Autoregressiv Integrierte Moving Average (Arima) Modelle Für Die Geburtsvorhersage

Vergleich der Chinas Primärenergieverbrauchsprognose mit ARIMA (das autoregressive integrierte gleitende Durchschnitt) Modell und GM (1,1) Modell Chaoqing Yuan a, b ,. Sibeng Liu a, c Zhigeng Fang a, ca College of Economics und Management, Nanjing University of Aeronautics und Astronautics, Nanjing, 211106, China b Forschungszentrum für wissenschaftliche Entwicklung, Nanjing Universität für Luft - und Raumfahrt, Nanjing, 211106, China c Institut für Grau-System, Nanjing University of Aeronautics und Astronautics, Nanjing, 211106, China erhielt 6. August 2015. Überarbeitet am 31. Dezember 2015. Akzeptiert 1. Februar 2016. Verfügbar online 24. Februar 2016. Highlights GM (1,1) und ARIMA (die autoregressive integrierte Umzug Durchschnittliche) Modell werden verwendet, um Chinas Primärenergieverbrauch zu prognostizieren. Die Reste der beiden Modelle sind entgegengesetzt. Das Hybridmodell der beiden ist besser. Chinas Primärenergieverbrauch wird mit einer Wachstumsrate von etwa 4 von 2014 bis 2020 zu erhöhen. Chinas Primärenergieverbrauch erhöht sich rasch, was in hohem Maße mit Chinas nachhaltige Entwicklung verbunden ist und hat großen Einfluss auf den globalen Energiemarkt. Zwei univariate Modelle, ARIMA (das autoregressive integrierte gleitende Durchschnitt) Modell und GM (1,1) Modell, werden verwendet, um Chinas Primärenergieverbrauch zu prognostizieren. Die Ergebnisse der beiden Modelle entsprechen den Anforderungen. Durch den Vergleich wird festgestellt, dass die angepassten Werte des ARIMA-Modells weniger auf die Fluktuationen reagieren, weil sie durch ihren langfristigen Trend begrenzt sind, während die von GM (1,1) - Modell mehr aufgrund der Verwendung der letzten vier Daten reagieren. Und die Reste der beiden Modelle sind im statistischen Sinne entgegengesetzt, nach Wilcoxon unterzeichneten Rang Test. So ist ein Hybridmodell mit diesen beiden Modellen aufgebaut, und sein MAPE (Mean Absolute Percent Error) ist kleiner als ARIMA Modell und GM (1,1) Modell. Und dann wird Chinas Primärenergieverbrauch durch die Verwendung der drei Modelle prognostiziert. Und die Ergebnisse zeigen, dass die Wachstumsrate der Chinas Primärenergieverbrauch von 2014 bis 2020 wird ziemlich groß, aber kleiner als das erste Jahrzehnt des neuen Jahrhunderts. Energieverbrauch Vorhersage ARIMA Modell GM (1,1) Modell Tabelle 1. Abb. 1.Autoregressive Integrated Moving Average (ARIMA) Modelle für die Geburt Vorhersage quotWind Daten von IRUSE wurden für den gesamten Zeitraum verwendet. Das Ziel dieser Arbeit war es, das hochauflösende Windfeld mit Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) Modellierung auf der Basis von aufeinanderfolgenden hochauflösenden Winddaten und sukzessiven IRUSE Winddaten 6, 7 zu prognostizieren. Ein nicht saisonales ARIMA-Modell wird oft gespendet Als ARIMA (p, d, q) ist p die Reihenfolge der auto-aggressiven Komponente und q ist die Reihenfolge der gleitenden Durchschnittskomponente, die an die d-ten Differenzen der Reihe angepasst ist. Volltext-Konferenz Papier Jan 2015 Journal der American Statistical Association quotDas ARIMA-Modell von Box et al. (2008) umfasst eine beliebte Klasse von Modellen (siehe auch Abraham und Ledolter, 1983). Das ARIMA-Modell wurde auf die Prognose der Fertilitätsrate und die damit verbundenen Probleme von Lee (1974, 1975), Saboia (1977), McDonald (1979, 1981), "Abstract" beschrieben. Zusammenfassung ABSTRAKT: Genaue Prognosen der altersbedingten Geburtenraten sind Kritisch für Regierungspolitik, Planung und Entscheidungsfindung. Mit der Verfügbarkeit von Human Fertility Database (2011) vergleichen wir die empirische Genauigkeit der Punkt - und Intervallprognosen, die durch den Ansatz von Hyndman und Ullah (2007) und deren Varianten zur Prognose altersspezifischer Fertilitätsraten gewonnen wurden. Die Analysen werden mit den altersspezifischen Fruchtbarkeitsdaten von 15 meist entwickelten Ländern durchgeführt. Die gewichtete Hyndman-Ullah-Methode bietet anhand der einstufigen bis 20-stufigen Prognosefehler-Maßnahmen die genauesten Punkt - und Intervallprognosen für die Prognose der altersbedingten Fertilitätsraten unter allen von uns untersuchten Methoden. Vollständiger Text Artikel Sep 2012 Han Lin Shang Quatheure Autoren haben Zeitreihenmethoden selbst angewendet, indem sie autoregressive integrierte gleitende Mittelwerte (ARIMA) Methoden zur Prognose der Gesamtkirths verwenden (Dodd, 1980 McDonald, 1981 und Saboia, 1977). Während diese Bemühungen einige Einblicke in die Verwendung von Zeitreihenmethoden zur Fertilität ergaben, ignorierten die Prognosen den Vorteil der Verwendung von Kohortenkomponenten-Methoden (Long, 1981). Abstrakt Ausblenden abstrakt ABSTRAKT: Die Projektion einzelner altersspezifischer Fertilitätsraten ist ein prognostiziertes Problem hoher Dimension. Wir lösen dieses Dimensionalitätsproblem durch parametrische Kurven, um die jährlichen altersabhängigen Raten und ein multivariates Zeitreihenmodell zur Prognose der Kurvenparameter zu approximieren. Diese Renditeprognosen für zukünftige Fruchtbarkeitskurven, die dann zur Berechnung der altersabhängigen Fertilitätsratenprognosen verwendet werden. Dies verringert die Dimensionalität des Prognoseproblems und garantiert auch, dass langfristige Projektionen der altersspezifischen Geburtenraten eine gleichmäßige Form über das Alter aufweisen, ähnlich den historischen Daten. Kurzfristige Projektionen werden verbessert, indem auch einfache Techniken verwendet werden, um die Abweichungen der angepassten Kurven von den tatsächlichen Raten zu prognostizieren. Der Artikel wendet diesen Ansatz auf altersspezifische Fruchtbarkeitsdaten für US weiße Frauen von 19211984 an. Die daraus resultierenden Prognosen werden untersucht und das multivariate Modell wird verwendet, um mögliche Beziehungen zwischen den Kurvenparametern zu untersuchen, ausgedrückt als Gesamtfruchtbarkeitsrate, das mittlere Alter von Geburtshilfe und die Standardabweichung des Alters im gebärfähigen Alter. Die einzige starke Beziehung ist die gleichzeitige Beziehung zwischen der mittleren und der Standardabweichung des Alters bei der Geburtshilfe. Eine Variation dieses Ansatzes, in Verbindung mit dem traditionellen demographischen Urteil, wurde in einem jüngsten Satz von U. S. Census Bureau Bevölkerungsprojektionen verwendet. Wir diskutieren diese Umsetzung und vergleichen die Census Bureau Projektionen mit denen, die direkt aus dem hier vorgestellten Modell produziert werden. Volltext Artikel Okt 1989 Patrick A. Thompson William R. Bell John F. Lange Robert B. MillerTime Serie Modelle für Geburtsvorhersage. Autoregressive integrierte Gleitende Durchschnitt (ARIMA) Modelle werden für die Geburtszeitreihe entwickelt und ihre Beziehung zu den klassischen Modellen für das Bevölkerungswachstum wird untersucht. Es werden sparsame Versionen der ARIMA-Modelle erhalten, die die wichtigsten Informationsstücke beibehalten, einschließlich der Länge der Generation der Bevölkerung. Die Technik wird auf die menschlichen Bevölkerungsdaten (Mexiko und Norwegen) angewendet und die Prognosen werden erhalten. Ein kausales Modell, das die Ehen der Geburten betrifft, wird ebenfalls entwickelt und angewandt. Fügen Sie eine Bewertung und teilen Sie Ihre Gedanken mit anderen Lesern. Sei der Erste. Fügen Sie eine Bewertung und teilen Sie Ihre Gedanken mit anderen Lesern. Sei der Erste. Tags hinzufügen für Time Series Modelle für Geburtsvorhersage .. Seien Sie der Erste. Ähnliche Titel Verwandte Themen: (10) Anfrage bestätigen Sie haben diesen Artikel bereits angefordert. Bitte wähle Ok aus, wenn du diese Anfrage trotzdem fortsetzen möchtest. Verknüpfte Daten Primäre Entity Time Series Modelle für die Geburt Vorhersage. Ein Schema: Buch. Schema: CreativeWork Bibliothek: oclcnum 227385200 Bibliothek: placeOfPublication Ft. Belvoir-Bibliothek: placeOfPublication-Schema: über mathematische Modelle Schema: über Zeitreihe Analyse Schema: über Soziologie und Recht Schema: über Geburtsschema: über Bevölkerungswachstum Schema: über Norwegen Schema: über Prognose Schema: über Bevölkerungsschema: über Mexiko Schema: über die Entwicklung Länder Schema: bookFormat bgn: PrintBook Schema: Mitwirkender Joao LM Saboia Schema: Mitwirkender CALIFORNIA UNIV BERKELEY OPERATIONS FORSCHUNGSZENTRUM. Schema: datePublished APR 1975 Schema: datePublished 1975 Schema: Beschreibung Autoregressive integrierte Moving Average (ARIMA) Modelle sind für die Geburtszeitreihe entwickelt und ihre Beziehung zu den klassischen Modellen für das Bevölkerungswachstum wird untersucht. Es werden sparsame Versionen der ARIMA-Modelle erhalten, die die wichtigsten Informationsstücke beibehalten, einschließlich der Länge der Generation der Bevölkerung. Die Technik wird auf die menschlichen Bevölkerungsdaten (Mexiko und Norwegen) angewendet und die Prognosen werden erhalten. Ein kausales Modell, das die Ehen der Geburten betrifft, wird ebenfalls entwickelt und angewandt. En schema: exampleOfWork schema: inLanguage en schema: name Zeitreihenmodelle für Geburtsvorhersage. En schema: productID 227385200 Schema: Publikationsschema: Verleger Verteidigung Technisches Informationszentrum wdrs: beschrieben. Related Entities Verteidigung Technische Information Center a bgn: Agent Schema: Name Defense Technical Information Center. KALIFORNIEN UNIV BERKELEY BETRIEBEN FORSCHUNGSZENTRUM. Ein Schema: Organisationsschema: Name CALIFORNIA UNIV BERKELEY OPERATIONS FORSCHUNGSZENTRUM. .