导读:本文包含了时间序列相关论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,时间,小波,锡林,理论,登革热,数据。
时间序列相关论文文献综述
张旭东,胡在凰[1]（2019）在《一种基于自相关函数的GNSS时间序列噪声提取方法》一文中研究指出对GNSS时间序列的非线性研究一直是大地测量学和地球动力学研究的方向之一,从信号本身的特性去分析和处理非平稳信号的HHT方法在提取GNSS时间序列噪声方面缺乏一种有效的分界点确定方法来进行滤波。针对该问题,本文提出了一种基于自相关函数的GNSS时间序列噪声提取方法,先通过与CMSE方法的对比分析验证了该方法的有效性,随后利用该方法提取了stjo测站的噪声数据进行分析,得出最优噪声模型为WN+FN。(本文来源于《测绘与空间地理信息》期刊2019年10期）
杨慧欣,赵晨皓,雒静静,胡芳芳,张思文[2]（2019）在《2011-2018年我国登革热疫情时间序列分析及空间自相关分析》一文中研究指出目的了解2011-2018年我国登革热疫情时空分布特征,对2019年我国登革热的发病情况进行预测。方法基于中国疾病预防控制信息系统中2011-2018年我国登革热的病例数据,借助R 3.6.0软件,使用自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA)对登革热的发病趋势进行描述和预测。基于国家人口与健康科学数据共享服务平台提供的2011-2016年全国以及各省市登革热发病率、发病人数数据,采用GeoDa 1.12软件进行全局、局部空间自相关分析,确定登革热时空热点区域。结果预测2019年全年登革热发病数为14 302人。2012年(Moran's I=-0.088,P=0.037)、2013年(Moran's I=-0.121,P=0.040)和2014(Moran's I=-0.076,P=0.045)年全国登革热发病呈现全局空间负相关关系,2016年(Moran's I=0.078,P=0.048)登革热发病呈现全局空间正相关关系。局部自相关分析结果显示,登革热发病高聚集区域主要在我国东南沿海地区。结论 2019年我国登革热的流行无明显波动趋势,且疫情呈空间聚集性分布。(本文来源于《中华疾病控制杂志》期刊2019年10期）
冯小素[3]（2019）在《基于相关向量机的混合模型在时间序列预测中的研究》一文中研究指出时间序列是指一组按照时间顺序记录的观测值。随着社会的快速发展和大数据技术的逐渐成熟,经济、气象、交通、医学、能源等各个领域都产生并记录了大量的时间序列数据。时间序列预测是指通过对历史数据建模,并利用该模型对序列的未来趋势进行类推与估计。时间序列预测的应用领域非常广泛,对经济的整体发展、社会的和谐与稳定以及公民的生活安全都有着深刻的影响。由于时间序列通常含有非线性、周期性等特征,且单一的预测算法通常有着一定的限制,给准确的时间序列预测带来了一定的难度。为此,研究者们提出了多种方法以改进预测精度,如使用数据预处理技术对原始序列进行除噪等处理、针对时间序列的特性调整模型的输入变量和维度、使用优化算法确定模型的最优值等。本文针对这些问题,依托于相关向量机的良好的学习能力,利用数据预处理方法和优化算法,结合各个方法的优势提出了两个混合模型:(1)基于相关向量机(Relevance vector machine,RVM)的组合预测模型WS-FRVM(WT-SSA-FOA-RVM)。针对原始序列难以提取主要特征的问题,运用小波转换将数据进行分解,取得高频数据和低频数据。低频数据包含数据的主要特征,而高频数据含有噪声数据和有用信息,需要采用奇异谱分析方法对其进行进一步处理,移除噪声数据。然后,由于低频数据的波动平缓利用RVM进行建模预测,而高频数据由于波动性较大,因此本文利用果蝇算法优化的RVM模型进行预测输出。最后,将高频数据和低频数据的预测结果进行整合作为最终的预测输出。所提模型在叁个不同地区的电力负荷数据上进行验证,结果表明WSFRVM模型有着良好的预测性能。(2)基于RVM并考虑多变量辅助预测的组合预测模型SMFRVM(SSA-Multi-FOA-RVM)。由于时间序列受到横向信息的影响,所以模型综合考虑辅助变量,对预测变量的输出进行修正。首先,计算相关变量与预测变量之间的相关系数,综合相关系数大小和模型复杂度,选择出数量合适的辅助变量,然后使用奇异谱分析方法提取出各个变量中的主要特征。针对RVM核参数难以确定的问题,本文使用果蝇算法选择合适的参数预测各个变量。最后将各个变量预测得到的结果使用遗传算法优化的线性回归模型计算输出。该模型在两个真实数据集上进行实验验证,实验结果表明,SMFRVM模型相较于基准模型有着较高的预测精度。(本文来源于《兰州大学》期刊2019-04-01）
孙中皋,程爽,王菲,王巧玲[4]（2018）在《基于SSA的时间序列交叉相关分析中指数趋势的去除》一文中研究指出去趋势交叉相关分析是考察非平稳时间序列的长程交叉相关性的一种标度指数.在对含趋势信号的时间序列进行交叉相关分析时,标度会出现交叉点,从而影响相关性分析.针对时间序列中常见的指数型趋势,提出一种采用奇异谱分析法去除该类趋势后再进行交叉相关分析的算法,消除了标度指数图中的交叉点,使得分析结果更为准确.采用二元分数求和滑动平均模型产生两个交叉相关时间序列并迭加指数趋势进行仿真实验,结果表明,奇异谱分析法可以有效地去除指数型趋势,求得的交叉相关标度指数与原始时间序列的标度指数几乎完全吻合,具有较高的精度.(本文来源于《辽宁师范大学学报(自然科学版)》期刊2018年02期）
刘琪,张鹏程,王继民[5]（2018）在《基于相关反馈的时间序列相似性搜索》一文中研究指出传统的基于相关反馈的时间序列相似性搜索是将正反馈和负反馈融合在一起创建新查询向量,这样并没有充分利用负反馈序列的价值,而且容易对初始查询向量进行过多的更改。本文提出一种基于反馈的时间序列相似搜索方法,将反馈的正相关和负相关序列分开处理,最终的相似序列不但要与正相关序列相似,还要尽量与负相关序列不相似。在UCR数据集上的实验结果表明,本文提出的相似搜索方法与传统的基于反馈的相似搜索方法相比,在某些数据集上可以提高查询的准确率以及查全率。(本文来源于《计算机与现代化》期刊2018年02期）
于红博,张巧凤,包金兰[6]（2017）在《锡林河流域长时间序列蒸散量遥感监测及其相关因子》一文中研究指出蒸散的准确估算对于草地干旱监测、水资源分布及利用等具有重要的参考价值。选择锡林河流域为研究区,基于地表能量平衡原理,利用遥感方法对2000—2014年每年7月、2000年、2007年、2010—2014年每年4—9月的MODIS影像数据进行处理,结合同期气象资料估算出流域日蒸散量,按所占日数加权得到月蒸散量。运用FAO推荐式进行了验证,平均相对误差为16.678%,在误差允许范围之内,说明该遥感方法有一定的可用性。结果表明,在时间分布上,2000—2014年这15年流域蒸散量的时间变化没有固定的趋向,基本与各年7月份降水量的趋势相一致,一年中蒸散量的最大值主要出现在6—7月份。将月蒸散量与月日均气温、风速、大气相对湿度、水汽压和月降水量作了单因子相关分析,表明,与蒸散量最为相关的气象因子是降水量,说明降水量是影响蒸散量大小的主要限制因子;由于气温季节变化明显,因此气温也是影响蒸散量的主要因子,但在每年的同一时间段(如7月),气温变化不明显时,气温就不再是影响蒸散量大小的主要因子了。(本文来源于《水土保持研究》期刊2017年06期）
王世元,史春芬,钱国兵,王万里[7]（2018）在《基于分数阶最大相关熵算法的混沌时间序列预测》一文中研究指出为提高最大相关熵算法对混沌时间序列的预测速度和精度,提出了一种新的分数阶最大相关熵算法.在采用最大相关熵准则的基础上,利用分数阶微分设计了一种新的权重更新方法.在alpha噪声环境下,采用新的分数阶最大相关熵算法对Mackey-Glass和Lorenz两类具有代表性的混沌时间序列进行预测,并分析了分数阶的阶数对混沌时间序列预测性能的影响.仿真结果表明:与最小均方算法、最大相关熵算法以及分数阶最小均方算法叁类自适应滤波算法相比,所提分数阶最大相关熵算法在混沌时间序列预测中能够有效地抑制非高斯脉冲噪声干扰的影响,具有较快收的敛速度和较低的稳态误差.(本文来源于《物理学报》期刊2018年01期）
孙婷[8]（2017）在《基于自相关及证据理论的模糊时间序列模型》一文中研究指出模糊时间序列模型是一种处理模糊以及不确定的问题的有效方式。至今,已有许多研究针对模糊时间序列模型的论域划分、模糊规则矩阵的建立、模型阶数、模型因素等多个方面,在多个领域得到广泛应用。本文主要研究模糊时间序列模型的两个方面。一方面,模糊时间序列模型阶数的选择在一定程度上影响着预测结果的准确性。本文建立时间序列自回归模型与模糊预测模型之间的联系,运用自相关理论选择模糊时间序列模型的阶数。从而,为了得到模型的最佳阶数,我们不需要将各阶模型预测的结果依次列出,比较预测结果,可以采用本文提出的更简洁的方法。为了验证本文提出的方法的有效性,采用具体实例验证其有效性。另一方面,针对模型因素方面,本文也将着手研究多因素一阶模糊时间序列模型,通过利用证据理论在信息融合方面的优势,将模型多个因素带来的信息进行融合并用于预测未来数据趋势。并且,对于证据理论的改进,本文通过巴氏系数计算证据之间的相似度,并将该相似度转化成证据的权重,对证据源进行修正,从而对证据理论提出一种新的改进方法。在此新方法上,将修改后的证据理论应用到多因素模糊时间序列模型的建立中,提出一种建立多因素模糊时间序列模型的方法,通过具体实例验证其有效性。(本文来源于《大连海事大学》期刊2017-12-01）
尚琪,王慧琴,张小红[9]（2017）在《多元时间序列小波相关分析与预测建模研究》一文中研究指出针对小波相关分析方法在多元时间序列应用的局限性和多元时间序列预测建模中存在的复杂相关性,提出了一种基于小波相关分析的多元时间序列预测建模方法。该方法首先定义平滑后的小波相关系数矩阵及逐步回归向前思想设计了利用小波相关的降维方法,保证模型预测精度的同时分析了变量之间存在的冗余性,对变量进行了有效的选择;其次构建只与时滞因子有关的互相关系数矩阵,定量描述了降维后自变量对因变量的时滞相关关系,并利用定量时滞因子建立了预测模型。最后,分别对Housing数据和实际的文物监测数据进行了小波相关分析及预测建模仿真。实验结果表明该方法增强了小波相关分析理论的适用性,验证了所提方法的有效性和可行性,进一步提高了多元时间序列预测模型的模型精度。(本文来源于《电脑知识与技术》期刊2017年18期）
张婷婷[10]（2017）在《长相关时间序列的Hurst参数估计方法改进及应用》一文中研究指出在现实世界中,许多随机信号具有长相关或局部相关特性,例如列车运行振动信号、轴承故障信号等;还有一些信号,例如金融数据、网络数据和各种生物信号数据等,不仅具有长相关特性,还具有尖峰以及重尾分布特性,这些信号都服从非高斯分布,属于非高斯信号。而长相关、重尾分布等分数阶特征的出现给信号分析研究带来了困难。描述长相关时间序列特性的重要参数是Hurst参数,人们针对Hurst参数提出了一些估计方法,比如R/S法、周期图法和绝对值法等。从理论方面来说,这些Hurst参数估计方法可以近似估计出长相关时间序列的Hurst参数值,但在实际生活中,使用不同算法估计出的Hurst参数具有较大的差别,所以需要对Hurst参数估计算法的性质和作用进行深入了解并对其进行相关改进。改进Hurst参数估计算法对于金融数据分析、网络流量监察等实际问题,具有极其重要的意义。本文首先介绍长相关过程的相关定义以及相关理论,然后介绍了一些常用的长相关模型。对8种常用的分析长相关时间序列的Hurst参数估计算法,在重尾分布的影响下进行了评估,根据评估结果,其中残差方差法、周期图法和Higuchi法叁种估计算法鲁棒性和准确性较高。本文对这叁种可靠的Hurst参数估计算法进行改进分析,结合滑动窗方法对Hurst参数进行估计,在此基础上结合矩形窗、汉明窗、海宁窗、高斯窗和布莱克曼窗对Hurst参数进行估计,得到更加灵活准确的估计算法。在提高Hurst参数估计准确率的基础上,对这叁种Hurst参数估计算法加上上述5种滑动窗进行分析,并利用Matlab实现Hurst参数估计,完成算法设计。此外,为了验证本研究中改进Hurst参数估计算法的可靠性,将此改进算法应用于金融数据等实际长相关时间序列的分析中,证明了改进Hurst参数估计算法的有效性。(本文来源于《大连交通大学》期刊2017-06-11）
时间序列相关论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的了解2011-2018年我国登革热疫情时空分布特征,对2019年我国登革热的发病情况进行预测。方法基于中国疾病预防控制信息系统中2011-2018年我国登革热的病例数据,借助R 3.6.0软件,使用自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA)对登革热的发病趋势进行描述和预测。基于国家人口与健康科学数据共享服务平台提供的2011-2016年全国以及各省市登革热发病率、发病人数数据,采用GeoDa 1.12软件进行全局、局部空间自相关分析,确定登革热时空热点区域。结果预测2019年全年登革热发病数为14 302人。2012年(Moran's I=-0.088,P=0.037)、2013年(Moran's I=-0.121,P=0.040)和2014(Moran's I=-0.076,P=0.045)年全国登革热发病呈现全局空间负相关关系,2016年(Moran's I=0.078,P=0.048)登革热发病呈现全局空间正相关关系。局部自相关分析结果显示,登革热发病高聚集区域主要在我国东南沿海地区。结论 2019年我国登革热的流行无明显波动趋势,且疫情呈空间聚集性分布。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时间序列相关论文参考文献
[1].张旭东,胡在凰.一种基于自相关函数的GNSS时间序列噪声提取方法[J].测绘与空间地理信息.2019
[2].杨慧欣,赵晨皓,雒静静,胡芳芳,张思文.2011-2018年我国登革热疫情时间序列分析及空间自相关分析[J].中华疾病控制杂志.2019
[3].冯小素.基于相关向量机的混合模型在时间序列预测中的研究[D].兰州大学.2019
[4].孙中皋,程爽,王菲,王巧玲.基于SSA的时间序列交叉相关分析中指数趋势的去除[J].辽宁师范大学学报(自然科学版).2018
[5].刘琪,张鹏程,王继民.基于相关反馈的时间序列相似性搜索[J].计算机与现代化.2018
[6].于红博,张巧凤,包金兰.锡林河流域长时间序列蒸散量遥感监测及其相关因子[J].水土保持研究.2017
[7].王世元,史春芬,钱国兵,王万里.基于分数阶最大相关熵算法的混沌时间序列预测[J].物理学报.2018
[8].孙婷.基于自相关及证据理论的模糊时间序列模型[D].大连海事大学.2017
[9].尚琪,王慧琴,张小红.多元时间序列小波相关分析与预测建模研究[J].电脑知识与技术.2017
[10].张婷婷.长相关时间序列的Hurst参数估计方法改进及应用[D].大连交通大学.2017
论文知识图
