期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
铁路客运量预测模型对比分析 被引量：4
1
作者 王雷 金勇 刘岩 《山东交通学院学报》 CAS 2020年第3期25-32,47,共9页
为给铁路运输部门规划设计提供科学准确的短期铁路预测客运量,以2005—2018年铁路月客运量为基础,根据其增长趋势和周期性变化规律,分别采用季节性指数平滑法和季节差分自回归移动平均法(seasonal autoregressive integrated moving ave... 为给铁路运输部门规划设计提供科学准确的短期铁路预测客运量,以2005—2018年铁路月客运量为基础,根据其增长趋势和周期性变化规律,分别采用季节性指数平滑法和季节差分自回归移动平均法(seasonal autoregressive integrated moving average,SARIMA)建立模型,预测2019年铁路客运量,并与实际客运量对比。以平均绝对百分比误差(root mean square error,MAPE)和均方根误差(root mean square error,RMSE)为衡量标准,对比分析2种方法的预测结果。分析结果表明:与指数平滑法相比,应用SARIMA模型使预测的铁路客运量的MAPE减少56.26%,RMSE减少64.61%,SARIMA模型更适合对铁路客运量进行短期预测,精度较高。 展开更多
关键词 铁路客运量 指数平滑法 季节差分移动自回归模型 预测
下载PDF
上海市流感样病例就诊百分比时间序列分析和预测模型研究 被引量：1
2
作者 钱晨嗣 姜晨彦 +4 位作者 夏寒 郑雅旭 刘星航 杨妹 夏天 《上海预防医学》 CAS 2023年第2期116-121,共6页
【目的】利用季节性差分移动自回归平均模型(SARIMA)预测上海市流感样病例就诊百分比(ILI%)的发病趋势,为及时采取针对性防控措施提供重要的参考依据。【方法】对2015年第15周至2019年第52周上海市疾病预防控制中心ILI%监测数据进行时... 【目的】利用季节性差分移动自回归平均模型(SARIMA)预测上海市流感样病例就诊百分比(ILI%)的发病趋势,为及时采取针对性防控措施提供重要的参考依据。【方法】对2015年第15周至2019年第52周上海市疾病预防控制中心ILI%监测数据进行时间序列分析并建立预测模型,使用前212周数据建立SARIMA模型,后36周数据评估模型预测效果。【结果】2015年第15周—2019年第52周上海市ILI%平均值为1.494%,有较明显的流行高峰出现。最终建模SARIMA(1,0,0)(2,0,0)52,模型残差为白噪声序列,真实值均在预测值95%置信区间内。【结论】SARIMA(1,0,0)(2,0,0)52可用于上海市ILI%的中期预测,并为全市流感流行和暴发起到预警作用。 展开更多
关键词 流感 流感样病例就诊百分比 时间序列 季节性差分移动自回归平均模型
原文传递
基于季节性差分整合移动平均自回归模型的城市公交短期客流预测 被引量：3
3
作者 李炜聪 潘福全 +3 位作者 胡盼 张丽霞 杨晓霞 杨金顺 《济南大学学报（自然科学版）》 CAS 北大核心 2022年第3期308-314,共7页
为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本... 为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本,对非平稳的客流时间序列进行1阶7步差分处理,对差分后的数据进行平稳性检验;通过相对信息量计算,确定预测模型中未知参数,对差分处理后的时间序列进行标准化残差检验,检验结果为白噪声序列,得到周期为7的季节性差分整合移动平均自回归预测模型;利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明,模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高,适用于青岛市公交短期客流量预测。 展开更多
关键词 交通预测 短期客流预测 季节性差分整合移动平均自回归模型 城市公交 平稳性检验
下载PDF
应用SARIMA模型预测主题词研究热度 被引量：2
4
作者 陈煜杰 王一蒙 任飞亮 《小型微型计算机系统》 CSCD 北大核心 2022年第10期2022-2027,共6页
随着科学技术的飞快发展,如何通过已有某主题词历史的研究情况预测未来该某主题词以此来判断某领域是否具有研究意义的问题已经变得越来越不可忽视.在本文中,利用主题词论文的发表数量来体现该主题词的研究热度.以往科技文献的预测模型... 随着科学技术的飞快发展,如何通过已有某主题词历史的研究情况预测未来该某主题词以此来判断某领域是否具有研究意义的问题已经变得越来越不可忽视.在本文中,利用主题词论文的发表数量来体现该主题词的研究热度.以往科技文献的预测模型没有统一的评判标准,导致结果的信服程度低;只是简单的考虑到某一时间范围均匀地减少,没有对具体到季节变化进行模拟,模型的准确度低;模型最优解参数难以确定,迭代周期长.本文以预测科技文献的发表数量为目的,运用时间序列预测的研究方法.通过分析前人的对于时间序列预测所题出的模型,根据科技文献的发表特点提出使用SARIMA模型进行预测.使用Python进行仿真实验,采用AIC作为评判模型的指标,采用图像初步判断模型参数范围与迭代进一步确定模型参数的办法,结果表明采用SARIMA模型得到的AIC指标为505.859相比于仅采用ARIMA模型得到AIC指标646.363表现良好.最后尝试将SARIMA模型拓展应用于其他领域,结果都表明SARIMA模型优于ARIMA模型.最后本文结论,在预测季节性数据的情况下,可以采用本文提出的实验过程,广泛应用在其他领域,表现出色同时具有实际意义. 展开更多
关键词 科技文献 时间序列预测 季节性差分整合移动平均自回归模型
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部