摘要：压力传感器作为核动力装置中典型的仪控设备,在当前核电反应堆仪表和控制过程的安全性和可靠性方面发挥重要作用。本文首先介绍了压力传感器的老化机理,然后以压力传感器运行数据为研究对象,对数据进行处理后,估计模型参数并建立arima模型,设定数据分类判定准则,对比模型的预测准确率,选择最优模型对设备的未来运行状态进行预判。经过验证得到,构建的最优arima模型能较准确地预测压力传感器的寿命,预测结果可以为核电站传感器的监测及预测研究作为有力参考。

摘要：本文通过对2020年4月的“负油价”事件进行研究,寻找影响原油期货价格的核心要素,从而进一步开展对WTI原油期货价格风险的研究,建立WTI原油期货价格风险预警指标体系,构建实证模型,以实现对原油期货的价格风险预警。基于选取的预警指标2010—2022年的数据,本文采用BP神经网络模型构建的实证模型,较好地拟合了WTI原油期货的价格波动率,并结合arima模型对警兆指标的预测值完成对2023年1—3月的WTI原油期货价格波动预警,在三个月中WTI原油期货的价格风险都处于“无警”状态,价格较为平稳,仅供参考。

摘要：鸡肉是我国消费比例第二的重要肉制品,鸡肉产业是关系我国粮食安全的重要产业,也是许多乡村地区的重要产业。但是,鸡肉产业受鸡肉价格波动的影响很大,却没有合适的风险管理工具,因此亟须相关期货品种的上市和推广。本文基于我国鸡肉产业现状,借鉴国内外期货设计,提出我国鸡肉期货合约设计,并运用arima模型来预测以及时获得鸡肉现货价格,为鸡肉期货定价。

摘要：近几年以来,我国的经济得到了快速的发展,为了保证我国经济的可持续发展,进行有效的经济预测是至关重要的,因此,我们可以采用结构时间序列模型对经济进行预测。时间序列模型当中所得到了指标都是不可观测的变量,因此,我们不能使用回归分析这一方法,所以,在对时间序列模型进行解答时,我们要采用一些科学、有效的方法。我们通过不同的结构时间序列模型可以准确的预测出社会消费品零售总额、GDP等,保证了经济预测结果的准确性。本文主要对时间序列在经济预测中的应用进行详细的探究。

摘要：应力-强度模型是结构可靠性的基本理论,对电子元器件,通过筛选提高可靠性极为重要。振动筛选中以随机振动效果最好。对电子及机电产品做HALT可发现潜在缺陷,改进设计。平稳时间序列有一定的内在变化规律,可用于预测。arima及ARCH模型是金融常用的模型,在导弹系统中常用Kalman滤波,MM是资本结构的基本定理。

摘要：设计了中国商业银行压力指数、测算出商业银行压力指数的具体风险构成情况并对商业银行压力指数做了短期预测。研究发现:中国商业银行压力指数在2010-2017年呈现波动上升的状态,其中流动性风险和信用风险占有较大比重,操作风险有极大地不确定性,构造的模型能较好的拟合商业银行真实的风险水平,能较准确的预测短期中国商业银行压力指数大小。

摘要：计量设备存在输出可靠性不足的问题,制约电子行业发展。为此提出基于人工智能的大功率计量设备可靠性自动化评估系统设计方法,基于arima与GRU建立了一种设备可靠性的预测模型。根据设备可靠性数据的变化规律,使用arima模型抓取数据的线性特征,使用GRU模型抓取数据的非线性特征,选取合适的参数及网络优化算法调整网络以获得更好结果,并与其他模型的预测结果进行了对比。实验结果表明,所采用的预测算法效果好于单一模型预测效果,具有较好的实用性。

摘要：随着互联网的发展,我国卫生统计的信息化发展迅速。多年的卫生统计信息化建设,积累了大量的统计数据,如何更好地利用这些数据、分析这些数据,为卫生工作的科学决策提供依据,是亟待解决的问题。利用统计软件SPSS,结合信息技术,设计与实现了时间序列分析Web服务,并利用十堰市2005～2015年结核病发病统计数据,对结核病发病趋势进行了预测。结果表明运用以上提出的方法,可以更方便地进行时间序列分析,为进一步开展大数据在卫生统计中的应用研究奠定了基础。

摘要：常规的架空配电线路故障识别区域划定一般是单频段,针对故障识别的速度较慢,致使误识别率逐渐增高。为此提出基于感应电压特征的架空配电线路故障识别研究。根据当前的识别需求,先提取故障特征,采用多频段的方式,提高故障识别的速度,进行多频段感应故障相电压变动区域分布划定。以此为基础,构建感应电压特征架空配电线路故障识别模型,采用自适应跟踪监测的方式来实现故障识别处理。测试结果表明:对比于传统馈线自动化与级差保护架空配电线路故障识别方法、传统R语言arima模型架空配电线路故障识别方法,此次设计的感应电压特征架空配电线路故障识别方法最终得出的误识别率较低,其误识别率均控制在15%以下。这说明在感应电压特征的辅助下,设计的架空配电线路故障识别方法更为高效,识别精准度明显提高,具有实际的应用意义与创新价值。

摘要：针对近年来学生异常行为增多问题,以一卡通为基础对校园大数据进行了挖掘与并对挖掘结果进行可视化展示。采用arima时间序列预测模型对校园热点区域人流量分布进行预测,通过基于最小方差和余弦相似度的K-means改进聚类算法归纳了校园消费分布特征,对特征进行聚类,并对每类人群的特点进行了总结分析。实验结果表明,arima时间序列预测模型的预测结果与真实结果的标准误差为23.46,预测结果较为理想;而改进的K-means聚类算法则通过最小方差提高初始质心的代表性,最终模型聚类结果与预期结果基本一致。通过预测和聚类结果,校园管理者可以了解学生群体特征,对学生个性特征、行为规律进行深入分析,预测学生行为,防微杜渐。