简介：摘要：时间序列预测是对已有的时间序列数据进行分析，挖掘时间序列数据中蕴藏的信息，并对未来进行预测。时间序列预测具有极其重要的理论意义与现实意义，学者们为此做了大量的研究工作并取得了很好的成果。本文主要对时间序列预测的相关方法进行整理归纳，对时间序列预测相关研究进行述评。

简介：摘要：时间序列是指对同一现象观测或记录到的一组按时间顺序排列起来的统计数据，通过对时间序列进行编制和分析，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平，这种方法称为时间序列预测技术。时间序列预测技术在军事行动序列预测、市场需求预测、发电预测、区域降水量预测等军事、经济、工程和自然科技等领域，具有重要意义。

简介：摘要：时间序列作为时间观测值的集合，在机器学习和人工智能领域引发了广泛的关注。时间序列预测是获取未来趋势的重要课题之一，研究结果可以为各种应用提供依据，例如优化、控制以及生产计划等。因此，已经提出了许多模型来解决这个问题。但是时间序列数据往往呈现出非平稳、非线性和多维度等特点，单一的深度学习模型难以有效提取时间序列的深层特征，难以挖掘数据的内在特性和识别出数据间的潜在模式。

简介：

简介：摘要：本文结合国内外现有文献的研究对时间序列的相关理论进行了系统、全面的阐述，以期为后续研究奠定基础。

简介：

简介：摘要：近年来，全球海洋温度的升高使得一些鱼类离开原来的生存区域，去寻找更适宜的栖息地。对苏格兰而言，鲱鱼和鲭鱼为经济作出了重要贡献，这两种鱼栖息地的变化，将会对当地渔业产生巨大影响。在本论文中，我们将苏格兰海域划分为 36 块，用过去 40 年的海表面温度数据建立时间序列模型，对每一块区域进行分析，汇总出整体海域的结果。然后再根据两种鱼最适宜的生存温度，最终确定了鲱鱼和鲭鱼的迁徙路线。

简介：一次计算可得到所有P个变量的K步预测结果.这两种网络模型同样也可以进行迭代多步预测计算.利用传统的预测方法进行多变量时间序列的建模与预测非常复杂.而利用神经网络进行多变量时间序列的预测方法如同单变量时间序列预测一样简单,由单变量的时间序列重构相空间时,对多变量时间序列(x11

简介：摘要目的分析用血趋势，建立红细胞供应量预测模型。方法收集厦门市中心血站2008-2017年各血液成分供应量，做趋势分析，建立红细胞的预测模型。结果2008-2017年厦门市各血液成份供应量红细胞年平均增加12.7%，单采血小板年平均增加26%，冷沉淀年平均增加29%。A型、B型、O型、AB型红细胞月供应量预测模型分别为ARIMA（1，1，1）（1，2，1）12，简单季节性，简单季节性，ARIMA（1，1，1）（2，1，2）12。结论厦门市血液制品供应量总体呈增加趋势，时间序列分析可用于红细胞的月供应量建模，为采供血管理提供支持。

简介：传统关联规则挖掘算法所讨论的只是一次事务内部的模式，但实际应用中随着时间的推移，事务之间会有某种联系或发展趋势，传统关联规则算法则无法揭示其中的规律。将在SPAM算法的基础上进行改进，加入通用时间约束，提出一个新算法——TSPAM算法。TSPAM算法采纳SPAM算法中的相关概念和方法，在SPAM算法的裁减部分和候选集的生成部分进行改进，对其加入时间约束。实验表明新算法对挖掘具有时间特征的序列模式是行之有效的。

简介：摘要基坑变形监测的一个重要部分是预测，也就是利用长期观测的数据来推算其变化规律，对监测物的将来态势做出及时有效的分析预报。然而基坑监测是一个复杂的非线性问题，传统的理论方法都存在局限性，如何能找到一种准确的科学的用于基坑变形预测的方法，便具有了重大的工程实践意义。

简介：

简介：在界定了非具体知识资本的概念和讨论了非具体知识资本的偏向之后，以Cobb—Douglas函数为依据，讨论了非具体知识资本蚀耗的计算方法，即入确定方法。

简介：时间序列相似性查询从提出到现在已有10多年的历史，取得了大量的研究成果。索引既是时间序列相似性查询实现的关键，也是信息技术领域的热点问题之一。近年来，国内外学者为进一步提高查询的完备度而对时间序列索引方法进行了深入的研究。本文在阐述时间序列查询原理的基础上，对各种索引方法进行了阐述和比较，以期对时间序列分析的研究和应用有所启发和帮助。

简介：

简介：支持向量机是一种基于统计学习理论的新的机器学习方法，该方法已用于解决模式分类问题．本文将支持向量机（SVM）用于混沌时间序列分析，实验数据采用典型地Mackey-Glass混沌时间序列，先对混沌时间序列进行支持向量回归实验；然后采用局域法多步预报模型，利用支持向量机对混沌时间序列进行预测．仿真实验表明，利用支持向量机可以较准确地预测混沌时间序列的变化趋势．

简介：粮食价格波动的成因一直是学术界关注的问题。本文通过对1995年1月至2005年12月全国小麦批发市场月度价格序列的分析，表明所观察的小麦价格序列的分布不符合传统线性回归模型关于独立同方差的假设，其特征比较适合使用ARCH族模型来描述。GARCH（1，1）模型的结果显示，由前期价格代表的存粮情况对现期小麦价格影响显著，前期的高价会引发未来小麦市场较大的价格波动；考察期间两次大的粮食市场改革虽然对短期小麦价格有影响，但并未引发剧烈的小麦价格波动。

简介：摘要目的基于急性脑卒中弥散加权成像(diffusion weighted imaging，DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery，FLAIR)的影像组学特征，通过机器学习构建急性脑卒中发病时间的预测模型。材料与方法回顾性分析188例急性脑卒中患者的MRI图像。采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割，并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维，最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征，通过支持向量机分类器评估其在发病时间预测中的价值，并与人工识别的结果进行比较。结果共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征。人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve, AUC)为0.634，敏感度和特异度分别为0.667、0.622。ROC分析显示该模型预测训练集患者发病时间的AUC为0.975，敏感度和特异度分别为0.932、0.950；预测测试集患者发病时间的AUC为0.915，敏感度和特异度分别为0.868、0.852。结论基于DWI和FLAIR影像组学的机器学习，能够较为准确地预测急性脑卒中患者的发病时间，为临床静脉溶栓治疗的选择提供影像指导。

简介：本月29号，NBA精彩赛事就要开始了。第一场就是哈利波波最喜欢的芝加哥公牛队和妞妞最喜欢的洛杉矶湖人队的比赛。两兄妹猜测着谁能赢得比赛，说着说着，竟然吵了起来。

简介：应用时间序列分析方法建立滑坡位移AIkIMA预报模型。采用差分平稳，自回归AR模型和移动平均MA模型对滑坡位移进行预测，得到了该滑坡监测点TP1的预报模型为AIkIMA（2,2，1），然后分析对比实测与预测位移一时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势，说明所建滑坡位移预测预报模型效果较好，在滑坡位移预测中是有效可行的。