景下氣溫衍生品定價(jià)研究
絡(luò)模型對(duì)氣溫時(shí)間序列進(jìn)行預(yù)測(cè)與誤差分析，借助蒙特卡洛模擬方法對(duì)氣溫衍生品定價(jià)。研究結(jié)果表明，ELM神經(jīng)網(wǎng)絡(luò)較ARMA模型和BP神經(jīng)網(wǎng)絡(luò)氣溫預(yù)測(cè)精度有顯著提高，可為氣溫衍生品的定價(jià)奠定基礎(chǔ)。關(guān)鍵詞：氣溫衍生品;ELM神經(jīng)網(wǎng)絡(luò);蒙特卡洛方法;時(shí)間序列一、引言21世紀(jì)以來(lái)，應(yīng)對(duì)全球氣候變化成為人類實(shí)現(xiàn)全球可持續(xù)發(fā)展面臨的最嚴(yán)峻的挑戰(zhàn)。2020年10月20日，生態(tài)環(huán)境部、國(guó)家發(fā)改委、中國(guó)人民銀行、中國(guó)銀保監(jiān)會(huì)、中國(guó)證監(jiān)會(huì)等五部門(mén)共同發(fā)布了《關(guān)于促進(jìn)應(yīng)對(duì)氣候變化投融
金融發(fā)展研究 2021年8期2021-09-15
- 中職“雙師型”教師隊(duì)伍建設(shè)政策的發(fā)展與演進(jìn)邏輯
內(nèi)容（Y）和時(shí)間序列（Z）三維框架，對(duì)53份中職“雙師型”教師隊(duì)伍建設(shè)（1994-2020年）政策文本進(jìn)行計(jì)量分析。研究發(fā)現(xiàn)：政策工具類型使用不均衡，命令工具和能力建設(shè)工具應(yīng)用過(guò)多;政策內(nèi)容間存在較大差異，培養(yǎng)培訓(xùn)體系和教師管理內(nèi)容過(guò)于集中;政策工具作用于政策內(nèi)容的均衡性不足，存在配置差異。建議未來(lái)合理優(yōu)化政策工具整體結(jié)構(gòu)，實(shí)現(xiàn)工具的科學(xué)搭配;適度調(diào)整政策的注意力配置，促進(jìn)要素的協(xié)調(diào)發(fā)展;妥善規(guī)劃政策工具與政策內(nèi)容的整合，加強(qiáng)政策體系的建設(shè)。關(guān)鍵詞 中等職
職業(yè)技術(shù)教育 2021年20期2021-09-15
- 基于時(shí)序Landsat遙感影像棗樹(shù)種植面積提取
基于不同特征時(shí)間序列數(shù)據(jù)集，使用動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）方法對(duì)時(shí)間序列遙感影像進(jìn)行分類?；?span id="5x5jld5" class="hl">時(shí)間序列Landsat 8影像數(shù)據(jù)，使用NDVI、EVI、第一主成分（principal component analysis 1，PCA1）3種特征數(shù)據(jù)集結(jié)合DTW算法，對(duì)比分析不同特征量對(duì)棗樹(shù)的識(shí)別精度。結(jié)果表明：基于DTW（NDVI）的時(shí)間序列特征數(shù)據(jù)集結(jié)合DTW算法能夠得到較好的分類結(jié)果，基于時(shí)序DTW（EVI）特征量
安徽農(nóng)學(xué)通報(bào) 2021年16期2021-09-14
- 我國(guó)期權(quán)與期貨市場(chǎng)價(jià)格發(fā)現(xiàn)功能研究
;金融市場(chǎng);時(shí)間序列一、剖析期權(quán)與期貨市場(chǎng)價(jià)格發(fā)現(xiàn)功能研究意義期權(quán)與期貨市場(chǎng)價(jià)格發(fā)現(xiàn)功能是金融市場(chǎng)發(fā)展來(lái)的大躍步，尤其是供給側(cè)改革發(fā)展背景下，雖然為金融市場(chǎng)發(fā)展提供更多機(jī)遇，但是在很多方面也提高了發(fā)展標(biāo)準(zhǔn)。針對(duì)這種情況，金融市場(chǎng)必須積極對(duì)當(dāng)前發(fā)展結(jié)構(gòu)形態(tài)加以調(diào)整，期權(quán)與期貨市場(chǎng)價(jià)格發(fā)現(xiàn)功能的形成，在很大程度上為期權(quán)與期貨市場(chǎng)發(fā)展提高競(jìng)爭(zhēng)優(yōu)勢(shì)，創(chuàng)造占領(lǐng)金融市場(chǎng)發(fā)展制高點(diǎn)的有利條件。隨著上證50ETF期權(quán)的開(kāi)放，作為創(chuàng)新型基金模式，一經(jīng)推出便成為金融市場(chǎng)發(fā)展以
中國(guó)集體經(jīng)濟(jì) 2021年25期2021-09-13
- 絲綢之路經(jīng)濟(jì)帶上青海省經(jīng)濟(jì)發(fā)展的實(shí)證研究
：經(jīng)濟(jì)發(fā)展;時(shí)間序列;共線性診斷;單位根檢驗(yàn);協(xié)整檢驗(yàn)中圖分類號(hào)：F207 文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.12245/j.issn.2096-6776.2021.12.071 引言青海處于古絲綢之路的重要節(jié)點(diǎn)上，絲綢之路青海段上的文化遺產(chǎn)見(jiàn)證了中國(guó)古代的輝煌文明和絲綢之路的歷史，青海曾經(jīng)為構(gòu)建經(jīng)濟(jì)社會(huì)文化網(wǎng)絡(luò)發(fā)揮了重要作用[1]。青海作為西北腹地，其對(duì)“一帶一路”的建設(shè)，乃至西北地區(qū)甚至全國(guó)的發(fā)展具有重要的意義[2]。但青海省絲綢之路經(jīng)濟(jì)帶上的經(jīng)濟(jì)發(fā)展結(jié)構(gòu)究
商展經(jīng)濟(jì)·下半月 2021年6期2021-09-10
- 陜西省工業(yè)時(shí)間序列分析及預(yù)測(cè)
和預(yù)測(cè)非平穩(wěn)時(shí)間序列。由歷史上眾多數(shù)據(jù)分析報(bào)告可以看出，對(duì)陜西省工業(yè)研究而言，工業(yè)總產(chǎn)值是非常典型的代表性數(shù)據(jù)對(duì)陜西省工業(yè)有著重要意義。因此，本文以1988?2017年陜西省工業(yè)總產(chǎn)值的年度數(shù)據(jù)為例，利用ARIMA模型進(jìn)行時(shí)間序列分析，預(yù)測(cè)2018?2020年的工業(yè)總產(chǎn)值。通過(guò)所得數(shù)據(jù)進(jìn)行分析，并提出相關(guān)建議。為陜西省當(dāng)?shù)毓I(yè)制相關(guān)部門(mén)或工業(yè)企業(yè)的部門(mén)實(shí)施相關(guān)政策，獲得更優(yōu)的經(jīng)濟(jì)發(fā)展決策，提供可靠的理論預(yù)測(cè)以及參考。關(guān)鍵詞：ARIMA模型;陜西省工業(yè)總產(chǎn)值
錦繡·下旬刊 2021年8期2021-07-19
- 基于Bootstrap和Bagging時(shí)間序列模型的黑龍江老齡人口預(yù)測(cè)
ging，;時(shí)間序列;指數(shù)平滑法;老齡人口引言全國(guó)第七次人口普查數(shù)據(jù)表明，我國(guó)60歲以上人口占人口總數(shù)的13.50%，人口老齡化程度進(jìn)一步加深。面對(duì)我國(guó)人口老齡化這一不可逆轉(zhuǎn)的過(guò)程，黨和政府高度重視，《“十四五”規(guī)劃綱要》提出，我國(guó)要實(shí)施積極應(yīng)對(duì)人口老齡化戰(zhàn)略，完善公共服務(wù)體系，促進(jìn)人口長(zhǎng)期均衡發(fā)展。近年來(lái)，有很多文章研究人口老齡化問(wèn)題。黑龍江自2005年進(jìn)入人口老齡化社會(huì)，雖晚于全國(guó)時(shí)間，但老齡化速度非?？臁Ｔ诖吮尘跋?，明確黑龍江人口老齡化趨勢(shì)，對(duì)政策和
理論與創(chuàng)新 2021年6期2021-07-19
- 養(yǎng)老保險(xiǎn)基金支出對(duì)居民消費(fèi)影響的實(shí)證研究
面板數(shù)據(jù)構(gòu)建時(shí)間序列模型，通過(guò)將變量滯后的方法消除序列相關(guān)性的影響，從而深入研究養(yǎng)老保險(xiǎn)基金支出對(duì)居民消費(fèi)的影響。研究結(jié)果表明，人口老齡化加劇和物價(jià)上漲會(huì)抑制居民消費(fèi)欲望，而養(yǎng)老保險(xiǎn)基金支出的增加會(huì)減少預(yù)防性儲(chǔ)蓄，從而對(duì)居民消費(fèi)有著正向促進(jìn)作用。關(guān)鍵詞：養(yǎng)老保險(xiǎn)基金;居民消費(fèi);時(shí)間序列;滯后變量中圖分類號(hào)：F842? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2021）16-0079-05引言社會(huì)保險(xiǎn)制度是社會(huì)的“安全閥”和“穩(wěn)定
經(jīng)濟(jì)研究導(dǎo)刊 2021年16期2021-07-14
- 時(shí)序數(shù)據(jù)挖掘的預(yù)處理研究綜述
。關(guān)鍵詞： 時(shí)間序列;預(yù)處理;數(shù)據(jù)清洗;特征提取;模式表示文章編號(hào)： 2095-2163（2021）01-0074-05 中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A【Abstract】Due to the massive and high-dimensional characteristics of time series data， preprocessing the original data is an important step for tim
智能計(jì)算機(jī)與應(yīng)用 2021年1期2021-07-11
- 基于時(shí)間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建
本文提出基于時(shí)間序列的體育產(chǎn)業(yè)數(shù)據(jù)精準(zhǔn)挖掘模型構(gòu)建方法。采用全局穩(wěn)態(tài)特征融合方法實(shí)現(xiàn)對(duì)體育產(chǎn)業(yè)數(shù)據(jù)分布式時(shí)間序列模型構(gòu)建，采用統(tǒng)計(jì)量化融合分析方法實(shí)現(xiàn)體育產(chǎn)業(yè)數(shù)據(jù)特征量化空間轉(zhuǎn)換，通過(guò)模糊解析控制方法，挖掘體育產(chǎn)業(yè)數(shù)據(jù)的關(guān)聯(lián)分布熵。采用輸出增益穩(wěn)態(tài)分析方法，構(gòu)建體育產(chǎn)業(yè)數(shù)據(jù)挖掘的線性解析參數(shù)分析模型，采用二乘規(guī)劃和線性融合方法，實(shí)現(xiàn)對(duì)體育產(chǎn)業(yè)數(shù)據(jù)挖掘的內(nèi)源融合和參數(shù)控制，結(jié)合模糊聚類實(shí)現(xiàn)對(duì)體育產(chǎn)業(yè)數(shù)據(jù)的統(tǒng)計(jì)特征線性聚類處理。結(jié)合稀疏性的特征匹配調(diào)度模型，構(gòu)
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2021年4期2021-06-24
- 基于時(shí)間序列的鄭州市人均生產(chǎn)總值的預(yù)測(cè)
.【關(guān)鍵詞】時(shí)間序列;人均GDP;ARIMA【Keywords】time series; GDP per capita; ARIMA【中圖分類號(hào)】F222.33;F224? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號(hào)】1673-1069（2021）04-0130-021 研究背景及意義本文利
中小企業(yè)管理與科技·上旬刊 2021年4期2021-06-07
- 基于時(shí)序數(shù)據(jù)庫(kù)服務(wù)監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
通過(guò)合理利用時(shí)間序列數(shù)據(jù)庫(kù)高效且靈活索引，利用其較好的查詢展現(xiàn)能力，并按照需求延伸數(shù)據(jù)表的結(jié)構(gòu)，以時(shí)序型數(shù)據(jù)庫(kù)與分布式通信系統(tǒng)核心網(wǎng)結(jié)合進(jìn)行深入設(shè)計(jì)為例，分析和解決了大型系統(tǒng)軟件中服務(wù)監(jiān)控系統(tǒng)的需求難題。關(guān)鍵詞：時(shí)間序列；數(shù)據(jù)庫(kù)；服務(wù)監(jiān)控；InfluxDB；通信系統(tǒng)中圖分類號(hào)：TP311文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2021）06-60-40引言在大型系統(tǒng)軟件設(shè)計(jì)中服務(wù)監(jiān)控系統(tǒng)有海量數(shù)據(jù)的快速寫(xiě)入和讀取需求，要能夠適應(yīng)多個(gè)完全不同的項(xiàng)目同時(shí)對(duì)
計(jì)算機(jī)與網(wǎng)絡(luò) 2021年6期2021-06-01
- 養(yǎng)老服務(wù)床位需求預(yù)測(cè)與運(yùn)營(yíng)模式模型分析
]微分方程;時(shí)間序列;差分預(yù)測(cè)1 模型的準(zhǔn)備預(yù)測(cè)老年人口數(shù)量及城鄉(xiāng)養(yǎng)老床位需求量比值，老年人口數(shù)量預(yù)測(cè)：由于老年人口增量具有連續(xù)性，又考慮到一些偶然因素對(duì)人口數(shù)量造成隨機(jī)擾動(dòng)，為了消除隨機(jī)波動(dòng)的影響，收集2007—2016年城鄉(xiāng)老年人口數(shù)量，利用時(shí)間序列預(yù)測(cè)未來(lái)城鄉(xiāng)老年人口數(shù)量變化。詳見(jiàn)圖1。從圖1可以看出，該時(shí)間序列的變動(dòng)近似為直線趨勢(shì)，用一次指數(shù)平滑法預(yù)測(cè)會(huì)存在滯后誤差，為了進(jìn)行修正，利用二次平滑法建立老年人口變動(dòng)趨勢(shì)模型。其計(jì)算公式為：按照預(yù)測(cè)老年人
中國(guó)市場(chǎng) 2021年11期2021-05-06
- 人口結(jié)構(gòu)對(duì)經(jīng)濟(jì)增長(zhǎng)的影響
2019年的時(shí)間序列數(shù)據(jù)分析人口結(jié)構(gòu)對(duì)經(jīng)濟(jì)增長(zhǎng)的影響。為保持我國(guó)經(jīng)濟(jì)長(zhǎng)期穩(wěn)定持續(xù)發(fā)展，需要及早調(diào)整生育政策、完善養(yǎng)老服務(wù)體系及醫(yī)療保險(xiǎn)制度，發(fā)展多元產(chǎn)業(yè)緩解因老齡化而抑制的經(jīng)濟(jì)增長(zhǎng)問(wèn)題。關(guān)鍵詞：人口結(jié)構(gòu);經(jīng)濟(jì)增長(zhǎng);人口老齡化;時(shí)間序列;實(shí)證檢驗(yàn)中圖分類號(hào)：F12 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ?文章編號(hào)：1673-291X（2021）36-0001-04引言從2010年開(kāi)始，我國(guó)經(jīng)濟(jì)迅速發(fā)展，人口老齡化問(wèn)題逐漸突出，因此非農(nóng)業(yè)工廠類產(chǎn)業(yè)招工難成為了
經(jīng)濟(jì)研究導(dǎo)刊 2021年36期2021-04-01
- 基于灰色理論和時(shí)間序列模型預(yù)測(cè)棉花產(chǎn)量可行性研究
于灰色理論和時(shí)間序列的組合預(yù)測(cè)模型對(duì)新疆棉花產(chǎn)量進(jìn)行了預(yù)測(cè)。實(shí)證分析結(jié)果表明：組合模型的預(yù)測(cè)結(jié)果更加逼近于真實(shí)數(shù)據(jù)，預(yù)測(cè)精確度較單一預(yù)測(cè)模型的結(jié)果準(zhǔn)確性更高、誤差更小。因此， GM模型與ARIMA模型組合預(yù)測(cè)新疆棉花產(chǎn)量是可行的。關(guān)鍵詞：灰色理論;時(shí)間序列;組合模型;棉花產(chǎn)量;預(yù)測(cè)中圖分類號(hào)：S562文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2095-3143（2021）01-0015-07DOI：10.3969/j.issn.2095-3143.2021.01.003Ab
棉花科學(xué) 2021年1期2021-03-24
- 電力時(shí)間序列的分布式索引算法
乃網(wǎng)摘 要：時(shí)間序列的研究已經(jīng)被應(yīng)用到越來(lái)越多的領(lǐng)域中。越來(lái)越多的領(lǐng)域應(yīng)用需要索引和分析海量的時(shí)間序列，代表性的比如金融，電力，生物信息等等。這類應(yīng)用往往面臨數(shù)以億計(jì)的時(shí)間序列的處理，然后從中識(shí)別出一些隱藏的模式來(lái)。然而目前對(duì)時(shí)間序列的索引技術(shù)都是單機(jī)版本，需要用漫長(zhǎng)的時(shí)間來(lái)對(duì)大量的時(shí)間序列進(jìn)行索引，限制了時(shí)間序列分析的產(chǎn)出率。提出了一種基于Isax表達(dá)的分布式時(shí)間序列索引算法，并在Spark分布式計(jì)算框架下實(shí)現(xiàn)算法。首先，給出了基于Isax的分布式索引算
哈爾濱理工大學(xué)學(xué)報(bào) 2021年6期2021-03-14
- 基于ARIMA的河北省花生產(chǎn)量預(yù)測(cè)分析
礙。文章利用時(shí)間序列分析中的 ARIMA（p，d，q）模型，對(duì)河北省 2000 ～2017 年花生產(chǎn)量數(shù)據(jù)進(jìn)行了隨機(jī)性分析，并結(jié)合 EVIEWS7.02時(shí)間序列分析軟件，經(jīng)過(guò)模型識(shí)別、比較、建立以及檢驗(yàn)等過(guò)程，最終后確定了 ARIMA（2，1，3）模型，并運(yùn)用此模型擬合了河北省 2000～2017 年的花生產(chǎn)量，同時(shí)對(duì)河北省 2018～2020 年3年的花生產(chǎn)量進(jìn)行了分析與預(yù)測(cè)。關(guān)鍵詞：時(shí)間序列;ARIMA模型;河北省;花生產(chǎn)量自二十世紀(jì)七十年代以來(lái)，世界
中國(guó)集體經(jīng)濟(jì) 2021年3期2021-02-04
- 基于小波分析的廊坊市2015-2018年P(guān)M25質(zhì)量濃度研究
均質(zhì)量濃度的時(shí)間序列為例，研究廊坊市大氣PM25質(zhì)量濃度在時(shí)間序列上的周期特性。結(jié)果表明，廊坊市空氣PM2優(yōu)良等級(jí)天數(shù)保持連續(xù)增長(zhǎng)，2015-2018年P(guān)M25年均質(zhì)量濃度呈現(xiàn)逐年下降的良好趨勢(shì)。坊市PM2日均質(zhì)量濃度具有顯著的周期性，以短期震蕩為主。主要周期為19d左右、35d左右以及60d左右，第一周期為19d。可為后續(xù)廊坊市大氣污染物PM2s濃度變化周期性研究提供借鑒。關(guān)鍵詞 小波變換;PM25;時(shí)間序列;周期性;廊坊市中圖分類號(hào)：X513文獻(xiàn)標(biāo)識(shí)碼
農(nóng)業(yè)災(zāi)害研究 2021年2期2021-01-18
- 海量水文地質(zhì)時(shí)間序列數(shù)據(jù)相關(guān)性算法設(shè)計(jì)
針對(duì)水文地質(zhì)時(shí)間序列數(shù)據(jù)分析，本文提出以相關(guān)性算法為核心思想的算法設(shè)計(jì)，簡(jiǎn)單介紹并且研究了時(shí)間序列的定義、公式和降維方法以及相似性算法的概念、公式、特點(diǎn)和用法。并通過(guò)對(duì)海量水文地質(zhì)數(shù)據(jù)的相關(guān)性分析，對(duì)礦井突水進(jìn)行預(yù)測(cè)。關(guān)鍵詞：時(shí)間序列;相似性算法;水文地質(zhì)數(shù)據(jù)1相關(guān)知識(shí)背景簡(jiǎn)介1.1時(shí)間序列定義時(shí)間序列其實(shí)就是以時(shí)間順序?yàn)橐罁?jù)進(jìn)行相關(guān)排列，且是有順序的值， 表示時(shí)間序列，子時(shí)間序列就是連續(xù)的一個(gè)片段，它用 來(lái)代表，子時(shí)間序列的長(zhǎng)度用 來(lái)表示。時(shí)間序列數(shù)據(jù)的
裝備維修技術(shù) 2020年13期2020-12-23
- LSTM神經(jīng)網(wǎng)絡(luò)在股票價(jià)格預(yù)測(cè)中的應(yīng)用
，以股票歷史時(shí)間序列數(shù)據(jù)為研究對(duì)象，構(gòu)造不同天數(shù)長(zhǎng)度的時(shí)間序列，作為網(wǎng)絡(luò)的輸入;然后訓(xùn)練過(guò)程中，加入Early-stopping技術(shù)，防止學(xué)習(xí)的過(guò)擬合;最后，用狀態(tài)參數(shù)傳遞的方式利用變長(zhǎng)Batch在測(cè)試集上對(duì)未來(lái)股票收盤(pán)價(jià)進(jìn)行預(yù)測(cè)。通過(guò)與傳統(tǒng)機(jī)器學(xué)習(xí)回歸模型性能的比較，驗(yàn)證了基于變長(zhǎng)Batch的LSTM預(yù)測(cè)模型及參數(shù)優(yōu)選策略在股票價(jià)格分析中具有較好的泛化能力和較低的預(yù)測(cè)誤差。關(guān)鍵詞：長(zhǎng)短時(shí)記憶模型;循環(huán)神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí);時(shí)間序列;過(guò)擬合中圖分類號(hào)：TP3
電腦知識(shí)與技術(shù) 2020年28期2020-12-14
- 基于概率統(tǒng)計(jì)的電力負(fù)荷時(shí)間序列預(yù)測(cè)模型
計(jì)的電力負(fù)荷時(shí)間序列預(yù)測(cè)模型，采用基于概率主分量分析模型的電力運(yùn)行數(shù)據(jù)預(yù)處理方法，去除冗余數(shù)據(jù)。對(duì)預(yù)處理后的電力運(yùn)行數(shù)據(jù)，通過(guò)基于多變量時(shí)間序列的電力負(fù)荷預(yù)測(cè)模型，實(shí)現(xiàn)電力負(fù)荷預(yù)測(cè)。經(jīng)實(shí)驗(yàn)驗(yàn)證，所構(gòu)建模型對(duì)電力負(fù)荷的預(yù)測(cè)結(jié)果可信度高，且對(duì)短期、長(zhǎng)期的電力負(fù)荷的預(yù)測(cè)精度均顯著，針對(duì)不同時(shí)間序列類型的電力負(fù)荷預(yù)測(cè)任務(wù)而言，均可實(shí)現(xiàn)高精度、全方位的電力負(fù)荷預(yù)測(cè)，可作為電力負(fù)荷預(yù)測(cè)任務(wù)中的參考模型。關(guān)鍵詞： 電力負(fù)荷預(yù)測(cè); 概率統(tǒng)計(jì); 時(shí)間序列; 預(yù)測(cè)模型構(gòu)建;
現(xiàn)代電子技術(shù) 2020年21期2020-12-07
- 變壓器在線監(jiān)測(cè)數(shù)據(jù)異常值檢測(cè)與清洗
線監(jiān)測(cè)的多元時(shí)間序列數(shù)據(jù)進(jìn)行關(guān)聯(lián)度挖掘，提取出關(guān)聯(lián)性強(qiáng)的序列為后續(xù)多元序列異常數(shù)據(jù)檢測(cè)提供依據(jù);其次建立基于k-means聚類的方法建立數(shù)據(jù)的異常檢測(cè)模型;最后研究了時(shí)間序列預(yù)測(cè)方法，完成趨勢(shì)預(yù)測(cè)并填充缺失值和噪聲值，保持?jǐn)?shù)據(jù)完整性。通過(guò)某變電站的在線監(jiān)測(cè)數(shù)據(jù)對(duì)此算法進(jìn)行驗(yàn)證，結(jié)果表明該方法可及時(shí)完成異常檢測(cè)及清洗，清洗后準(zhǔn)確率93.9%，完備率可達(dá)98.6%，有較高使用價(jià)值。關(guān)鍵詞：變壓器;在線監(jiān)測(cè)數(shù)據(jù);K-means聚類;異常值檢測(cè);時(shí)間序列DOI：1
哈爾濱理工大學(xué)學(xué)報(bào) 2020年5期2020-11-30
- 基于灰色關(guān)聯(lián)分析的煤炭?jī)r(jià)格預(yù)測(cè)研究
色關(guān)聯(lián)分析，時(shí)間序列，多元回歸等方法，建立了影響煤炭?jī)r(jià)格因素的模型，并分析了各個(gè)影響因素對(duì)煤炭?jī)r(jià)格的影響程度。首先從數(shù)據(jù)出發(fā)，收集影響煤炭?jī)r(jià)格因素的數(shù)據(jù)，通過(guò)建立灰色關(guān)聯(lián)分析模型對(duì)比分析數(shù)據(jù)得到影響煤炭?jī)r(jià)格的主要因素，再?gòu)挠绊懸蛩爻霭l(fā)，以秦皇島港的動(dòng)力煤價(jià)格為例，確定影響煤炭?jī)r(jià)格的主要因素的關(guān)聯(lián)程度大小，并排序。其次將數(shù)據(jù)和影響因素預(yù)測(cè)時(shí)期內(nèi)的煤炭?jī)r(jià)格，使用matlab繪制出相應(yīng)的時(shí)間- 價(jià)格曲線圖，采用時(shí)間序列分析的方法建立模型對(duì)未來(lái)煤炭?jī)r(jià)格進(jìn)行預(yù)測(cè)，得
科學(xué)與財(cái)富 2020年26期2020-11-16
- 時(shí)間序列相關(guān)性分析研究
摘 ?要：時(shí)間序列相關(guān)性分析是時(shí)間序列數(shù)據(jù)挖掘的重要手段，序列間相互影響與關(guān)聯(lián)，其隱藏的相關(guān)信息可以用于識(shí)別、解釋異常問(wèn)題。目前大多數(shù)方法對(duì)隱藏的相關(guān)信息分析能力不足，各有缺陷，文章提出了一種多算法融合的方法，通過(guò)多種相關(guān)系數(shù)組合分析序列間的線性或非線性關(guān)系，同時(shí)對(duì)序列異常檢測(cè)后的結(jié)果進(jìn)行波動(dòng)分析。真實(shí)數(shù)據(jù)表明，該方法能夠精確發(fā)現(xiàn)序列間的相關(guān)性，實(shí)現(xiàn)根因定位。關(guān)鍵詞：時(shí)間序列;異常檢測(cè);相關(guān)性分析;相關(guān)系數(shù);DTW中圖分類號(hào)：O211.61;O151.21
現(xiàn)代信息科技 2020年13期2020-11-06