检索结果-南通市图书馆

Prediction of BRIC Stock Price Using ARIMA,SutteARIMA,and holt-winters

Computers, Materials & Continua 2022年第1期70卷 523-534页

作者： Ansari Saleh Ahmar Pawan Kumar Singh Nguyen Van Thanh Nguyen Viet Tinh Vo Minh Hieu Department of Statistics Faculty of Mathematics and Natural ScienccesUniversitas Negeri MakassarMakassar90223Indonesia School of Humanities and Social Sciences Thapar Institute of Engineering and TechnologyPatiala147004India Faculty of Commerce Van Lang UniversityHo Chi Minh City70000Vietnam

The novel coronavirus has played a disastrous role in many countries *** outbreak became a major epidemic,engulfing the entire world in lockdown and it is now speculated that its economic impact might be worse than economic deceleration and *** paper identifies two different models to capture the trend of closing stock prices in Brazil(BVSP),Russia(***),India(BSESN),and China(SSE),i.e.,(BRIC)*** predict the stock prices for three daily time periods,so appropriate preparations can be undertaken to solve these ***,we compared the ARIMA,SutteARIMA and holt-winters(H-W)methods to determine the most effective model for predicting *** stock closing price of BRIC country data was obtained from Yahoo *** data dates from 01 November 2019 to 11 December 2020,then divided into two categories-training data and test *** data covers 01 November 2019 to 02 December *** days(03December 2020 to 11December 2020)of datawas tested to determine the accuracy of the models using training data as a *** measure the accuracy of the models,we obtained the means absolute percentage error(MAPE)and mean square error(MSE).Prediction model holt-winters was found to be the most suitable for forecasting the Brazil stock price(BVSP)while MAPE(0.50)and MSE(579272.65)with holt-winters(smaller than ARIMA and SutteARIMA),model SutteARIMA was found most appropriate to predict the stock prices of Russia(***),India(BSESN),and China(SSE)when compared to ARIMA and *** andMSE with SutteARIMA:Russia(MAPE:0.7;MSE:940.20),India(MAPE:0.90;MSE:207271.16),and China(MAPE:0.72;MSE:786.28).Finally,holt-winters predicted the daily forecast values for the Brazil stock price(BVSP)(12 December to 14 December 2020 i.e.,115757.6,116150.9 and 116544.1),while SutteARIMA predicted the daily forecast values of Russia stock prices(***)(12 December to 14 December 2020 i.e.,3238.06,3241.54 and 3245.01),India stock price(BSESN)(

关键词： SutteARIMA holt-winters ARIMA stock price COVID-19

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

holt-winters与ARIMA模型在电离层总电子含量预报中的比较

引用

桂林理工大学学报 2019年第4期39卷 905-911页

作者：唐宏唐诗华陈雨田田祥雨桂林理工大学测绘地理信息学院广西桂林541006 桂林理工大学广西空间信息与测绘重点实验室广西桂林541006 深圳市中地软件工程有限公司广东深圳518057

利用IGS中心发布的15天TEC数据作为样本,采用holt-winters加法、holt-winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预... 详细信息

利用IGS中心发布的15天TEC数据作为样本,采用holt-winters加法、holt-winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。

关键词：时间序列电离层 TEC ARIMA holt-winters

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

Forecasting Annual International Tourist Arrivals in Zambia Using holt-winters Exponential Smoothing

引用

Open Journal of Statistics 2019年第2期9卷 258-267页

作者： Stanley Jere Alick Banda Bornwell Kasense Ian Siluyele Edwin Moyo Department of Mathematics and Statistics Mulungushi University Kabwe Zambia Zambia Information and Communications Technology Authority Lusaka Zambia Department of Mathematics and Statistics Northrise University Ndola Zambia

Tourism is one of the major contributors to foreign exchange earnings to Zambia and world economy. Annual International tourist arrivals in Zambia from 1995 to 2014 are considered in this paper. In this study we evaluated the model performance of Auto-Regressive Integrated Moving Average (ARIMA) and holt winters exponential smoothing (HWES). The error indicators: Mean percentage error (MPE), Mean absolute error (MAE), Mean absolute scaled error (MASE), Root-mean-square error (RMSE) and Mean absolute percentage error (MAPE) showed that HWES is an appropriate model with reasonable forecast accuracy. The HWES (α = 1, β = 0.1246865) showed smallest error than those of the ARIMA (0, 1, 2) models. Hence, the HWES (α = 1, β = 0.1246865) can be used to model annual international tourist arrivals in Zambia. Further, forecasting results give a gradual increase in annual international tourist arrivals of about 42% by 2024. Accurate forecasts are key to new investors and Policymakers. The Zambian government should use such forecasts in formulating policies and making strategies that will promote the tourism industry.

关键词： Zambia International Tourist Arrivals holt-winters Model ARIMA Forecasting

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于holt-winters及长短期记忆的云资源组合预测模型

引用

科学技术与工程 2022年第13期22卷 5306-5311页

作者：李新飞谢晓兰桂林理工大学信息科学与工程学院桂林541004 广西嵌入式技术与智能系统重点实验室桂林541004

云资源的预测分析对于响应资源请求并及时做出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题,为使云资源的预测能够为工作负载的需求提前响应并做出合理分配,提出了一种基于Ho... 详细信息

云资源的预测分析对于响应资源请求并及时做出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题,为使云资源的预测能够为工作负载的需求提前响应并做出合理分配,提出了一种基于holt-winters和长短期记忆神经网络(long short-term memory,LSTM)(HW-LSTM)的云资源组合预测模型,并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明,提出的组合模型比holt-winters、LSTM及卷积神经网络(convolutional neural networks,CNN)模型预测性能及稳定性更好,均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对比例误差(mean absolute scaled error,MASE)、方差D(n)优化范围分别为0.065~1.026、0.023~0.269、0.001~0.007、0.004~0.039和0.079~4.125。

关键词：云资源预测 holt-winters 长短期神经网络(LSTM) 变异系数

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于ARIMA乘积季节模型和holt-winters季节模型的梅毒月发病率预测

引用

郑州大学学报（医学版） 2018年第1期53卷 79-84页

作者：马晓梅史鲁斌其木格闫国立施学忠孙春阳徐学琴赵倩倩河南中医药大学公共卫生与预防学科郑州450046 河南省疾病预防控制中心免疫规划科郑州450046 郑州大学公共卫生学院卫生统计学教研室郑州450001

目的:探讨ARIMA乘积季节模型和holt-winters季节模型在我国梅毒月发病率预测中的应用价值。方法:以2005年1月至2015年12月梅毒月发病率数据为基础,运用SPSS 22.0和Eviews 8.0分别建立ARIMA乘积季节模型和holt-winters季节模型,采用2016... 详细信息

目的:探讨ARIMA乘积季节模型和holt-winters季节模型在我国梅毒月发病率预测中的应用价值。方法:以2005年1月至2015年12月梅毒月发病率数据为基础,运用SPSS 22.0和Eviews 8.0分别建立ARIMA乘积季节模型和holt-winters季节模型,采用2016年1至6月的实际数据验证模型,评价指标是预测误差和平均绝对误差(MAE)。选择精度较高模型预测2016年7至12月梅毒月发病率。结果:MAE的比较结果表明ARIMA乘积季节模型预测精度优于holt-winters季节模型,最优模型是ARIMA(1,1,1)×(0,1,1)12,模型口径为:(1-B)(1-B12)(1+0.374B)xt=(1+0.740B)(1+0.775B12)εt,2016年7至12月梅毒月发病率的预测结果(1/10万)分别为3.107、2.989、2.879、2.658、2.631、2.644。结论:ARIMA乘积季节模型具有较高的预测精度,可较好地拟合全国梅毒月发病率的演变趋势。

关键词：梅毒 ARIMA holt-winters 月发病率

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Spark和holt-winters模型的短期负荷预测方法

基于Spark和Holt-Winters模型的短期负荷预测方法

引用

作者：龙鑫西南交通大学

学位级别：硕士

短期负荷预测是电力系统经济运行与系统调度的重要前提和依据。智能电网与传感器技术的发展使得电网数据剧烈膨胀,形成了用户侧负荷大数据。电网大数据形势下的短期负荷预测要求预测方法的预测精度高,计算速度快,传统的预测方法已经无... 详细信息

短期负荷预测是电力系统经济运行与系统调度的重要前提和依据。智能电网与传感器技术的发展使得电网数据剧烈膨胀,形成了用户侧负荷大数据。电网大数据形势下的短期负荷预测要求预测方法的预测精度高,计算速度快,传统的预测方法已经无法满足。以Hadoop、Spark平台为代表的大数据处理技术的出现,使得海量数据的处理方式进入一个崭新的阶段。本文分析现阶段大数据形势下短期负荷预测的需求与面临的关键问题,从提高短期负荷预测精度与提高短期负荷预测速度两个方面为切入点,结合相关算法与数据处理,展开大数据形势短期负荷相关工作。论文首先根据短期负荷预测与实验需要,利用NREL实验室公布的负荷数据,生成了约2500万组负荷实验数据集;分析了商业用电负荷与居民用电负荷的特性,得出了两种负荷类型具有周期性与季节性的结论。然后根据负荷数据周期性与季节性的特点,建立能够对季节与周期因素进行建模的乘法holt-winters的短期负荷预测模型,并采用无约束优化理论中的L-BFGS内存限定拟牛顿算法实现预测模型的参数优化,以降低预测模型寻优的计算复杂度,并保证负荷预测的精度。接着将文中的短期负荷预测算法在Spark集群并行化实现,以提高计算效率,实现对海量负荷数据的预测。提出了包含2个Master节点,28个Slave节点的集群构建方案,并对集群的配置进行优化,使得Spark计算性能更好。最后对HDFS分布式文件系统存储效率、L-BFGS-holt-winters短期负荷预测算法的预测误差和Spark并行计算效率进行实验。结果表明,论文采用的HDFS负荷数据存储,效率优于传统的文件存储方式;论文采用的L-BFGS优化方法有良好的计算效率与优化精度;与传统负荷预测算法相比,论文采用的holt-winters算法有更高的预测精度;Spark并行化实现后的短期负荷方法,能够应对海量负荷数据的预测需求。在论文方法在25个计算节点的计算集群中,能够在1.5分钟内实现200万规模的负荷预测,13分钟内实现2000万规模的负荷预测,能够满足大中型城市乃至省级电力单位的负荷预测需求;论文方法能够减少实际电力系统的费用消耗,节约更多的时间,为电力系统的调度调控等操作提供保障。本文基于Spark与holt-winters的短期负荷预测方法,是解决大数据形势下海量短期负荷预测一种可行的方案。

关键词：短期负荷预测 holt-winters Hadoop Spark 并行化

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

holt-winters时间序列模型在江阴大桥车流量预测中的应用

引用

中国交通信息化 2018年第S1期 39-41页

作者：饶建辉王登才江苏杨子大桥股份有限公司江苏泰州214500 江苏长天智远交通科技有限公司江苏南京210036

针对江阴大桥交通大数据中车流量呈现趋势性、季节性变化的特征,先使用holt-winters算法构建时间序列分析模型,然后选择最优的平滑系数组合以保证预测的精度,再使用相对误差来评估建立的预测模型在车流量预测中的性能表现,最后通过模型... 详细信息

针对江阴大桥交通大数据中车流量呈现趋势性、季节性变化的特征,先使用holt-winters算法构建时间序列分析模型,然后选择最优的平滑系数组合以保证预测的精度,再使用相对误差来评估建立的预测模型在车流量预测中的性能表现,最后通过模型与历史数据预测江阴大桥未来一年内的车流量情况。

关键词： holt-winters 时间序列江阴大桥车流量预测模型

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

EEMD-holt-winters的电离层TEC预报模型

引用

测绘工程 2021年第3期30卷 15-20页

作者：周强波核工业二三〇研究所湖南长沙410007

利用IGS中心提供的全球电离层TEC数据,建立集合经验模态分解与holt-winters组合的预报模型。根据地磁活动情况,选取地磁平静时段和地磁活跃时段的低、中纬度TEC序列,分别采用EEMD-holt-winters组合模型和单一holt-winters模型进行建模... 详细信息

利用IGS中心提供的全球电离层TEC数据,建立集合经验模态分解与holt-winters组合的预报模型。根据地磁活动情况,选取地磁平静时段和地磁活跃时段的低、中纬度TEC序列,分别采用EEMD-holt-winters组合模型和单一holt-winters模型进行建模预报。实验结果表明,地磁平静期文中模型的相对精度最优可达91.71%,均方根误差最优可达1.54 TECu,地磁活跃期文中模型的相对精度最优可达86.83%,均方根误差最优可达2.18 TECu,预报结果较单一模型有显著提高。

关键词：电离层集合经验模态分解 holt-winters 总电子含量

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

SARIMA模型与holt-winters模型在丙型肝炎发病率预测中的应用

引用

数学的实践与认识 2021年第4期51卷 172-179页

作者：侯文涛杨郁辉胡运红运城学院数学与信息技术学院山西运城044000

主要探讨SARIMA模型和holt-winters模型在丙型肝炎月发病率预测中的应用价值.首先,利用2006年1月至2018年12月的月发病率数据为基础,分别建立SARIMA模型和holt-winters模型;然后,预测2019年1月到12月的月发病率数据,并与实际月发病率数... 详细信息

主要探讨SARIMA模型和holt-winters模型在丙型肝炎月发病率预测中的应用价值.首先,利用2006年1月至2018年12月的月发病率数据为基础,分别建立SARIMA模型和holt-winters模型;然后,预测2019年1月到12月的月发病率数据,并与实际月发病率数据进行比较,得到SARIMA(2,1,1)(0,1,1)_(12)模型的拟合效果较好;最后,利用SARIMA(2,1,1)(0,1,1)_(12)模型预测了2020年1月至12月的月发病率.研究结果将可为相关部门丙型肝炎防控提供科学依据.

关键词：丙型肝炎 SARIMA holt-winters 预测

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于holt-winters模型对中国人身险“十二五”期间保费收入预测分析

引用

中国保险 2010年第9期 16-18页

作者：董海锋武汉大学经济与管理学院

"十二五"期间中国人身险保费收入增长速度情况是当前全行业共同关注的重大课题。2005年1月至2010年6月114个观察点数据显示,中国人身险保费收入呈现较强的季节性和趋势性的特征,适用于时间序列数据预测方法进行分析。通过使用holt-Wint... 详细信息

"十二五"期间中国人身险保费收入增长速度情况是当前全行业共同关注的重大课题。2005年1月至2010年6月114个观察点数据显示,中国人身险保费收入呈现较强的季节性和趋势性的特征,适用于时间序列数据预测方法进行分析。通过使用holt-winters模型,预测"十二五"期间中国人身险保费收入平均增速为9.93%—18.43%,并存在大起大落的风险。

关键词：模型预测人身险保费收入 holt-winters “十二五”期间中华人民共和国

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：