实验二 ARMA 模型建模与预测指导 一、实验目的 学会通过各种手段检验序列的平稳性；学会根据自相关系数和偏自相关系数来初步判断ARMA 模型的阶数p 和q ，学会利用最小二乘法等方法对ARMA 模型进行估计，学会利用信息准则对估计的ARMA 模型进行诊断，以及掌握利用ARMA 模型进行预测。掌握在实证研究中如何运用Eviews 软件进行ARMA 模型的识别、诊断、估计和预测和相关具体操作。 二、基本概念 宽平稳：序列的统计性质不随时间发生改变，只与时间间隔有关。 AR 模型：AR 模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测， 自回归模型的数学公式为: 1122t t t p t p t y y y y φφφε---=++++ 式中: p 为自回归模型的阶数i φ（i=1，2， ，p ）为模型的待定系数，t ε为误差， t y 为一个平稳时间序列。 MA 模型：MA 模型也称为滑动平均模型。它的预测方式是通过 过去的干扰值和现在的干扰值的线性组合预测。滑动平均模型的数学公式为: 1122t t t t q t q y εθεθεθε---=---- 式中: q 为模型的阶数； j θ（j=1，2， ，q ）为模型的待定系数；t ε为误差； t y 为平稳时间序列。 ARMA 模型：自回归模型和滑动平均模型的组合， 便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA ， 数学公式为: 11221122t t t p t p t t t q t q y y y y φφφεθεθεθε------=++ ++---- 三、实验内容及要求 1、实验内容： （1）根据时序图判断序列的平稳性； （2）观察相关图，初步确定移动平均阶数q 和自回归阶数p ； （3）运用经典B-J 方法对某企业201个连续生产数据建立合适的ARMA （,p q ）模型，并能够利用此模型进行短期预测。 2、实验要求： （1）深刻理解平稳性的要求以及ARMA 模型的建模思想； （2）如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARMA 模型；如何利用ARMA 模型进行预测； （3）熟练掌握相关Eviews 操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 （1）数据录入
A R M A模型和S A S求 解
第6讲时间序列分析 教材：应用时间序列分析课件（中国人民大学王燕），SAS如何解及下载例程。 时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。 时间序列是把反映现象发展水平的统计指标数值，按照时间先后顺序排列起来所形成的一组统计数字序列。时间序列又称动态数列或时间数列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。 时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 时间序列分析主要用途:①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深
入了解给定时间序列产生的机理。③预测未来。一般用ARMA 模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 基本步骤:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA 模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合ARMA 模型等来进行拟合。当观测值多于50个时一般都采用ARMA 模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。 本章重点：1）建立p 阶自回归)(p AR 模型：t p t p t t t x x x x εφφφφ+++++=--- 22110 2）建立q 阶移动平均)(q MA 模型： q t q t t t t x -------+=εθεθεθεμ 2211 3）),(q p ARMA 模型：q t q t t t p t p t t t t x x x x -----------+++++=εθεθεθεφφφφ 221122110 三个模型的拖尾、截尾性
ARMA模型建模与预测案例分析 实验二 ARMA模型建模与预测指导 一、实验目的 学会通过各种手段检验序列的平稳性;学会根据自相关系数和偏自相关系数来初步判断ARMA模型的阶数p和q，学会利用最小二乘法等方法对ARMA模型进行估计，学会利用信息准则对估计的ARMA模型进行诊断，以及掌握利用ARMA模型进行预测。掌握在实证研究中如何运用Eviews软件进行ARMA模型的识别、诊断、估计和预测和相关具体操作。 二、基本概念 宽平稳:序列的统计性质不随时间发生改变，只与时间间隔有关。 AR模型:AR模型也称为自回归模型。它的预测方式是通过过去的观测值和现在的干扰值的线性组合预测，自回归模型的数学公式为: yyyy,，，，，,,,, tttptpt1122,,, ,,y式中: 为自回归模型的阶数(i=1，2，，p)为模型的待定系数，为误差，为？pitt一个平稳时间序列。 MA模型:MA模型也称为滑动平均模型。它的预测方式是通过 过去的干扰值和现在的干扰值的线性组合预测。滑动平均模型的数学公式为: y,,,,,,,,,,,, ttttqtq1122,,, ,,y式中: 为模型的阶数; (j=1，2，，q)为模型的待定系数;为误差; 为平稳？qjtt时间序列。
ARMA模型:自回归模型和滑动平均模型的组合，便构成了用于描述平稳随机过程的自回归滑动平均模型ARMA，数学公式为: yyyy,，，，，,,,,,,,,,,,,,, tttptptttqtq11221122,,,,,, 三、实验内容及要求 1、实验内容: (1)根据时序图判断序列的平稳性; (2)观察相关图，初步确定移动平均阶数q和自回归阶数p; (3)运用经典B-J方法对某企业201个连续生产数据建立合适的ARMA()模型，并pq,能够利用此模型进行短期预测。 2、实验要求: (1)深刻理解平稳性的要求以及ARMA模型的建模思想; (2)如何通过观察自相关，偏自相关系数及其图形，利用最小二乘法，以及信息准则建立合适的ARMA模型;如何利用ARMA模型进行预测; (3)熟练掌握相关Eviews操作，读懂模型参数估计结果。 四、实验指导 1、模型识别 (1)数据录入 打开Eviews软件，选择“File”菜单中的“New--Workfile”选项，在“Workfile structure type”栏选择“Unstructured /Undated”，在“Date range”栏中输入数据个数201，点击ok，见图2-1，这样就建立了一个工作文件。
基于高级InSAR时序分析方法的高速公路沉降分析 张庆云1，2，张景发2，李永生2 1. 中国地震局工程力学研究所，地震工程与工程震动重点实验室，哈尔滨，中国 2. 中国地震局地壳应力研究所，地壳动力重点实验室，北京，中国 摘要：合成孔径雷达InSAR测量是近年来发展起来的极具潜力的微波遥感新技术，在监测地表形变上有全天候、大范围、高精度等优点。而高速公路作为现代社会经济发展的一个重要指标，在使用过程中其质量和沉降变化对社会发展和人们的生命财产安全都有重大的影响。InSAR技术在实际应用中，需要对多方面的误差进行校正分析。本文利用一种新的分析方法FRAM-SBAS时序分析方法，对兖州地区的ALOS PALSAR数据进行分析，研究该地区的高速公路沉降。FRAM-SBAS时序分析方法是一种融合了多种InSAR 误差源校正方法的短基线集时序分析策略。通过对比FRAM-SBAS时序分析方法与传统的PS-InSAR方法，证明了高级InSAR时序分析方法的简便与高精度之处，同时了验证了兖州高速公路由于煤矿开采等引起了不同程度的地面沉降。 关键词：FRAM-SBAS时序分析，PS-InSAR，高速公路沉降 1、研究现状 随着经济和社会的发展，以及《国家高速公路网规划》等国家战略的实施，高速公路建设正在飞速发展。但是受地貌以及道路等级的限制，有些高速公路要通过地下资源开采留下的采空区，这些地段因为采空区的存在会在地表上形成沉降盆地，而且容易产生裂缝和裂隙等现象，这就给路基路面的稳定性带来很大负面影响。而且在不同的地段，因为实际情况车流、车载量以及地貌等因素影响，路基路面会在使用过程中出现不同程度的破坏。因此，对高速公路进行沉降监测，保证高速公路正常运营变得越来越重要。 PS-InSAR技术能够识别具有稳定散射特性的相干点目标（PS点），建立相干点相位模型，使用数学方法将地表形变信息、不精确DEM贡献、大气延迟贡献等信号分离。该方法可以避免时间和空间去相干，它对时间序列SAR影像（干涉图）进行堆叠分析，实现地表形变时间序列的反演。但是该方法是一种复杂的多空间多时间InSAR处理方法，需要至少30景数据，因而在数据资料较少的地区，则无法使用该方法。 FRAM-SBAS（Full Rank Matrix SBAS InSAR，满秩相干点时序分析方法）时序分析方法则是利用时序反演矩阵的满秩条件，通过最小二乘方法对形变场反演得到满秩相干点，然后利用网络法进行分析处理，不仅可以保留SAR影像的分辨率，而且还不会造成孤立强散射体的丢失，同时对分析时数据的要求也比PS-InSAR要低，只需要十五景就可以得到较高精度的地表变形分析结果，在实际应用中有很大的优势和潜力。 FRAM-SBAS时序分析方法在使用的过程中，关键步骤主要有：1）干涉图生成中要以特定的时间基线和空间基线做约束条件，选择合适的干涉图，提高干涉图的相干性。2）采用满秩矩阵的原则进行相干点的选取，以保证得到优质的相干点。3）利用网络法对大气误差进行校正，消除大气延迟在空间上的不一致性。4）采用闭合环残差的方法对相干点相位解缠误差进行校正，从而提高解缠相位的质量。5）使用最小二乘方法对解缠干涉图集进行解算，该方法可以得到每个相干点的时序变形量，从而提高了形变监测的质量。 2、研究意义 公路最大的特点是长条状线性工程，在对该类地物进行检测分析时，需要满足一些要求：第一、大区域覆盖，因为公路走向不一，在进行监测时需要统一参考基准，要求大范围的同步测量。第二、对InSAR 技术的要求，这类工程需要应用高精度的InSAR数据处理算法，进行高分辨率的精细检测。FRAM-SBAS时序分析方法是一种新的时序反演方法，不仅改进了相干点提取方法，同时还改进了大气校正和相位解缠的方法，并且已经有验证过该方法在地震形变监测中的应用。该方法不仅有数据需求量要求低、形变监测精度高的优点，而且能够满足公路形变监测高覆盖、高精度、高时效的需求，因而考虑使用该方法对兖州地区的高速公路进行形变监测，并与传统PS-InSAR方法进行对比分析，验证该方法的可行性以及兖州地区的沉降特点。
建立ARIMA模型分析时序步骤： 1．画出原始数据的时序图 从时序图可以看出数据的基本趋势：围绕某水平线波动；围绕某直线波动；呈指数上升或下降趋势；显示出季节性等。 根据图形特征初步判断序列为平稳或非平稳的。 2．如序列非平稳，通过相应的变换将其变为平稳序列 线性趋势：差分；指数趋势：先取对数再差分；季节性：季节差分（建立季节模型） 3．检验变换后序列是否平稳 看变换后序列的时序图，相关图，单位根检验，综合分析序列是否平稳。 如非平稳，考虑再作一次差分。 4．对平稳序列建立ARMA模型 从上一步的相关图初步识别序列应拟合那种模型。 通常序列可以选择三种模型中的任意一种，因此要建立三种模型，再从残差平方和，AIC 准则函数，DW统计量等指标综合判断最终选定那种模型。 （注：建立每种模型时，要从低阶到高阶依次建立，直到增加模型的阶数系数不显著。）列出最终选定模型的估计结果，并画出真实值、拟合值和残差的时序图，分析拟合效果。 5．根据选定模型进行预测 根据模型计算递推预测值，如果模型是对变换后的序列建立的，要预测原始序列需对模型的预测结果进行逆变换，从而得到原始序列的预测值。 建立组合模型 1．画出原始数据的时序图 从时序图可以看出数据的基本趋势：围绕某直线波动；呈指数上升或下降趋势；显示出季节性或上面各趋势的组合等。 2．对序列建立组合模型 拟合步骤： a．先拟合长期趋势（指数函数的加权、多项式函数），直至增加阶数无显著改进； b．对剔除长期趋势的残差序列再拟合循环趋势，直至增加阶数无显著改进； c．对剔除长期趋势和循环趋势的残差序列再拟合ARMA模型； d．将上述三个步骤建立的函数形式组合在一起，估计整个组合函数的参数。 最终估计结果就是我们对原始数据拟合的模型，列出估计结果，并画出真实值、拟合值和残差的时序图，分析拟合效果。 3．根据模型进行预测 预测结果就是原始序列的预测值。
基于神经网络的时序预测模型研究 张恺陈思 （中移信息技术有限公司，广东深圳518048） [摘要]古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。 [关键词]时间序列;神经网络;特征;时序预测 中图分类号:TP183文献标识码:A文章编号:1008-6609(2019)01-0061-05 1引言 时序预测，是基于历史统计数据，去预知未来一段时间内研究对象变化的数据分析过程。一般来说，变化有四种形式，即长期趋势变化、季节性变化、周期性变化和随机波动。本文中研究的是天气相关的长期趋势变化问题。 传统的天气预测工作是利用卫星云图照片，并根据观测资料，应用天气学、动力气象学、统计学的原理和方法，对天气进行预测。整个过程流程复杂，步骤繁多。那么，是否有更加便捷的方式去进行天气预测呢？ 本文基于上述考虑，利用深层神经网络，结合大量气象观测历史数据，实现一个简化的天气预测过程—— —气温变化预测，去研究神经网络在时序预测问题上的具体应用情况。 在本文中，天气历史数据的采集、处理，天气数据集的制作以及气温变化预测过程，遵循流程化、可视化、可与人交互化的原则进行，并尽可能地避免大宗繁杂的人工分析以及大量资源的消耗问题。 2研究对象与研究方法 2.1研究对象 2.1.1数据来源 NCDC，美国国家气候数据中心，前身为美国国家气象记录中心，位于美国北卡罗来纳州的阿什维尔，拥有世界上现存规模最大的气象观测数据。 NCDC气象观测数据记录始于1929年，至今已有90年历史，其数据来源包括：气象卫星、雷达、自动气象站，国家气象局合作观测员；飞机、船舶，无线电探空仪、风廓线仪、火箭探测器、太阳辐射网络和国家气象局预报、警报、分析产品等等的数据记录。 本文取NCDC从1999年到2018年间20年的气象观测数据进行研究。 2.1.2基本构成 NCDC气象观测数据按年划分为单个压缩包，每个压缩包里又按不同气象站分为一个个单独的压缩包，将每个单独的压缩包解压就能得到所需的原始数据。 原始数据里包含当年的所有数据，且每天对应一条数据。由于不可抗力因素（仪器故障、人为原因等）的影响，不排除某些状况下出现数据缺失、冗余的情况。 表1为原始数据中每条数据的构成情况详情表。 2.2研究方法 神经网络，又称人工神经网络（Artificial Neural Net-work），以大脑处理机制作为基础，用于建立复杂模式和预测问题的方法，其能够学习和构建非线性的复杂关系。基于此，本文采用神经网络进行研究。 本文研究所使用的神经网络为LSTM神经网络，全称长短期记忆神经网络，主要由遗忘门、输入门、输出门三部分组 作者简介:张恺(1992-),男,广东惠州人,本科,研究方向为信息系统建设与分析、人工智能研究。 电脑与电信· -61-
作者：Barry Katz 总裁兼首席执行官员 SiSoft公司 简单的接口分析经验法则在分析现代高速接口（如DDR2、PCI Express和SATA-II）时非常不合适。随着新兴标准（如DDR3 和5-10 Gbps串行接口）逐渐普及，这个问题将更加严重。 如果仅对设计中最短和最长的网络进行信号完整性分析，就不可能鉴别出由于较短连线的长度、过孔数、路由层、AC 指标、封装寄生和电源分配等参数的变化而造成的最坏码间干扰、串扰或接脚时序情况。若要更准确地预测系统级噪声和时序余量，就需要采用以接口为中心、包括信号完整性、时序、串扰和电源完整性分析在内的全面的分析方法。 图1对采用简单分析方法和全面分析方法获得的结果进行了比较，说明了某些基 于过时的经验法则和假设来进行分析的 分析工具的缺点。图1的第一个波形表示 高速差分网络，该网络采用Xilinx?的 Virtex TM-II ProX RocketIOTM IBIS模型、 无损传输线路以及无串扰或电源噪声的 理想接地。 通过比较，我们可以看出简单分析方法不 能提供全面方法的准确性。第二个波形表 示采用更长的激励输入以及更准确的互 连结构模型时，对眼图的累进效应。该分 析同样采用精细的SPICE I/O模型，考虑 到电源分配、串扰、非理想接地以及过程、 电压和温度的变化。 设计师正在为数十皮秒和数十毫伏努力 时，为确保设计达到成本和性能目标，全 面考虑影响设计余量的所有因素至关重 要（见图2）。 建立连接电路和端接方式的精确 模型 建立互连结构和端接方式（包括元件封装、 PCB、连接器和布线）的准确模型，对于 精确仿真高速网络至关重要。随着信号边 沿速率的提高和互连结构保持相对的长 度，建立频率依赖型损耗模型日益重要， 这要求使用二维和三维场解算器。由于封 装、PCB、连接器以及许多总线的布线会 造成物理布线发生很大的变化，因此，如 果不对整个接口进行全面的分析，要鉴别 最坏情况的网络事实上是不可能的。 影响分析结果的一般因素包括： ?有损传输线路/无损传输线路 ?将过孔作为单端口结构或多端口结构建 立模型 ?对网络中过孔数量的敏感性 ?将二维分布式模型或三维集总模型用于 封装和连接器
基于时序ＤＩｎＳＡＲ的滑坡形变监测与分析 基金项目：西南石油大学第十八期（２０１８ ２０１９年度）大学生课外开放实验项目；２０１９年第十六届 挑战杯 全国大学生课外学术科技作品竞赛项目 作者简介：张一璨（１９９７－），男，四川自贡人，本科，研究方向：ＩｎＳＡＲ地质灾害监测三 张一璨，李一敏，彭伟豪，陈一云 （西南石油大学土木工程与建筑学院，四川成都６１０５００） 摘一要：本文总结了时序ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法在滑坡形变监测中的应用原理，提出了ＳｔａｃｋｉｎｇＤＩｎＳＡＲ中基于相干系数阈值以及干涉图数量阈值的双阈值方法选取高相干目标三应用该方法对四川省安县高川乡大光包滑坡进行了形变监测分析，阐释了时序ＤＩｎＳＡＲ方法在滑坡形变监测中所表现出的适应性与先进性，解决了其中的关键技术问题，从而为滑坡的稳定性研究及预防措施制定提供了更为有效的支撑三关键词：时序ＤＩｎＳＡＲ；ＳｔａｃｋｉｎｇＤＩｎＳＡＲ；滑坡形变；监测中图分类号：Ｐ６４２ 文献标识码：Ａ 文章编号：２０９６－２３３９（２０１９）０３－０１４８－０２ １一引言 滑坡是我国高发的地质灾害，对人民生命财产造成了严重损失，相关监测工作历来受到国家的高度重视三传统监测手段（如ＧＰＳ绝对形变测量二位移计相对形变测量等）空间分辨率低二无法开展大范围监测二难以获取滑坡全面的形变信息，在相关领域的作用逐渐减小三 近年来，时序ＤＩｎＳＡＲ方法已在大范围形变监测中表现出良好前景，该方法具有监测范围大二测量精度高二空间分辨率高和自动化程度高等亮点，能显著提高形变监测精度，使其在大范围形变和高精度监测领域具有不可替代的优越性三例如在２００４年，Ｈｉｌｌｅｙ等在Ｓｃｉｅｎｃｅ上发表了美国Ｂｅｒｋｅｌｅｙ地区滑坡体的时序ＤＩｎＳＡＲ方法形变监测结果；２００６年，Ｃｏｌｅｓａｎｔｉ等指出时序ＤＩｎＳＡＲ方法具有大范围内滑坡隐患点探测及其危险性分级的定量化分析能力等三时序ＤＩｎＳＡＲ方法正在成为研究热点，其中，ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法具有数据处理流程简单二效率较高等优势三 为此，本文应用时序ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法，选择汶川大地震所触发滑坡中规模最大的滑坡 高川乡大光包滑坡进行滑坡形变监测分析，获取相关结果，从而归纳出该方法的优点和不足三 ２一时序ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法介绍 时序ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法是基于短基线差分干涉，形成滑坡区域时序差分干涉图，进行相位解缠二线性叠加，生成相干系数图，并联合相干系数阈值和高相干干涉图数量阈值的一种方法三该方法筛选短时空基线干涉图参与形变解算，采用干涉图Ｓｔａｃｋｉｎｇ技术获取滑坡形变速率和形变时间序列，并基于此对滑坡的形变时空特征进行分析三 该方法的基本假设是：在单独的干涉图内，大气扰动的误差相位不定且等同，但局部形变为线性速率三在此 基础上，用已有独立干涉图所对应的解缠相位进行叠加，获得对应于所叠加时间基线内的形变量的形变相位信息，通过处理后大气误差相位为干涉图数量平方根倍增长的规律，使信噪比得以提高，从而达到提高监测精度的目的三 时序ＳｔａｃｋｉｎｇＤＩｎＳＡＲ方法能够最大程度地减少大气所产生的误差，提高形变监测精度，减少原有时序方法受到干涉失相干二形变量级和梯度较大导致形变监测结果失真等的影响，可获取滑坡体高空间分辨率和高覆盖度的形变结果，具有较好的先进性三该方法采用相干系数阈值法探测相干目标，未考虑干涉图数量三本文提出一种基于相干系数阈值和干涉图数量阈值的双阈值相干目标探测方法三首先以０．３为相干系数阈值提取每个干涉图中的候选相干目标，然后统计出同时在Ｎ个干涉图中相干系数均高于０．３的像元作为最终的相干目标三Ｎ的值根据研究区域和具体的数据情况进行确定三 ３一研究区域及数据介绍 ３．１一研究区域介绍 实验研究区域选择的是四川省安县高川乡的大光包巨型滑坡三高川乡位于龙门山主山前边界大断裂，地区地势高，折线坡面多，容易发生滑坡等地质灾害三该滑坡因５四１２大地震而引发，是全世界极少数滑坡体积超过５亿立方米的滑坡三此外，其形成的堰塞坝是目前全球最高的滑坡坝，高度为６９０ｍ三３．２一数据介绍 实验研究采用数据是２０１５ ２０１８年所获取的６９幅 Ｓｅｎｔｉｎｅｌ?１Ａ／ＢＳＡＲ影像三由Ｓｅｎｔｉｎｅｌ?１Ａ／Ｂ卫星所获得的数据不仅免费，而且数据量大二往返周期短，能保证长时间研究的数据支持，从而大大提高了观测效率三此外，该卫星拥有宽幅干涉影像形成模式，对滑坡地区能够形成完整的ＤＩｎＳＡＲ覆盖有很大帮助，非常有利于进行滑 ８４１ 第３４卷第３期２０１９年６月 资源信息与工程 Ｖｏｌ．３４?３Ｊｕｎｅ２０１９
第六章时间序列计量经济学建模简介第一节时间序列计量经济学模型的基本概念 一、时间序列计量经济学的发展趋势 1、上个世纪70年代中期世界复杂的经济格局对计量经济学方法的挑战。 计量经济学模型的主要应用之一就是经济预测，而且早年计量经济学就是通过利用模型的短期预测发展起来的。在上个世纪50——60年代西方国家经济预测中不乏成功的实例。但是，进入20世纪70年代以后，人们对计量经济学模型提出了质疑，表现在1973年和1979年，各种计量经济学模型都无法预测到“石油危机”对经济会造成什么影响（尽管当时能够对石油危机提出预报）。 2、传统计量经济学方法存在的主要问题。 传统计量经济学模型是以模拟历史、从已经发生的经济活动中找出变化规律的主要技术手段。而对于非稳定发展的经济过程和缺乏规范行为理论的经济活动，传统计量经济学模型就显得无能为力。同时，现实经济活动愈来愈复杂多变，对于社会经济的发展、体制的变迁、技术的创新，要用具有一定的计量经济学或动态多元非线性方程组对其加以描述并非易事。因此，人们认为传统计量经济学的弱点是过分依赖先验理论，这种弱点一方面表现为缺乏动态的信息反馈；另一方面是所获得的理论与样本数据间满意的吻合结果往往要凭借建模者的艺术。 3、80年代初提出了与传统计量经济学完全不同的建模方法。 最初由萨甘（Sargan，1964）提出，后经亨德里-安德森（Hendry-Anderson，1977）和戴维森（Davidson，1977）进一步完善的误差修正模型，以及由格兰杰（C.W.J.Granger，1981）提出的协整理论，最终产生了Hendry的“由一般到特殊”的建模方法。 时间序列的类型： （1）按时间是否连续分为 一是离散型的随机过程或时间序列，二是连续型的随机过程和时间序列。本章主要研究离散时间序列，并用 Y或t X表示。对于连续时间序列，可通过等间 t 隔采样使之转化为离散时间序列后加以研究。 （2）按序列的统计特性分为
2018年6月 Journal on Communications June 2018 2018096-1 第39卷第6期 通 信 学 报 V ol.39 No.6互联网传播行为的时序演化与预测 田鹤1，赵海2，王进法2，林川2 （1. 辽宁科技学院工程实践中心，辽宁 本溪 117004；2. 东北大学计算机科学与工程学院，辽宁 沈阳 110004） 摘 要：互联网的传播行为对研究网络拓扑结构和动态行为的关系具有重要作用。选取CAIDA_Ark 项目下不同 地区4个监测点的有效路径样本数据，统计网络访问时间与访问直径，发现它们的相关性极弱，网络访问时间呈 多峰重尾分布。采用非线性时间序列分析方法对网络访问时间演化序列混沌辨析，结果表明其时序演化具有混沌 特征。在此基础上，引入Logistic 方程建立网络传播行为预测模型，并用粒子群优化算法对模型参数取优，用4 个监测点的网络访问时间序列对模型进行实验，从准确性和可用性这2个方面对模型进行评价，结果表明，短期 内该模型能够对网络传播行为做出准确预测，在一段时期内，可作为网络行为演化预测的工具。 关键词：互联网传播；网络访问时间；Logistic 模型；混沌特征；行为预测 中图分类号：TP393.6 文献标识码：A doi: 10.11959/j.issn.1000-436x.2018096 Timing evolution and prediction of Internet transmission behavior TIAN He 1, ZHAO Hai 2, WANG Jinfa 2, LIN Chuan 2 1. Engineering Practice Center, Liaoning Institute of Science and Technology, Benxi 117004, China 2. School of Computer Science and Engineering, Northeastern University, Shenyang 110004, China Abstract: The transmission behavior of Internet plays an importance role in the research on the relationship between network topology structure and dynamic behavior. Selecting effective path samples in four monitoring points which from different regions authorized by CAIDA_Ark project and statistics network traveling time and traveling diameter, their correlation is very weak, network traveling time is presented on multi-peak and heavy tail distribution. Using nonlinear time sequences analysis method to identify the Chaos characteristics of network traveling time evolution sequences. The results show that their timing evolution has Chaos characteristics. Based on this, the Logistic equation was lead to estab- lish network transmission behavior prediction model, and particle swarm optimization (PSO) was used to optimize model parameters. The model by the network traveling time sequences of four monitoring points was experimented, evaluated it from accuracy and availability, the results show that the model can predict network transmission behavior accurately in the short term. It can be used as a tool for predicting the network behaviors’ evolution in a period of time. Key words: Internet transmission, network traveling time, Logistic model, Chaos characteristics, behavior prediction 1 引言 互联网作为一种典型的复杂网络，其宏观拓扑 结构表现出明显的复杂网络特性[1-3]。从网络病毒传 播以及网络拓扑结构的统计特征和演化等方面研 究互联网的性能、结构和发展趋势已取得了丰硕的 成果[4-6]。随着互联网的飞速发展，人们对网络的需求不断增加，使网络的应用得到广泛的扩展。互联网已经发展成为一个复杂的、非线性的系统。然而，网络的大规模扩张使网络安全性、资源调度与优化以及服务质量等方面也面临着巨大挑战，仅从网络宏观拓扑静态特征指标的度量、统计和建模不足以形象地描述网络的传播行为。为提高网络各方面的性能，人们需要对网络行为的特征规律有深刻的认收稿日期：2017-08-08；修回日期：2018-04-02 基金项目：国家自然科学基金资助项目（No.60973022） Foundation Item: The National Natural Science Foundation of China (No.60973022) 万方数据
基于高分辨率SAR影像的城市二维时序形变建模与应用 城市地表形变是当今世界各国城市化进程中普遍存在的环境地质问题,这种连续的、渐进的、累积的地质灾害,其过程缓变不可逆,已成为制约区域经济可持续发展并影响人民生命财产安全的重要因素之一。DInSAR作为有效的大区域高空间分辨率地表形变监测技术,具有全天时、全天候、大范围和高精度的优势,是对传统的地面测量技术(如水准测量、全站仪和GPS观测)逐点测量、以点代面的局部测量手段的有效补充。然而,InSAR技术长期面临的问题是只能获取雷达视线向的一维地表形变信息,无法监测地表真实三维形变。现实中,影响城市安全的不仅仅是垂向形变量,水平向的拉伸或挤压同样会对管线、铁路、地铁和建筑造成威胁。 因此,获取城市二维或三维形变信息成为构建科学高效的城市地面沉降监测体系的重要内容之一。基于高分辨率SAR影像进行城市地表三维时序形变监测,具有短重访周期、高空间采样和高精度定位等优势。在三维形变场和三维形变速率研究基础上发展起来的多轨融合小基线集多维形变监测技术(MSBAS),模型简单,解算精度与影像获取时刻不相关,已经被应用于煤矿开采、城市建筑、冻土进化及火山活动等区域性地表形变监测中。但是,该技术在多轨道融合时,采用干涉图空间插值的方法提高空间采样密度,引入插值误差,影响解算精度。 在使用未插值干涉图的情况下,模型的时间采样(干涉图集选取)和空间采样(像元掩膜)相互制约,在提取信息的完整性方面有一定的局限性。此外,在高分辨率影像形变监测实际应用中,地物的真实高程与DEM之间存在的差异,导致用于二维形变解算的差分干涉图中通常会有地形残余相位,相邻像元的差分干涉相位不连续,难以满足解缠条件,影响二维时序形变监测结果。目前的研究方法通常是针对中等分辨率影像或者局部小区域的时序分析地形误差改正,在利用高分辨率SAR数据进行城市区域地形误差改正方面的研究比较欠缺;并且研究者们对于地形误差的解算,重点关注估算地形误差的数据源,目前采用解缠前(差分干涉相位)或解缠后(解缠相位或形变速率)的数据进行误差改正,都无法平衡模型复杂程度和解算精度。本文针对高分辨率SAR影像在城市地表形变监测中存在的地形误差改正和二维时序形变等问题进行了较为深入的探讨,主要研究成果如下:(1)从InSAR发展的角度总结阐述了星载SAR系统的基本原理、发展历程、关键参数及
国际金价变动的分析 黄金是人类最早发现的金属之一，早在旧石器时期晚期，人们就注意到这种“闪闪发光”的东西，并被它吸引。放眼人类历史长河，黄金在人类社会扮演着各种角色，例如，祭祀的祭品、精美的工艺品、财富的象征、终极货币、战争的帮凶、稳定经济的功臣等等。在金融海啸席卷全球之后，黄金的光泽似乎更加的耀眼，每盎司黄金从2007年2月的650每元左右上涨到2009年十一月的1100美元以上，涨幅接近百分之百！ 回溯200多年的历史，在这期间黄金价格有过三次大涨行情与两次大跌行情，下面对这几次行情进行回顾，一一分析金价变动原因。 金价上涨行情 第一次金价上涨发生在美国内战期间（1861-1865年），时间是1862年到1864年。1862年，美国国会通过了一个《法定货币法案》，规定名为“绿背美钞”的纸币可以作为货币流通。绿背美钞与黄金之间并没有法定比价关系，实际上就是放弃金本位制。随着纸币的大量印制，通货膨胀不可避免。在1862年到1864年两年的时间里，金价上涨幅度250％—300％。 第二次金价上涨在1970—1980年。1944年的布雷顿森林体系确定了美元本位的世界货币体系：会员国货币与美元挂钩，美元与黄金挂钩，35美元兑1盎司黄金，各国可以用35美元/盎司的价格向美国购买黄金。在二次世界大战以后，为了援助欧洲各国灾后重建，美国不断地向世界输入美元，欧洲也由战后的“美元荒”过度到了1960年代末的“美元灾”。当1971年8月15日，尼克松政府宣布美国放弃美元与黄金之间的固定比价关系后，世界进入法币时代，也就是进入全面通货膨胀时代，黄金出现暴涨：从35美元/盎司涨到1980年的850美元/盎司。 第三次金价上涨则是2003年至今。在网络泡沫与“9.11”之后，自2001年初至2003年6月，美联储共采取13次降息行动，将联邦基金利率从6.5％降到1％（这是1958年以来的最低点），并将这一利率水平维持了一年时间。这一极为宽松的货币政策为随后几年美元的大幅贬值，以及美国向全世界输送通货膨胀奠定了坚实的基础，致使2008年全世界有70多个国家的通胀率达到两位数。在这期间金价上涨了300%以上。 金价下跌行情 第一次金价下跌：1864-1879年，由1英镑的黄金需要12美元跌到1英镑黄金值4.86美元。美国国会在1875年通过《金元恢复法案》。它授权财政部从1879年1月1日起，恢复使用黄金支付所有债务——价格为战前的4.86美元兑1英镑黄金。法案提出了减少绿背美钞供应的方案：将绿背美钞的供应量限制在3亿美元以下，要求财政部收回8200万美元的纸币，并授权美国财政部从美国政府债券销售中建立黄金储备。在经济萧条、战后长期通货紧缩以及财政部逐渐收紧货币供应的综合作用下，到1878年底，减少数量后的纸币正好与已经增加的黄金储备大致相等，价格也跌到了战前的水平，绿背美钞的价格自1862年发行以来首次与黄金价格相等。政府收紧货币导致通货紧缩就会使货币升值，使金价下跌。 第二次金价下跌，1980-1999年，金价由850美元/盎司跌到252美元/盎司。1979年，反通货膨胀斗士沃尔克出任美联储主席，沃尔克上任伊始便祭起“打击世界范围的通货膨胀”大旗，与紧密同盟英国一道使美元借贷变得昂贵无比。美元拆借利息平均值从1979年的11.2％一下子涨到1981年的20％，基本利率更高达21.5％，国债收益率冲上17.3％。与此同时，英国首相撒切尔夫人也于1979年5月当选，她发誓“要把通货膨胀从经济中驱除出去”，她上任仅一个月就决定把基准利率在12个星期之内从12％提高到17％。在如此短的时间之内把借贷成本猛然提高42％，在两位反通胀斗士的不懈努力下，世界通货膨胀终于被遏制住，美国的通货膨胀率由1980年的13.58下降到1986年的1.91。黄金价格也开始节节下跌。在此大背景下，欧洲一些央行才认为“黄金无用”，开始出售黄金，压低
第6讲 时间序列分析 教材：应用时间序列分析课件（中国人民大学 王燕），SAS 如何解及下载例程。 时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。 时间序列是把反映现象发展水平的统计指标数值，按照时间先后顺序排列起来所形成的一组统计数字序列。时间序列又称动态数列或时间数列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。 时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 时间序列分析主要用途:①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA 模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 基本步骤:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。②根据动态数据作相关图，进行相关分析，求自相关函数。相关图能显示出变化的趋势和周期，并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象，则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列，例如采用门限回归模型。③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARMA 模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合ARMA 模型等来进行拟合。当观测值多于50个时一般都采用ARMA 模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。 本章重点：1）建立p 阶自回归)(p AR 模型：t p t p t t t x x x x εφφφφ+++++=--- 22110 2）建立q 阶移动平均)(q MA 模型： q t q t t t t x -------+=εθεθεθεμ 2211 3）),(q p ARMA 模型：q t q t t t p t p t t t t x x x x -----------+++++=εθεθεθεφφφφ 221122110 三个模型的拖尾、截尾性 模型 自相关系数k ρ 偏自相关系数kk φ )(p AR 拖尾 p 阶截尾 )(q MA q 阶截尾 拖尾
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910286195.3 (22)申请日 2019.04.10 (71)申请人 马培峰 地址 518000 广东省深圳市南山区粤兴二 道10号香港中文大学深圳研究院506 室 (72)发明人 马培峰 张帆 林珲 (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 罗满 (51)Int.Cl. G01S 7/41(2006.01) G01S 13/88(2006.01) G01S 13/90(2006.01) G06N 3/04(2006.01) (54)发明名称 一种InSAR时序形变预测方法、系统及相关 装置 (57)摘要 本申请所提供的一种InSAR时序形变预测方 法，包括：获取目标对象的历史形变数据；将历史 形变数据输入深度卷积神经网络模型，输出时序 形变预测结果；其中，深度卷积神经网络模型的 网络结构融合了U -N e t 模型的网络结构和 DenseNet模型的网络结构。该方法将获取目标对 象的历史形变数据输入深度卷积神经网络模型， 输出时序形变预测结果。由于深度卷积神经网络 模型的网络结构融合了U -Net模型的网络结构和 DenseNet模型的网络结构，所以输出的时序形变 预测结果的精度更高。本申请还提供一种InSAR 时序形变预测系统、设备及计算机可读存储介 质， 均具有上述有益效果。权利要求书2页 说明书9页 附图1页CN 110333494 A 2019.10.15 C N 110333494 A
权 利 要 求 书1/2页CN 110333494 A 1.一种InSAR时序形变预测方法，其特征在于，包括： 获取目标对象的历史形变数据； 将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果；其中，所述深度卷积神经网络模型的网络结构融合了U-Net模型的网络结构和DenseNet模型的网络结构。 2.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果，包括： 利用深度卷积神经网络方法进行模型训练，得到所述深度卷积神经网络模型； 将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果。 3.根据权利要求2所述的InSAR时序形变预测方法，其特征在于，在得到所述深度卷积神经网络模型之后，还包括： 验证所述深度卷积神经网络模型的精度是否达到预设的精度阈值； 若是，则执行所述将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果的步骤。 4.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述获取目标对象的历史形变数据，包括： 获取预设时长的地表形变的COSMO-SkyMed影像，并作为所述历史形变数据。 5.根据权利要求1所述的InSAR时序形变预测方法，其特征在于，所述获取目标对象的历史形变数据，包括： 获取预设时长的地表形变的多时空基线合成孔径雷达影像，并作为所述历史形变数据。 6.一种InSAR时序形变预测系统，其特征在于，包括： 历史形变数据获取模块，用于获取目标对象的历史形变数据； 时序形变预测结果输出模块，用于将所述历史形变数据输入深度卷积神经网络模型，输出时序形变预测结果；其中，所述深度卷积神经网络模型的网络结构融合了U-Net模型的网络结构和DenseNet模型的网络结构。 7.根据权利要求6所述的InSAR时序形变预测系统，其特征在于，所述时序形变预测结果输出模块，包括： 模型训练单元，用于利用深度卷积神经网络方法进行模型训练，得到所述深度卷积神经网络模型； 时序形变预测结果输出单元，用于将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果。 8.根据权利要求7所述的InSAR时序形变预测系统，其特征在于，还包括： 精度验证模块，用于验证所述深度卷积神经网络模型的精度是否达到预设的精度阈值； 所述时序形变预测结果输出单元具体为当所述深度卷积神经网络模型的所述精度达到预设的所述精度阈值时，则将所述历史形变数据输入所述深度卷积神经网络模型，输出所述时序形变预测结果的单元。 9.一种设备，其特征在于，包括： 2