导读:本文包含了时间序列模型论文开题报告文献综述及选题提纲参考文献，主要关键词:基金定投,时间序列,R语言,投资策略
时间序列模型论文文献综述
金艳玲[1]（2019）在《基于时间序列分析模型对基金定投分析及应用》一文中研究指出对于经验欠缺或者没有精力且有投资需要的普通投资者,基金定投是常用的理财方式.本文基于时间序列理论,给出定投基金选取的分析方案及定投策略,并利用统计软件R编程分析,给出符合定投策略的定投基金及其实际投资效果.实际投资效果显示文中所提方案及策略对普通投资者具有一定参考意义.(本文来源于《太原师范学院学报(自然科学版)》期刊2019年04期）
刘慧鑫,张江龙,连鸿松,郑东升,赖永华[2]（2019）在《基于时间序列模型的变压器油中溶解气体预测》一文中研究指出变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。(本文来源于《高压电器》期刊2019年12期）
王安[3]（2019）在《基于贝叶斯统计推断的时间序列预测模型的优化》一文中研究指出贝叶斯统计推断理论解决了模型参数过大时的估计问题,这一理论提供了一个时间序列预测模型的分析框架。系统地描述了贝叶斯统计推断方法的时间序列模型,分门别类对各种模型的变种均进行了详细的解读,并以ARMA模型和ARIMA模型为核心,详细讲解了模型的原理和建模流程,给出了实验数据。验证了采用贝叶斯推断方法后预测结果的优越性,为预测模型优化提供了理论依据。(本文来源于《太原学院学报(自然科学版)》期刊2019年04期）
戴玉泉[4]（2019）在《基于ARIMA模型对江西省CPI的时间序列分析与预测》一文中研究指出CPI,作为衡量通货膨胀率的标准之一,能够很大程度的反映出一时间段内国民经济状况,从而促进有关部门更好地进行宏观调控、采取适宜的经济政策与货币政策、拉动国民经济增长。本文运用R软件,基于ARIMA(p,d,q)模型,对江西省2017年1月至2019年6月CPI指数进行时间序列分析与预测。实证研究结果表明,ARIMA(0,3,1)模型具有很好的预测效果,用该模型预测到江西省2019年下半年CPI总体走向仍然会上涨,并给出了相应的经济建议。(本文来源于《科学技术创新》期刊2019年35期）
张田,潘尔顺[5]（2019）在《基于时间序列分析的电容器退化模型》一文中研究指出针对高温下电容器电容值下降的问题,基于差分自回归移动平均(ARIMA)模型及分数阶自回归移动平均(ARFIMA)模型,引入时间序列分析法预测电容值的退化轨迹.对于ARIMA模型,当电容器的退化过程服从Wiener分布时,利用过差分预判法(OPM)预判原时间序列的过差分阶数;根据单位根检验、自相关及偏自相关函数的计算结果确定经过一阶差分后的时间序列的平稳性.对于ARFIMA模型,利用重标极差法判定退化数据是否具有长期记忆性;通过最小准则及极大似然法估计模型阶数及其相关参数值.最后,通过残差检验验证OPM-ARIMA及ARFIMA模型在提取有效信息与准确预测两方面的能力,并进一步分析了这两种模型的可行性与有效性.(本文来源于《上海交通大学学报》期刊2019年11期）
刘运梅,李长玲,杜德慧[6]（2019）在《时间序列视角下PLOS ALM指标特性识别模型构建与应用》一文中研究指出文章基于时间序列分析方法,提出及时性指数(T)、波动性指数(V)和持续性指数(P),并基于叁维立体散点图建立计量指标特性识别模型。研究了PLOS网站ALM指标的动态变化特征,分析不同指标不同时间段在论文影响力评价中的作用。以PLOS网站的PLOS使用指标、Scopus引用指标、Twitter讨论指标为例,选择2016年期刊PLOS ONE的前50篇高被引论文为数据样本,进行实证研究。研究发现:PLOS使用指标具有高及时性、低波动性、高持续性的特点,可将学术论文整个生命周期的平均被使用情况作为学术影响力判定指标;Scopus引用指标具有低及时性、高波动性、高持续性的特点,可将学术论文中长期的被引情况作为学术影响力判定指标;Twitter讨论指标具有低及时性、低波动性、低持续性的特点,可将学术论文首月的讨论情况作为社会影响力判定指标。(本文来源于《情报资料工作》期刊2019年06期）
武洪昆,季元旗[7]（2019）在《基于时间序列模型的天然气预测系统》一文中研究指出清洁能源天然气是中国能源转型的必然选择。目前,中国的天然气产业正处于快速发展期。未来,天然气承担着中国能源转型的重任,具有广阔的发展前景。但中国天然气产业发展受制于一系列内外问题,建议持续加强天然气产供储销体系建设,推动需求侧增长,建立天然气产业信息沟通机制,完善下游市场信用体系,加快市场化推进进度,以实现产业持续健康快速发展。(本文来源于《信息系统工程》期刊2019年11期）
许国艳,朱进,司存友,胡文斌,刘凡[8]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
全涛[9]（2019）在《欧洲足球五大联赛进球的时间序列模型构建及预测》一文中研究指出通过文献资料、数理统计、对比分析等研究方法对欧洲足球五大联赛2000-2001赛季至2016-2017赛季的场均进球进行时间序列分析,构建了ARIMA模型及结果预测。研究表明:(1)欧洲五大联赛的进球特征表现出单一赛事不同时期的波动性和不同赛事之间的横向差异性。(2)欧洲五大联赛的模型分别是德甲为ARIMA (0,1,3),法甲为ARIMA (0,1,0),西甲为ARIMA (1,1,3),意甲为ARIMA(0,1,2),英超为ARIMA(1,1,2)。(3)通过模型的构建可用于短期预测,进球序列整体呈波动状态,拟合值和观测值曲线在整个区间整体拟合情况良好。(本文来源于《体育科研》期刊2019年06期）
姜廷慈,李敬有,吕洪柱[10]（2019）在《基于学习行为时间序列相似性模型的研究》一文中研究指出以学习者学习行为为研究对象,提取了学习行为特征,构建了一组学习行为时间序列数据,提出了一种学习行为时间序列相似性模型;通过学习行为相似性模式的表示、度量和聚类,验证模型的有效性;结果表明,能够很好地对学习行为进行分类,对无效样本有效检验。(本文来源于《齐齐哈尔大学学报(自然科学版)》期刊2019年06期）
时间序列模型论文开题报告
（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：
变压器作为电力系统的核心设备,其安全运行是电力系统稳定可靠的基础。根据在线监测系统提供的油中溶解气体含量历史数据,预测未来气体体积分数及其发展趋势,是DGA故障预测的关键,也是在线监测的必要补充和提前预警变压器故障的重要手段。现有的预测算法存在着模型泛化性差和没有考虑时间序列模型等问题。为提高预测能力,文中首先介绍了非时序有监督学习和时间序列模型关键技术及其在变压器油中溶解气体体积分数预测的应用;然后搜集和发布了一个大规模数据样本,为算法提供了一个较为全面的验证集,提高模型的泛化性;最后使用前向数据分割方法进行数据增强,增加模型的训练数据。大量实验证明了时间序列模型在变压器油中溶解气体体积分数预测的有效性。
（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。
时间序列模型论文参考文献
[1].金艳玲.基于时间序列分析模型对基金定投分析及应用[J].太原师范学院学报(自然科学版).2019
[2].刘慧鑫,张江龙,连鸿松,郑东升,赖永华.基于时间序列模型的变压器油中溶解气体预测[J].高压电器.2019
[3].王安.基于贝叶斯统计推断的时间序列预测模型的优化[J].太原学院学报(自然科学版).2019
[4].戴玉泉.基于ARIMA模型对江西省CPI的时间序列分析与预测[J].科学技术创新.2019
[5].张田,潘尔顺.基于时间序列分析的电容器退化模型[J].上海交通大学学报.2019
[6].刘运梅,李长玲,杜德慧.时间序列视角下PLOSALM指标特性识别模型构建与应用[J].情报资料工作.2019
[7].武洪昆,季元旗.基于时间序列模型的天然气预测系统[J].信息系统工程.2019
[8].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[9].全涛.欧洲足球五大联赛进球的时间序列模型构建及预测[J].体育科研.2019
[10].姜廷慈,李敬有,吕洪柱.基于学习行为时间序列相似性模型的研究[J].齐齐哈尔大学学报(自然科学版).2019