CN104182800A - 基于趋势和周期波动的时间序列的智能预测方法 - Google Patents
基于趋势和周期波动的时间序列的智能预测方法 Download PDFInfo
- Publication number
- CN104182800A CN104182800A CN201310189264.1A CN201310189264A CN104182800A CN 104182800 A CN104182800 A CN 104182800A CN 201310189264 A CN201310189264 A CN 201310189264A CN 104182800 A CN104182800 A CN 104182800A
- Authority
- CN
- China
- Prior art keywords
- model
- trend
- time series
- trend model
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于趋势和周期波动的时间序列的智能预测方法,包括:计算待预测的原始时间序列,分离该序列的波动分量和趋势分量;对于所述趋势分量,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型;根据和角公式将所述波动分量转化为周期变量,将所述周期变量加入所述最佳趋势模型;以可决系数最大化原则自动选取最大影响作用的z个周期长度,将z个周期长度代入包含周期变量的最佳趋势模型,得到最终完整模型;通过最终完整模型对所述原始时间序列进行运算,确定具体模型参数,从而预测所述原始时间序列的变化趋势。本发明通过预测处理的自动化,以及预测模型的趋势分量和波动分量的组合化,从而具有预测智能度和精度高的优点。
Description
技术领域
本发明属于数据分析技术领域,具体涉及一种基于趋势和周期波动的时间序列的智能预测方法。
背景技术
对事物的定量预测方法主要包括时间序列预测法和回归分析法。
时间序列是指按时间顺序排列的随时间变化的数值集合,普遍存在于实际生活中,例如:股票的每日价格、按季节排序的每季降雨量等。这种数据可以被抽象为一个二元组合(t,x),其中,t为时间变量,x为数据变量。时间序列预测在许多实际应用领域具有重要应用价值,目前,对于平稳时间序列已取得了较好的预测结果。但是,由于实际生产或生活中的时间序列非常复杂,表现出非线性、非平稳的特征,因此,对于时间序列研究较多的是其趋势变化分析,常见的分析方法主要有平均移动法和指数平滑法,即:平滑数据消除波动,以取得预测对象的发展趋势。而对于包含趋势分量和波动分量两种成分的时间序列预测,普通的时间序列预测方法对波动分量部分则完全不具有预测的可能。
回归分析法,是在掌握大量观察数据的基础上,利用数理统计方法建立因变量与自变量之间包含线性回归、多元线性回归和非线性回归等模型(比如抛物线模型、指数型模型、双曲线模型等),可在很大程度上贴近趋势分量,却仍然难以反映叠加于趋势分量上的波动成分,特别是有多种波动簇存在的情况下更是如此。目前,现有技术中出现了对回归方法的改进方法,即:通过缩小空间,划分为若干小空间以求模型贴近趋势的方法,但仍然未解决波动分量的问题。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于趋势和周期波动的时间序列的智能预测方法,同时考虑趋势分量和波动分量,具有预测智能度和精度高的优点。
本发明采用的技术方案如下:
本发明提供一种基于趋势和周期波动的时间序列的智能预测方法,包括以下步骤:
S1,建立趋势模型库;所述趋势模型库中存储三类趋势模型,即:线性趋势模型、非线性趋势模型和自适应趋势模型;每一类趋势模型包括若干个具体的趋势模型;
S2,读取待预测的原始时间序列,对所述原始时间序列进行计算,分离所述原始时间序列的波动分量和趋势分量;
S3,对于所述趋势分量,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型;其中,所述原始时间序列由N组原始观测数据组成;所述R2最大的趋势模型称为最佳趋势模型,表达式为Yt=f(X);其中,R2为可决系数,反映模型拟合程度;Yt为模型的因变量,X为模型的自变量;t为原始观测数据的组编号;
S4,根据和角公式将所述波动分量转化为周期变量W(Ti),将所述周期变量加入所述最佳趋势模型,得到式一所示的第一模型;
Yt=f(X)+W(Ti) 式一;
S5,设所述原始时间序列的周期长度T分别取值1、2…N;则将T的N个取值分别代入第一模型,得到Y1、Y2…YN;分别计算Y1、Y2…YN的可决系数,得到N个可决系数;以可决系数最大化原则自动选取最大影响作用的z个周期长度;设z个周期长度分别表示为T1、T2…Tz;
S6,将z个周期长度代入式一,得到式二:
Yt=f(X)+W(T1)+W(T2)…W(Tz);式二
S7,以式二所示模型为最终完整模型,通过最终完整模型对所述原始时间序列进行运算,确定具体模型参数,从而预测所述原始时间序列的变化趋势。
优选的,S3中,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型具体为:
通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2,然后比较获得R2最大的趋势模型。
本发明的有益效果如下:
本发明提供一种基于趋势和周期波动的时间序列的智能预测方法,同时考虑趋势分量和波动分量,具有预测智能度和精度高的优点。
附图说明
图1为本发明提供的基于趋势和周期波动的时间序列的智能预测方法流程示意图;
图2为通过常规一元线性回归方法进行产量预测的拟合图;
图3为通过常规一元线性回归方法进行产量预测的残差分布图;
图4为本发明提供的智能预测方法进行产量预测的拟合图;
图5为本发明提供的智能预测方法进行产量预测的残差分布图。
具体实施方式
实施例
如图1所示,本发明提供一种基于趋势和周期波动的时间序列的智能预测方法,包括以下步骤:
S1,建立趋势模型库;所述趋势模型库中存储三类趋势模型,即:线性趋势模型、非线性趋势模型和自适应趋势模型;每一类趋势模型包括若干个具体的趋势模型;
S2,读取待预测的原始时间序列,对所述原始时间序列进行计算,分离所述原始时间序列的波动分量和趋势分量;
S3,对于所述趋势分量,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型;其中,所述原始时间序列由N组原始观测数据组成;所述R2最大的趋势模型称为最佳趋势模型,表达式为Yt=f(X);其中,R2为可决系数,反映模型拟合程度;Yt为模型的因变量,X为模型的自变量;t为原始观测数据的组编号;
具体的,通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2,然后比较获得R2最大的趋势模型。
S4,根据和角公式将所述波动分量转化为周期变量W(Ti),将所述周期变量加入所述最佳趋势模型,得到式一所示的第一模型;
Yt=f(X)+W(Ti) 式一;
S5,设所述原始时间序列的周期长度T分别取值1、2…N;则将T的N个取值分别代入第一模型,得到Y1、Y2…YN;分别计算Y1、Y2…YN的可决系数,得到N个可决系数;以可决系数最大化原则自动选取最大影响作用的z个周期长度;设z个周期长度分别表示为T1、T2…Tz;
S6,将z个周期长度代入式一,得到式二:
Yt=f(X)+W(T1)+W(T2)…W(Tz);式二
S7,以式二所示模型为最终完整模型,通过最终完整模型对所述原始时间序列进行运算,确定具体模型参数,从而预测所述原始时间序列的变化趋势。
比较例
以我国棉花(皮棉)1915-2011年单产数据作为原始时间序列,数据来源于国家统计局,见表1所示。比较常规分析方法和本发明方法对棉花单产情况预测的精度。
表1 1915-2011年我国棉花单产表(千克/公顷)
年度 | 产量 | 序号 | 年度 | 产量 | 序号 | 年度 | 产量 | 序号 |
1915 | 202 | 1 | 1948 | 205 | 34 | 1981 | 573 | 67 |
1916 | 348 | 2 | 1949 | 161 | 35 | 1982 | 618 | 68 |
1917 | 487 | 3 | 1950 | 183 | 36 | 1983 | 762 | 69 |
1918 | 344 | 4 | 1951 | 188 | 37 | 1984 | 905 | 70 |
1919 | 259 | 5 | 1952 | 234 | 38 | 1985 | 807 | 71 |
1920 | 226 | 6 | 1953 | 227 | 39 | 1986 | 822 | 72 |
1921 | 182 | 7 | 1954 | 195 | 40 | 1987 | 876 | 73 |
1922 | 236 | 8 | 1955 | 263 | 41 | 1988 | 750 | 74 |
1923 | 229 | 9 | 1956 | 231 | 42 | 1989 | 735 | 75 |
1924 | 257 | 10 | 1957 | 284 | 43 | 1990 | 807 | 76 |
1925 | 254 | 11 | 1958 | 354 | 44 | 1991 | 867 | 77 |
1926 | 216 | 12 | 1959 | 311 | 45 | 1992 | 660 | 78 |
1927 | 230 | 13 | 1960 | 203 | 46 | 1993 | 750 | 79 |
1928 | 263 | 14 | 1961 | 207 | 47 | 1994 | 785 | 80 |
1929 | 212 | 15 | 1962 | 215 | 48 | 1995 | 879 | 81 |
1930 | 222 | 16 | 1963 | 272 | 49 | 1996 | 890 | 82 |
1931 | 194 | 17 | 1964 | 338 | 50 | 1997 | 1025 | 83 |
1932 | 207 | 18 | 1965 | 417 | 51 | 1998 | 1009 | 84 |
1933 | 229 | 19 | 1966 | 474 | 52 | 1999 | 1028 | 85 |
1934 | 236 | 20 | 1967 | 462 | 53 | 2000 | 1093 | 86 |
1935 | 220 | 21 | 1968 | 473 | 54 | 2001 | 1107 | 87 |
1936 | 245 | 22 | 1969 | 431 | 55 | 2002 | 1175 | 88 |
1937 | 161 | 23 | 1970 | 456 | 56 | 2003 | 951 | 89 |
1938 | 188 | 24 | 1971 | 428 | 57 | 2004 | 1110 | 90 |
1939 | 195 | 25 | 1972 | 401 | 58 | 2005 | 1126 | 91 |
1940 | 179 | 26 | 1973 | 518 | 59 | 2006 | 1246 | 92 |
1941 | 192 | 27 | 1974 | 483 | 60 | 2007 | 1285 | 93 |
1942 | 202 | 28 | 1975 | 480 | 61 | 2008 | 1302 | 94 |
1943 | 187 | 29 | 1976 | 417 | 62 | 2009 | 1293 | 95 |
1944 | 189 | 30 | 1977 | 423 | 63 | 2010 | 1210 | 96 |
1945 | 165 | 31 | 1978 | 446 | 64 | 2011 | 1309 | 97 |
1946 | 188 | 32 | 1979 | 489 | 65 | |||
1947 | 210 | 33 | 1980 | 476 | 66 |
(一)常规回归方法对棉花产量的预测
在对棉花单产的预测分析中,常用的方法包括一元线性回归和二次曲线回归。
1、一元线性回归
将表1中的产量作为因变量Y,年度作为自变量x,进行线性回归分析。模型为Y=a+bx,其中a为常数、b为回归系数。分析中可以用序号代替年度做自变量使用。结果如下:
回归方程为:Y=-30.5412+10.85977x
相关系数R=0.8731,可决系数R2=0.7623。也就是说,用一元回归模型预测我国棉花单产,其误差是1-0.7623=23.77%。其具体拟合图见图2所示,残差分布图见图3。
2、二次曲线回归
同样将表1中的产量作为因变量Y,年度(此处用序号代替)作为自变量X,进行二次曲线回归分析。模型为Y=a+bx+cx2,其中a为常数、b和c为回归系数。结果如下:
回归方程为:Y=326.29-10.7664x+0.22067x2
相关系数R=0.9796,可决系数R2=0.9596。也就是说对表1中的数据用二次曲线回归模型预测我国棉花单产,其误差是1-0.9596=4.04%。
(二)本发明提供的预测方法对棉花产量进行预测
本发明假定一组原始时间序列数据由趋势分量和波动分量两种类型的因子组成。对趋势分量用趋势模型表达,而波动分量则采用周期变量表达。同时假定波动分量是由一系列具有不同周期长度(或频率)的周期簇共同作用的结果。而至于具体的趋势类型,包括线性趋势、二次曲线趋势、指数曲线趋势、生长曲线趋势等等,均由系统按照最优原则进行自动选取;同时,对周期簇的选择也由系统按照最优原则进行自动选取。步骤如下:
(1)趋势分量模型的选取
首先建立趋势模型库,然后以表1数据作为原始时间序列,按照趋势模型库中每一个趋势模型的要求分别进行计算处理,计算每个趋势模型的可决系数R2,然后按照R2最大原则确定最佳趋势模型。在我国棉花单产预测中,本发明提供的方法一般自动选取二次曲线自适应模型为最佳趋势模型,表达式为:
Yx=a+b x+c x2+d Yx-1
其中,Y表示产量,x为时间变量(序号),Yx表示第x年的产量,Yx-1表示第x-1年的产量,a为常数,b、c、d为回归系数。
(2)周期分量模型的推导
假设某个周期分量的模型为:Wx=a+b*Sin(x+c)
其中Wx表示第x年的波动分量,a为常数、b为系数、c为初始角。
利用和角公式,则模型变为:Wx=a+b*Cos(c)*Sin(x)+b*Sin(c)*Cos(x)
令:d=b*Cos(c);e=b*Sin(c)
则得到单周期即一个周期内的波动分量模型:Wx=a+d*Sin(x)+e*Cos(x)
对于连续周期,则上式变为:
Wx=a+d*Sin(2πx/T)+e*Cos(2πx/T)
其中,a为常数、d和e为系数、x为年度(序号)、T为周期长度,如:5年为1个周期,则周期长度为5、π是圆周率3.14。
(3)对周期簇的选取处理
将上述周期分量模型合并进趋势分量模型,则包含趋势分量和一个周期分量模型的混合模型为:Yx=a+b x+c x2+d Yx-1+e*Sin(2πx/T)+f*Cos(2πx/T)
式中周期长度T取值从1(实际一般从3开始)到N(样本总数),分别计算R2值。并同样根据R2最大原则,选取若干(如5个)最主要周期,如有5个主要周期则有5个T值,即分别有T1、T2、T3、T4、T5。
(4)建立最终完整模型
将上述主要周期分量加入趋势分量模型,则形成最终完整模型。即:
Yx=a+b x+c x2+d Yx-1+e1*Sin(2πx/T1)+f1*Cos(2πx/T1)+e2*Sin(2πx/T2)+f2*Cos(2πx/T2)+…+e5*Sin(2πx/T5)+f5*Cos(2πx/T5)
同样,式中a为常数,x为年度(序号),b、c、d及ei、fi为回归系数,Ti为周期长度,π是常数圆周率3.14。
按照上述完整模型,先对原始数据进行相应处理,化为多元线性回归模型。即模型成为:Y=a+b1x1+b2x2+b3x3+b4x4+…+bixi
根据表1数据,利用上述处理方法可筛选出趋势分量模型为二次曲线自适应模型,筛选出前5个主要周期分量的周期长度分别为17年、16年、8年、18年和6年。则处理后因变量和自变量数据为下表:
表2 完整模型各变量数据(省略后2个周期4个变量)
最终完整模型为:
Y=240.56+0.2792x1-8.1538x2+0.1649x3-61.55x4+29.598x5+8.0753x6-62.6065x7-1.8457x8-26.1408x9+20.765x10+39.749x11-2.209x12-22.462x13
或者写为:
Yx=240.56+0.2792x-8.1538x2+0.1649Yx-1-61.55Sin(2πx/17)+29.598Cos(2πx/17)+8.0753Sin(2πx/16)-62.6065Cos(2πx/16)-1.8457Sin(2πx/8)-26.1408Cos(2πx/8)+20.765Sin(2πx/18)+39.749Cos(2πx/18)-2.209Sin(2πx/6)-22.462Cos(2πx/6)
其相关系数R=0.9892,可决系数R2=0.9785。也就是说利用本发明提供的智能预测方法建立的回归模型对我国棉花单产进行预测,其误差是1-0.9785=2.15%。
预测拟合图见图4,残差分布图见图5所示。
常规一元线性回归方法、常规二次曲线回归方法和本发明方法的预测误差结果统计在表3中。
表3
常规一元线性回归方法 | 常规二次曲线回归方法 | 本发明方法 |
23.77% | 4.04% | 2.15% |
从表3可以看出,本发明提供的预测方法的误差远低于常规预测方法。因此,本发明提供的预测方法,具有预测精度高的优点。
综上所述,本发明提供的基于趋势和周期波动的时间序列的智能预测方法具有以下优点:
(1)预测智能化。通过趋势模型库和优选原则的确定,实现趋势模型建立、预测、分析和检验的自动化。其中核心内容主要包括趋势分量模型的自动选取,周期波动分量的自动筛选或者叫做若干主要波动周期的周期长度的自动筛选确定。
(2)使用方便,无需事先研究确定原始时间序列的数据特性,即可圆满地自动完成预测操作,节约人工投入,并解除了预测效果对操作者知识水平的依赖关系。
(3)通过趋势模型库的扩充实现应用范围的扩展,对该方法的广泛运用奠定坚实基础。
(4)只要建立完善合理的趋势模型库,即可实现预测精度最大限度的提升。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (2)
1.一种基于趋势和周期波动的时间序列的智能预测方法,其特征在于,包括以下步骤:
S1,建立趋势模型库;所述趋势模型库中存储三类趋势模型,即:线性趋势模型、非线性趋势模型和自适应趋势模型;每一类趋势模型包括若干个具体的趋势模型;
S2,读取待预测的原始时间序列,对所述原始时间序列进行计算,分离所述原始时间序列的波动分量和趋势分量;
S3,对于所述趋势分量,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型;其中,所述原始时间序列由N组原始观测数据组成;所述R2最大的趋势模型称为最佳趋势模型,表达式为Yt=f(X);其中,R2为可决系数,反映模型拟合程度;Yt为模型的因变量,X为模型的自变量;t为原始观测数据的组编号;
S4,根据和角公式将所述波动分量转化为周期变量W(Ti),将所述周期变量加入所述最佳趋势模型,得到式一所示的第一模型;
Yt=f(X)+W(Ti) 式一;
S5,设所述原始时间序列的周期长度T分别取值1、2…N;则将T的N个取值分别代入第一模型,得到Y1、Y2…YN;分别计算Y1、Y2…YN的可决系数,得到N个可决系数;以可决系数最大化原则自动选取最大影响作用的z个周期长度;设z个周期长度分别表示为T1、T2…Tz;
S6,将z个周期长度代入式一,得到式二:
Yt=f(X)+W(T1)+W(T2)…W(Tz); 式二
S7,以式二所示模型为最终完整模型,通过最终完整模型对所述原始时间序列进行运算,确定具体模型参数,从而预测所述原始时间序列的变化趋势。
2.根据权利要求1所述的基于趋势和周期波动的时间序列的智能预测方法,其特征在于,S3中,通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型具体为:
通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2,然后比较获得R2最大的趋势模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310189264.1A CN104182800B (zh) | 2013-05-21 | 2013-05-21 | 基于趋势和周期波动的时间序列的智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310189264.1A CN104182800B (zh) | 2013-05-21 | 2013-05-21 | 基于趋势和周期波动的时间序列的智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182800A true CN104182800A (zh) | 2014-12-03 |
CN104182800B CN104182800B (zh) | 2018-01-16 |
Family
ID=51963824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310189264.1A Expired - Fee Related CN104182800B (zh) | 2013-05-21 | 2013-05-21 | 基于趋势和周期波动的时间序列的智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182800B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046372A (zh) * | 2015-08-24 | 2015-11-11 | 广东省气候中心 | 一种逐日蔬菜价格的预测方法和装置 |
CN105446292A (zh) * | 2015-11-24 | 2016-03-30 | 江南大学 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
CN107451834A (zh) * | 2016-05-30 | 2017-12-08 | 华迪计算机集团有限公司 | 一种改进基于主成分和k‑l信息量法构建经济指数的方法 |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN109993354A (zh) * | 2019-03-24 | 2019-07-09 | 北京工业大学 | 一种针对能源消费量预测的方法 |
CN110516858A (zh) * | 2019-08-13 | 2019-11-29 | 兰州大学 | 一种预测三叶草产量与品质的方法 |
CN110705780A (zh) * | 2019-09-27 | 2020-01-17 | 科大国创软件股份有限公司 | 一种基于智能算法的it性能指标预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217939A1 (en) * | 2005-03-28 | 2006-09-28 | Nec Corporation | Time series analysis system, time series analysis method, and time series analysis program |
CN101236636A (zh) * | 2008-02-02 | 2008-08-06 | 湖南大学 | 基于小波分解和相空间重构的电力均价预测方法 |
CN102930155A (zh) * | 2012-10-30 | 2013-02-13 | 国网能源研究院 | 获取电力需求的预警参数的方法及装置 |
CN103049669A (zh) * | 2013-01-07 | 2013-04-17 | 北京工商大学 | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 |
-
2013
- 2013-05-21 CN CN201310189264.1A patent/CN104182800B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217939A1 (en) * | 2005-03-28 | 2006-09-28 | Nec Corporation | Time series analysis system, time series analysis method, and time series analysis program |
CN101236636A (zh) * | 2008-02-02 | 2008-08-06 | 湖南大学 | 基于小波分解和相空间重构的电力均价预测方法 |
CN102930155A (zh) * | 2012-10-30 | 2013-02-13 | 国网能源研究院 | 获取电力需求的预警参数的方法及装置 |
CN103049669A (zh) * | 2013-01-07 | 2013-04-17 | 北京工商大学 | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 |
Non-Patent Citations (2)
Title |
---|
张立杰 等: "中国棉花价格波动特征及趋势分析", 《中国棉花》 * |
张雯丽 等: "我国棉花短期价格波动研究-基于时间序列", 《技术经济》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046372A (zh) * | 2015-08-24 | 2015-11-11 | 广东省气候中心 | 一种逐日蔬菜价格的预测方法和装置 |
CN105046372B (zh) * | 2015-08-24 | 2021-07-16 | 广州市气候与农业气象中心 | 一种逐日蔬菜价格的预测方法和装置 |
CN105446292A (zh) * | 2015-11-24 | 2016-03-30 | 江南大学 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
CN105446292B (zh) * | 2015-11-24 | 2018-01-09 | 江南大学 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
CN107451834A (zh) * | 2016-05-30 | 2017-12-08 | 华迪计算机集团有限公司 | 一种改进基于主成分和k‑l信息量法构建经济指数的方法 |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN109993354A (zh) * | 2019-03-24 | 2019-07-09 | 北京工业大学 | 一种针对能源消费量预测的方法 |
CN110516858A (zh) * | 2019-08-13 | 2019-11-29 | 兰州大学 | 一种预测三叶草产量与品质的方法 |
CN110705780A (zh) * | 2019-09-27 | 2020-01-17 | 科大国创软件股份有限公司 | 一种基于智能算法的it性能指标预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104182800B (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182800A (zh) | 基于趋势和周期波动的时间序列的智能预测方法 | |
Wolfram et al. | Carbon footprint scenarios for renewable electricity in Australia | |
Fei et al. | Technology gap and CO2 emission reduction potential by technical efficiency measures: A meta-frontier modeling for the Chinese agricultural sector | |
Gan et al. | How to deal with resource productivity: Relationships between socioeconomic factors and resource productivity | |
CN103413188B (zh) | 一种基于工业业扩报装的月度工业用电量预测方法 | |
CN106372747B (zh) | 基于随机森林的台区合理线损率估计方法 | |
Zheng et al. | Industrial structure and oil consumption growth path of China: Empirical evidence | |
CN102254024A (zh) | 海量数据处理系统及方法 | |
CN105023066A (zh) | 一种基于季节调整的业扩报装分析预测系统及方法 | |
CN102609875A (zh) | 一种动态并行处理银行数据的方法及系统 | |
CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
CN103778486A (zh) | 一种配电网负荷预测方法 | |
Wang et al. | China’s regional rebound effect based on modelling multi-regional CGE | |
Laurenceson et al. | China's macroeconomic volatility—How important is the business cycle? | |
Wang et al. | An improved two-step parameter adjustment method for the optimization of a reservoir operation function model based on repeated principal component analysis and a genetic algorithm | |
CN104573865A (zh) | 一种基于定基能源消费弹性系数预测能源消费总量的方法 | |
Boranbayev et al. | Construction of an optimal mathematical model of functioning of the manufacturing industry of the republic of Kazakhstan | |
Haider | Raw material sourcing and firm performance: evidence from manufacturing firms in south-west Bangladesh | |
CN108364200A (zh) | 一种宏观经济趋势预估系统及方法 | |
Wu et al. | Efficiency or equity? Simulating the carbon emission permits trading schemes in China based on an inter-regional CGE model | |
Yang et al. | Study on the U-shaped relationship of carbon constraint on the large thermal power plants’ profitability | |
Taghizadeh et al. | Energy cost versus production as a performance benchmark for analysis of companies | |
Olarewaju | AN INVESTIGATION OF THE RELATIONSHIP BETWEEN MANUFACTURING OUTPUT AND ECONOMIC GROWTH: EVIDENCE FROM NIGERIA'S DATA SET | |
CN112434892A (zh) | 基于多因素组合学习的差异化用电需求预测方法及系统 | |
Erins et al. | R&D expenditures by sectors of performance and analysis of performance indicators in the Baltic States |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |