购物车(0)
统计与预测论文篇1
目前信息的分析与预测活动已越来越深入到社会发展、经济生活、科技进步等各个领域，成为社会发展与进步的标志[1]。针对某一学科专业研究的发展趋势进行分析与预测，不仅可以揭示该学科研究的特点和发展规律，而且为今后的研究和工作提供科学的依据。如今，无论是情报学还是文献学的发展都与文献计量学息息相关，文献计量学也是情报学等相关学科的重要研究方法。对文献计量学的发展趋势进行预测，不仅可以预测出未来文献计量学的发展趋势，而且可为其他学科尤其是图书馆学、情报学领域的理论研究提供了参考和借鉴[2]。
本文以文献计量学为实例，通过定量的方法分析其论文数量的变化情况，应用回归分析模型和时间序列分析模型，对文献计量学的发展趋势进行拟合和预测，并针对两种预测模型的预测结果进行比较分析[3]。
1统计数据的来源与统计结果
利用中国知网（CNKI）数据库检索系统，以文献计量学为关键词，统计时间为1996.01.01-2010.12.31进行模糊检索，对所检索到的数据进行处理后共得到论文2 100篇，按发表年份排列的论文篇数2.1回归分析模型介绍
回归分析法，是从各种现象之间的因果关系出发，通过对与预测对象有联系的事物或现象的变动趋势进行分析，进而推算出对象的未来数量状态的一种预测方法。根据散布的数据点求出理想的回归直线或曲线，建立起确定的回归方程进行预测[4]。
一元线性回归方程的一般形式：
时间序列分析是以研究对象的历史数据为基础，将研究对象的发展变化过程表述成时间序列，首先要识别时间序列的特征，进而分析它随时间的变化趋势，建立相应的时间序列分析模型，并通过一定的时间序列预测方法，推测出研究对象的未来变化趋势。
通过分析统计数据，应用时间序列分析法中的移动平均法（M法）对文献计量学的发展趋势进行拟合和预测。其基本方法是每次在时间序列上移动一步求平均值。这样的处理可对原始的无规则数据进行“修匀”，消除样本中的随机干扰成分，形成平滑的趋势线，突出序列本身的固有规律，从而为进一步的建模和参数估计做好基础[5]。
为进一步提高预测值和实际值的吻合度，可以采用在一次移动平均的基础上再进行一次移动平均法，称为二次移动平均法。二次移动平均是在一次移动平均的基础上，对具有线性趋势的数据再进行一次移动平均。其计算公式为：
在利用时间序列模型进行预测时，可将对应的T值代入式（7）中，通过线性时间关系模型求出i+T即为所要预测年份的论文篇数。
3文献计量学研究发展趋势的预测
3.1回归分析预测模型
以文献计量学的年份为自变量，各年份的论文篇数为因变量。通过散布的数据点绘制出散点图，发现两变量的关系近似于一条直线。为了方便计算，设1996-2010年时间t的取值分别为-7，-根据一元线性回归方程的计算公式计算相关数据结果如下：
由此可知，回归方程的拟合程度很好，可以应用回归分析预测模型对未来的文献计量学相关文献量进行预测。
通过回归分析预测模型可预测2011年文献计量学的相关论文篇为2011=140+22.78t=322.24。
3.2时间序列分析预测模型
根据公式（4），分别取移平跨度n=3和n=5进行一次移动平均，如表3。
通常采用均方误差（MSE）来检验n值选择的效果。表3一次平均移动数据表
年份11论文篇数依据上述两种预测模型，分别计算两种模型1996-2010年的模拟值以及2011年、2012年的预测值，如表5。其中，
两种预测模型的相关系数比较得：r1
5结语
以文献计量学为例，采用两种预测模型对其发展趋势进行拟合及预测，克服了单一模型拟合和预测的局限性。预测结果表明，文献计量学研究的论文篇数在未来3年将超过500篇，并且增长趋势较快。通过对两种预测模型相关系数的比较，得出时间序列模型对文献计量学研究发展的预测效果相对较好。时间序列模型在预测时不必考虑其他因素的影响，仅从实际变动的数值序列自身出发建立相应的模型进行预测，避免了寻找影响因素及识别主要因素和次要因素的困难。回归分析模型是从各种现象之间的因果关系着手，通过对与预测现象有联系的事物或现象的变动趋势进行分析。时间序列模型适用于某一领域的短期预测，而回归分析方法是经济预测的常用数学方法，利用统计数据确定变量之间的线性关系，并参考这种函数关系来预测未来发展趋势，适用于某一领域的长期趋势预测。两种预测模型不仅适用于文献计量学的发展研究，对于其他领域也同样适用。针对不同领域的学科发展趋势，在进行数据模拟和分析预测时要根据数据的多少和分布情况，选取一种相对效果更好并且方便可行的预测方法。
参考文献
[1]查先进.信息分析与预测[M].武昌：武汉大学出版社，2009：2，193-201，205-208.
[2]郑怀国，赵静娟，谭翠萍.基于文献计量学的科技情报分析与服务[J].情报杂志，2010，（12）：39-40.
[3]吴淑玲.两种数字图书馆发展趋势预测模型的比较[J].情报科学，2004，（11）：1317-1320.
[4]王筠.专业研究发展趋势的预测模型——以竞争情报研究为例[J].情报杂志，2010，（7）：12-14.
统计与预测论文篇2
中图分类号：O141.4 文献标识码：A 文章编号：
1 引言
MATLAB源于Matrix Laboratory一词，原意是为矩阵实验室，是由John Little和Cleve Molar共同成立的美国Math Works公司推出的一种集数学、图形处理和程序设计语言于一体的科技应用软件。它把科学计算、结果的可视化和编程都集中在一个使用非常方便的环境中。在这个环境中，用户的问题和得到的结果都是通过用户非常熟悉的数学符号来表达的。MATLAB系统包括几个组成部分：MATLAB语言、MATLAB工作环境、MATLAB工具箱和MATLAB的API。MATLAB以向量和矩阵为基本数据单位，被称为第4代计算机语言，有着其他一些语言所无法比拟的特点：功能强大；语言简单；扩充能力强、可开发性强；编程容易、效率高。它已在国内外高校、科研机构和工程技术上得到了广泛的应用[1]。
灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它和MATLAB的结合可以有效的解决了灰色系统理论在矩阵计算中的问题，为灰色系统理论的应用提供了一种新的方法[2]。
2GM(1，1)预测模型的MATLAB部分源程序
根据上述GM(1，1)模型的数学思想，结合MATLAB语言的特点编制了一套可读性强，容易理解的预测程序。该程序操作简单灵活，稳定性好，直接面向用户。只要输入原始数据，就可得到预测值和预测值与实测值比较图形。
3工程实例应用
3.1 数据资料
将卧龙寺新滑坡的5号裂缝变形观测数据作为GM(1，1)预测模型程序的原始输入值。其变形时序见表3-1
表3-1 卧龙寺新滑坡位移检测资料(5号裂缝)
预测结果：
在MATLAB平台下，输入表1中的数据即x=[1.0 1.5 1.7 2.5 3.2 4.0 4.4 5.1 5.9 6.3 7.0 7.3 7.8 8.2 8.4 8.7 9.0 9.4 10.0]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果如表4-2：
表3-2 卧龙寺新滑坡5号裂缝实测位移量与预测值(mm)
运行成果图如下：
图3-1.卧龙寺新滑坡5号裂缝原始数据与GM模型预测值比较 图3-2. 新滩滑坡体原始数据与GM模型预测值比较
3.2 数据资料2
1986年6月12日，长江西陵峡新滩镇发生了一次较大规模的滑坡，即新滩滑坡。将其关键部位A点的位移时序观测值作为GM(1，1)预测模型程序的原始输入值。其变形时序如表3-3
表3-3 新滩滑坡体A测点位移观测资料（mm）
预测结果：
在MATLAB平台下，输入表1中的数据即x=[0.077 0.092 0.615 0.65 0.69 0.738 0.846 0.962 1.0 1.03 1.061 1.077 1.1 1.23 2.46 2.754 2.83 2.92 3.46 4.00]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果表3-4：
表3-4 新滩滑坡体A测点位移实测位移量与预测值(mm)
4 结论
变形测量值是已发生的变形量，但更重要的是通过对变形观测资料的处理，从现有的数据中预报出下一时刻的变形值，以判断工程的安全状况。本文结合工程实际，探讨了变形监测方案设计、监测数据处理等问题，应用灰色系统理论对建筑物原型观测资料进行了分析；同时，运用MATLAB程序软件编制了GM(1，1)灰色预测模型程序。总结本文，得出以下主要结论:
1.在全面评述变形监测的目的、方法以及变形监测完整过程的基础上，总结归纳了变形观测点位的布设、观测周期的确定原则和方法；指出以允许变形值的安全度为依据来确定变形观测精度指标是一条新途径。
2.针对建筑物时效变形具有一定的单调性和弱随机性，引入灰色系统理论。在一般灰色模型建模特点的基础分析上，建立了灰色预测模型，并将其应用于工程实践中。
3.应用MATLABRUA软件编制了灰色预测模型及精度检验程序.MATLAB是专用的矩阵计算软件，对矩阵的计算有很好的效果，而且用起来比较容易简单，还可以允许用户编程对功能进行扩展。
4、灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。
参考文献：
[1]周 卫. 基于MATLAB的灰色系统沉降预测. 测绘通报，2002(6):34~36
[2]邓聚龙.灰色系统.北京:国防工业出版社，1985
[3]尹晖等.灰色动态预测方法及其在变形预测中的应用.武汉测绘科技大学学报，1996
统计与预测论文篇3
[文献标识码]A
[文章编号]1002-5006(2010)08-0012-06
1 背景
旅游需求预测在国家旅游发展政策制定和战略规划、旅游市场资源优化配置、旅游企业战略计划和决策制定等方面有着极为重要的作用。西方学者对于旅游需求预测的研究始于20世纪60年代，在80年代迅速发展，研究文献主要侧重于旅游需求模型与实证分析。而我国作为世界旅游大国，旅游需求预测研究从20世纪末才开始，正处于起步阶段，现有的文献主要是建立在西方研究基础上的理论引介与探讨，实证研究较少。中西方研究差距与差异的对比对我国旅游需求预测研究的进一步推进有着积极的意义。
2 理论探讨
2.1 旅游需求影响因素
旅游需求影响因素的研究是旅游需求预测研究的核心内容之一。是国内外旅游需求预测研究中相对成熟的领域。国外在旅游需求影响因素研究方面主要运用定量方法构建模型来分析，并已有两种普遍较为认可的分类。
(1)在《应用旅游预测》(Practical TourismForecasting)一书中，作者将影响因素分为推动、拉动和阻力(如表1)。但这种分类在国内应用较少。
(2)国外在运用模型分析影响因素时，其研究对象主要是经济因素。如塞夫金(Sevgin)和穆尼奥斯(Munoz)在研究旅游需求时发现经济因素是影响旅游决策的一个重要方面。宋海岩等通过研究香港的16个主要客源国的旅游需求，发现最主要的影响因素是旅游产品价格、客源国的经济水平、竞争旅游目的地的旅游费用等。虽然国外对经济影响因素有较为一致的认可，但仍未有系统的归纳。本文以经济因素为着眼点，将国外旅游需求影响因素归纳为经济因素、非经济因素和特殊事件(如图1)。
再看国内，现在研究旅游需求影响因素的文献较多，研究也较为细化。如牛亚菲提出了客源地人口规模、收入水平、旅游资源质量水平、客源地与目的地间的距离等影响因素。刘富刚认为旅游需求的产生分为外部因素和内部因素。王艳平从旅游发生过程的系统观点出发，提出旅游需求因子层次模式。卞显红分析了旅游目的地选择过程中的花费与时间限制、旅游价格、消费者偏爱、旅游产品质量、信息与广告、旅游城市化及新旅游目的地的出现等影响因素。但除了可支配收入和可支配时间这两个普遍认可的影响因素外，国内学界对其他影响因素及分类说法不一，缺少系统性分析和归纳。本文在研究有关文献的基础上，根据不同侧重点，并结合我国国情，归纳了两种分类方法：
(1)按宏观和微观分为社会因素和个人因素(如图2)。
(2)按旅游流分为客源地因素、目的地因素、媒介因素(如图3)。
综观几种分类可以发现：国内外对于旅游需求影响因素的分析基本上是一致的。《应用旅游预测》(Practical Tourism Forecasting)一书中提出的推力是指能鼓励人们出去旅游的因素，基本可以划为客源地市场的影响因素；拉力是指吸引人们来某一目的地旅游的因素，可以划分为目的地的影响因素；阻力则包含了阻碍因子，等同于国内的旅游流分类方法。
由于西方国家影响旅游需求的最主要因素是经济因素，其他非经济因素的影响力相对较弱，所以按照经济因素分类有利于国外学者建立模型进行研究和预测。而影响我国旅游需求的主要因素除了经济因素外，家庭消费习惯、政治社会因素，以及日益改变的消费观念等都是较为主要的因素，因而只按经济因素的分类方法在我国不适用。
2.2 旅游需求预测及难点
至今，“旅游需求预测”仍未有统一的定义，本文按照市场预测的概念将旅游需求预测理解为：运用科学的方法，对影响旅游市场供求变化的诸因素进行调查研究，分析和预见其发展趋势，掌握旅游市场供求变化的规律，为经营决策提供可靠的依据。
旅游需求预测，从预测目标的确立到最后结果的评估，是个多环节的复杂过程，需要考虑的因素众多，正因为如此，旅游需求预测有几个难点。
(1)预测目标的选择
旅游需求预测对预测的前期环境分析、模型的选择、最后结果分析的要求和依据都不一样，这就需要按照具体的实际需要制定预测方案，而这种目标选择的多样性相当于增加了预测的难度。
(2)历史数据的收集
预测是在分析大量的历史数据的基础上才能得出结果。大部分预测方法要求至少有5年至10年的数据支撑，拥有数据的年限越长、越完善、数据越丰富，预测结果越准确。
(3)旅游需求的多变性
旅游者的旅游动机多种多样，且旅游需求量随着季节、环境的变化而变动性较大。旅游表现经常变动形式越多，越不利于数据采集、构建模型、拟合需求的发展趋势。加上旅游需求对无法预知的特殊事件的敏感性，更增加了预测的难度。
(4)预测方法的多样性
随着经济学和计量经济学的发展，及在旅游预测研究中的应用日益广泛，旅游需求预测的方法也日趋多样化。因变量和自变量的不同组合，不同预测模型的应用，所得到的结果也不尽相同；而且由于各种预测方法有不同的适用条件和性能，最优方法的选择要根据市场需要来确定。这在某种意义上来说，也限制了旅游需求预测研究的发展。
3 旅游需求预测方法与模型
3.1 旅游需求预测方法
中西方普遍将旅游需求预测方法分为定量和定性两大类，定量方法又分为计量经济模型和时间序列模型，再加上近20年间各学科的交叉发展，人工智能方法在预测领域中的应用也越来越普遍。但由于预测模型种类繁多，加上近年来组合模型的广泛应用，本文只初步对预测方法进行了整理(如表2)。
3.2 中西方运用模型对比
国内在定量方法的研究和应用方面与国外存在着很大的差距。国外在旅游预测研究中采用的定量方法种类繁多，所列举的各类模型在国外都有不同程度的应用；反观国内，使用频率较高的只有一些基础模型和灰色预测模型，国外常用且已证明预测精确度较高的模型，如误差修正模型、接近理想需求方法、向量自回归、遗传算法等，在国内的研究及应用则寥寥无几。本文分3种情况对上述现象做原因分析。
(1)国内外普遍运用的模型
这些模型包括一元回归、多元回归、线性回归等 基础计量经济／回归模型，天真法、移动平均预测模型、指数平滑预测模型等基础时间序列预测模型，ARIMA模型(自回归移动平均模型)，BP(backpropogation)神经网络等。这些方法普遍运用的原因有以下几点：①基础模型数学计算简单，操作容易；②发展相对成熟，能对符合其条件的问题进行较准确的预测；③由于旅游业的相关数据搜集年限短、影响因素多、社会敏感性高等特点，这些模型对数据的要求相对传统的高级计量经济和时间序列模型较为宽松；④我国旅游业的发展现状及数据统计情况较适用于这些方法。因此，这些模型在国内外的旅游预测研究中都极为常用。
(2)国内常用而国外少用的模型
通过中西方文献研究发现，灰色系统理论(GST或GS)在我国预测领域是主要的研究方法，但在西方国家的应用却很少，少数有关灰色系统理论的外文文献基本上都是亚太地区的研究。原因有以下几点：
①灰色系统理论是我国著名学者邓聚龙教授在1982年创立的一门新兴横断学科，国内学者对此理论的掌握以及推广应用相比国外的预测理论及模型要容易很多。因此，灰色系统理论在国内众多领域得到大力发展，并引入旅游需求预测。
②灰色预测方法着重研究“小样本、贫信息、不确定”问题，方法简便，并具有较高准确性。由于我国统计制度的发展滞后，很多与旅游发展相关的统计数据无法获得，且旅游业受到众多因子的影响，具有显著的不稳定性和易波动性，这在灰色理论角度看来就是一个大的灰色系统。基于此，灰色模型在国内在旅游市场预测的中运用广泛。
(3)国外常用而国内少用的模型
由表2可看出，国外常用的很多模型在国内旅游研究中运用得不多，最为典型的是误差修正模型(ECM)和接近理想需求方法(AIDS)。误差修正模型和接近理想需求方法属于高级计量经济模型，理论及运算难度较大，在建立模型前需要大量的检验和计算工作，操作性要求高；另一方面，我国计量经济理论在20世纪末才开始发展，旅游业的不稳定性和旅游相关统计数据的缺乏，使得类似这两种在国外应用性较强的预测模型在我国未能得到广泛推广。
3.3 预测方法适用性比较
国外学者在定量方法的预测精确度方面做了大量研究，较为一致的观点是：在现有的预测方法中，并无最优的适用于所有情况的模型或方法，但在对旅游人数的预测上，时间序列法优于回归模型法；而由于诸多影响因素对旅游者开支的影响远大于对目的地抉择的影响，所以回归模型在预测旅游者开支时会最有效。国内方面，现有的研究基本上是在国外研究的基础上进行的，由于运用的预测模型类型较少、较简单，所进行的预测精确度对比研究只是针对基本和常用模型，很多国外常用的模型未有涉及。
定性方法方面，以德尔菲法为代表，虽然德尔菲法争议较大，但人们普遍承认，在不能使用其他方法的情况下，该方法在帮助旅游规划者和政策分析者预测可能的未来发展方向时颇有价值。
综上所述，在对一具体目的地进行需求预测时，应充分考虑到各种预测方法的特点、预测问题本身的特点以及时间、人员、费用、相关数据充分程度等制约因素，选择出最合适的方法(如表3)。
4 结论与讨论
4.1 全球旅游需求预测总体问题
(1)就全球旅游业来讲，欧洲、美洲和亚太地区呈“三足鼎立”发展局势，但目前主导着旅游需求预测研究领域的主要是西欧和北美的国家，而作为世界旅游业发展最快的亚太地区，旅游需求预测技术的研究和应用却比较少，发展速度与研究成果不协调。
(2)从实践角度来讲，综观目前旅游需求预测的文献，主要是预测方法角度的研究，而预测研究与旅游经营管理相独立，基本上没有涉及旅游预测在实践中的作用即如何为旅游管理和经营部门发展和规划旅游业起具体的指导作用少有涉及。
(3)从统计数据上讲，旅游需求数据统计开始的时间较晚，历史数据仍然较为缺乏，且很多影响因素难以量化，衡量标准难以确定。
(4)从预测尺度来讲，现有的研究文献主要着眼于大中尺度的预测，如国家或省市的出入境情况预测，而小尺度的预测(如某景区、国内某地区市场客源需求等)研究则寥寥无几，且所用方法也较为单一。
4.2 我国旅游需求预测发展面临的问题
(1)我国旅游需求预测研究落后于西方近30年，虽然借鉴了西方的研究成果，但由于我国国情及我国旅游业逆向发展的特殊性，无法直接套用西方国家的研究方法和研究成果，需要根据我国的实际情况对旅游需求进行分析预测。
(2)我国旅游需求预测正处于起步阶段，现有的研究仍不能构成完整的基础理论体系，加上我国旅游研究人员和旅游业界对旅游需求预测的重视程度不够，缺乏专业的旅游需求预测人员，因此在这方面的研究亟待深入。
统计与预测论文篇4
电力系统负荷预测是实现电力系统安全、经济运行的基础，对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，都依赖于准确的负荷预测。因此，负荷预测的关键是提高准确度。此外，从发展来看，负荷预测也是我国实现电力市场的必备条件，具有重要的理论意义和实用价值。
负荷预测是从已知的用电需求出发，考虑政治、经济、气候等相关因素，对未来的用电需求做出的预测。负荷预测包括两方面的含义：对未来需求量（功率）的预测和未来用电量（能量）的预测。电力需求量的预测决定发电、输电、配电系统新增容量的大小；电能预测决定发电设备的类型（如调峰机组、基荷机组等）。
根据不同的预测目的，负荷预测可分为超短期、短期和中长期的预报。一般说来，一小时以内的负荷预测为超短期负荷预测，用于安全监视、预防性控制和紧急状态处理；日负荷和周负荷预测为短期负荷预测，分别用于安排日调度计划和周调度计划；月至年的负荷预测为中期负荷预测，主要确定电网的运行方式和设备大修计划等。
二、负荷预测模型的基本要求
电力负荷预测是依据负荷历史资料及相关影响因素建立一个模型，然后对该模型进行评价后用来预报，无论采用什么计算方法，都离不开建立在历史数据及相关因素上的预测模型，模型精度决定了预测的准确性。
（一）负荷预测模型应能满足下述要求
1．提供包含有长期预测、中期预测、短期预测、超短期预测等各种方式的预报手段，而且预测的时间间隔可由用户自定义。
2．预测模型应能反映负荷随季节、星期及一天内24小时等周期性波动的特点，又能反映负荷自然增长的内在规律，同时能反映负荷受气温、日照等气象条件的影响。
3．对于包括节假日在内的广义特殊事件的负荷预测应建立专用预测模型，且能提前预测。
4．提供各种类型的预测方法与模型，并且能对历史数据的合理性进行检查、修正，具备误差分析和自动不良数据检测、辨识功能。
5．预测系统应当既可进行整个区域或电网系统的负荷预测，又能进行分地区电网系统的负荷预测；既可以进行离线负荷预测，也可以进行实时在线负荷预测；
（二）提高负荷预测准确性的难度
1．气象因素一直是影响负荷的主要因素，特别是对短期负荷预测的影响尤为重要，不同的气象因素影响程度又随用户类别而异，作为可估计的随机事件，气象预报的不准确会造成预测结果的双重误差。
2．特殊事件的不确定性将造成负荷预测的较大误差，当今特殊事件的出现趋于频繁，给预测带来了难度。
3．反映负荷周期性、趋势性及与影响因素之间关系的样本数目难以确定。
4．随机负荷部分并非平稳的随机序列。
5．网省级大电网负荷变化有较强的统计规律性，预测结果较准确。而地区级电网的统计规律不甚明显，不能稳定地指导负荷预测。
任何一种算法都不能保证在所有情况下精度很高，要想提高负荷预测的精度，我们还需要做大量的工作。
三、提高负荷预测精度的措施
（一）原始数据的预处理
我们都知道，任何负荷预测都是基于原始数据的，因此，原始数据的正确与否决定预测结果的精度。而原始数据往往都是从ems系统实时采集的，由于动态的数据采集有时会出现通道故障、拥堵等现象，相应的数据采集程序就会中断，造成了原始数据的错误与不真实。所以，在程序设计中，首先应针对原始的各种不真实现象进行预处理，力求将设备造成的随机的影响据之于预测过程之外。
（二）随机因素（冲击负荷）捕捉
大家都知道，在负荷的构成中有许多类似于电炉、轧钢等冲击性的负荷，这种负荷的特点是起停快、持续时间短、随机性强、数值较大，而负荷预测的精度要求在2％以内。因此处理好冲击负荷的影响对于提高精度有很大的影响。所以在原始数据的处理中必须考虑到冲击负荷。我们使用的方法是有效值法，通过对冲击负荷的分析和处理，得到其有效值，然后叠加到平滑后的负荷曲线上，这样的处理结果便可以应用于负荷预测中了。
（三）提高影响因素的预测精度以及影响因素的量化处理
负荷预测不仅仅要使用历史数据，还要考虑各种对负荷有较大影响的因素，如气象因素、政治因素、重大活动等。这些因素都会与历史数据一样作为预测程序的输入值。因此，这些因素的准确度直接会对负荷预测结果造成影响。因此，必须对这一类数据必须进行适当的量化处理：一是依靠经验值，并且调试后不断改进，力求准确，二是由程序识别，通过回归等方法动态赋值。前一种方法比较简单，但很难准确，后一种方法虽然理论上比较成熟，但由于模型不确定，实现起来很困难，具体应用哪一种方法，要视实际情况而定。
（四）比较预测模式，寻求最优方案
对于中国目前的电力结构，在一个网省调下面有许多供电区域，往往是以地域划分的。而实际需要的结果却是一个整体的负荷。因此便产生了单独预测和整体预测两种模式，究竟哪一种模式比较好，则需要从实践中去试验。
从电网的负荷预测实践来看，单独预测后叠加与整体预测各有优缺点。由于各类影响因素的分布区域不同，单独预测时可以通过细化考虑的因素比较真实，以气象因素为例，电网的地区气象条件不同，可以各自考虑，应该说更准确些，但这样做也有缺陷，一方面是一般都采用一种方法进行预测，其误差方向比较一致，这样叠加后产生更大的误差，另一方面各供电区域的预测叠加后并非是我们所需求的用于发电安排的负荷，还要通过换算，考虑到厂用电情况，而厂用电率一般并不是一个精确的数值，如此势必带来误差。若采用整体预测，原始数据便是我们用于安排发电计划的数据，各种因素虽然不能直接使用，但可以通过负荷比例进行等值拟合后作为整体预测的输入量，这样只会有一次误差。从实践中看，后一种方式虽比较模糊，但由于大电网效应，精度较前一种方式高。
当然，具体采用哪一种方式要根据实践的检验而定，前一种模式在理论上比较成熟，但在算法的选择上不能单一。我们都知道，任何一种算法都无法在所有情况下达到较高的精度，这与负荷结构以及负荷特性有直接的关系。
（五）做好负荷日的类型分析
在做负荷预测的时候，对于历史数据的选择很有学问，力求使用与预测日同类型的历史负荷数据。这样不但可以去除好多非同类型日数据的干扰，而且可以提高迭代收敛速度，简单计算。但是，对负荷日进行精确分类是相当困难的，需要大量的经验和比较。目前最简单的分类是休息日和工作日，这样的划分太粗糙，不能满足实际的需要，真正实用化的分类还需要大量的判据。负荷日类型一般可以根据以下几个方面科学分类：负荷特性，一般指负荷曲线轮廓；负荷值大小；气象等有关因素；工作日、休息日、节假日。在这几个方面中最重要的是负荷特性和负荷值，但这个判据比较难于归纳分析，而后两种判据易于判别。因此，实际中主要根据后两种判据进行分类。
（六）利用约束条件进行预测结果修正
负荷预测应包括电力预测和电量预测，我们常使用的是电力预测，因为这也是需要的最终结果。但电量预测也是相当有用的，它不会像电力预测的随机性那么大，可以作为电力预测的修正约束条件。
以最大、最小值配合分配系数法的电力预测为例，这种方法只需要预测出预测日的最大、最小值，用同类型日的历史数据计算出分配系数，即曲线趋势，经分配计算后便可以得到预测日的预测曲线。这种方法比较简单、实用、计算量小，但随机性较大，若最大、最小值由于受历史坏数据或冲击负荷的影响偏差过大，就会使整个曲线抬高或降低，而电量受冲击负荷的影响较小，利用电量预测进行约束，便可以得到较好的修正曲线。
四、灰色理论在负荷预测中的实际应用
（一）灰色理论概念
灰色系统理论是由邓聚龙教授于1982年在国际上首先提出的，长期以来普遍应用于国民经济的工业控制、经济预测、产量预测等硬科学领域和软科学领域，成为这些领域预测、决策、分析、控制的有利工具。
灰色系统理论认为客观世界是物质的世界，也是信息的世界。根据对客观系统所了解的信息量的多少，灰色系统理论把客观系统分为：信息完全已知的系统白色系统、信息完全未知的系统黑色系统，以及信息部分已知、部分未知的系统灰色系统。对灰色系统的研究的主要目的在于对灰色系统建模，也就是根据已知信息建立灰色系统的数学模型，从而预测灰色系统的未知信息。灰色系统理论把任何随机过程都看作在一定时空区域中变化的灰色过程，而随机变量则被看作为灰色量。灰色量所表现的无规律的离散时空数列是潜在的规律性的表现。灰色系统理论首先通过数据灰色生成把原始数据数列处理成适合于灰色建模的有规律的数列。在得到预测值数列以后，同样还要进行数据还原得到实际系统的预测数据，所以可以说灰色过程实质上是对生成数列建模。在处理技术上，灰色过程是通过对原始数据的整理来找数的规律的，而其他的一些处理方法则是按统计规律和先验规律来处理数据的。按统计规律和先验规律处理数据的方法是建立在大样本量的基础上，而且要求数据规律是典型的规律，而对于非典型的规律（如非平稳、非高斯分布、非白噪声），则是难以处理的。而灰色过程却没有这样限制，灰色模型通常只需4个以上的数据就可以建模，而且不必知道原始数据具有的先验特征。
（二）灰色系统预测方法基本原理
灰色系统是指部分信息已知，部分信息未知的系统。灰色系统理论的实质是将无规律的原始数据进行累加生成，得到规律性较强的生成数列后再重新建模。由生成模型得到的数据再通过累加生成的逆运算累减生成得到还原模型，由还原模型作为预测模型。灰色模型是预测工作的基础模型。以灰色系统理论的gm（1，1）模型为基础的预测，叫灰色预测。它可以分为以下7类：
1.数列预测：对某一事物发展变化趋势的预测。2.灾变预测：即灾变出现时间的预测，灾变有多种，如洪水、干旱、涝等灾害。3.季节灾变预测：指对灾害出现在一年内的某个特定时区的预测。4.拓朴预测：也叫波形预测、整体预测，是用gm（1，1）模型来预测未来发展变化的整个波形。5.系统预测：指对系统的综合研究所进行的综合预测。6.包络gm（1，1）灰色区间预测：参考数列分布趋势构造一个上、下包络线为边界的灰色预测带，建立上、下2个包络模型。7.激励阻尼预测：将激励、阻尼因数以量化形式反映在gm（1，1）模型中的预测，叫激励阻尼预测。
(三)《基于灰色理论的电力负荷预测系统》
《基于灰色理论的电力负荷预测系统》目前以汉化visual basic 6.0开发图形显示部分，以汉化的access2000数据库支持数据管理部分。程序代码在win98以上操作系统均通过调试，运行环境为：中文 window98
以上操作系统。
《基于灰色理论的电力负荷预测系统》是一个以中长期负荷预测为目标的预测系统，具备5年之内年度预测的基本功能。该软件设计思路如下：采用灰色理论为设计的基本理论，采用原始数据的一次累加生成序列（1-ago）和gm（1，1）模型为建模基础！在实际设计中通过对命令按钮的click事件触发原始数据，按照指定的模型进行计算。在最后预测的显示过程中，通过建立的控件数组text10（0-4）与最终计算结果相匹配，显示在文本框中。其主要特点为：
1.强大的数据库功能:本系统采用data控件与access2000关系型数据库相连。关系型数据库是目前最流行的数据库，可以采用现代数学理论和方法对数据进行处理，它提供了结构化的查询语言sql.各项操作都是通过记录集完成的。记录集是一个对象，一个记录集是数据库中的一组记录，可以是整个数据表或表的一部分。在原始数据的输入方面，操作人员可直接通过表输入并修改数据，也可在系统上直接操作。
2.欲改进及增加的功能：①将预测结果数据与数据库相结合，能够将预测数据保存到数据库中。②进一步改进预测精度，如从在原始数据上采用更精确的插值算法；在预测模型上增加一个系数，将天气及节假日影响加入到最终预测结果中。
五、结束语
负荷预测是电力系统调度、实时控制、运行计划和发展规划的前提，是一个电网调度部门和规划部门所必须具有的基本信息。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。因此，负荷预测已成为实现电力系统管理现代化的重要内容。
几十年来各种可能的算法均在负荷预测课题上试验过了，目前实用的算法主要有：线性外推法、线性回归法、人工神经网络法、灰色系统法和专家系统方法等。各种算法均有一定的适用场合，可以说没有一个算法适用于各种负荷预测模型而精度比其它算法都高。
灰色系统理论把一般系统论、信息论、控制论的观点和方法延伸到社会、经济、生态等抽象系统，并结合数学方法，发展成为一套解决信息不完备系统即灰色系统的理论和方法。它对未来的研究具有重要意义。由电力系统实际情况可知：用电量及负荷增长受经济发展、产业结构、居民收入水平、气候等诸多因素的影响，其中一些因素是确定的，而一些因素则不确定，故可把它看作一个灰色系统。
但目前gm（1，1）模型在实际应用中还存在局限性，比较适用于具有较强指数规律的负荷序列，只能描述单调的变化过程，而对于特殊的负荷增长方式，例如当负荷按照“s”型曲线进行增长或增长处于饱和阶段时，若采用该灰色模型则预测误差较大，预测精度不满足实际要求。
灰色预测法作为电力系统需电量预测方法之一，已成为重要的研究手段，但尚有许多方面有待于进一步研究，如寻求更有效的、更符合电力系统需电量发展规律的原始数据处理方法。
总之负荷预测的结果是电力系统运行的基础数据，其精度直接影响运行的安全性和经济性。因此，提高其精度也是每个负荷预测人员追求的最高目标。
参考文献：
统计与预测论文篇5
一、税收收入预测的意义
具体而言，我国税收收入预测的功能主要体现在三个方面：第一，事前预测，为税务部门制定年度税收计划提供数据支撑。此外，立足于地区经济发展的实际情况，增强预见性，帮助税务工作者根据经济变化实时调整相应的政策。第二，事中管理。税收计划执行过程中，每一个季度、年度都可以通过增值税收入预测模型实时追踪税收计划完成进度，衡量增值税目标完成情况，为后续税源管理、税收征管等工作提供帮助。第三，事后反馈。税收收入预测是基于经济因素对增值税收入的影响，但于此同时增值税作为地区经济体系的组成部分，反作用于其他经济变量。通过对增值税收入的预测结果与同期增值税收入的真实数值比较分析，不仅可以发现非经济因素变量对增值税收入的影响，不断完善税收收入预测模型，还可以制定相应的政策措施在影响增值税的同时调节整个地区的经济状况。综上所述，税收收入预测是一个十分值得研究的课题，不仅有现实层面的意义，而且利用统计建模的思想对经济变量进行分析预测具有一定的理论研究意义。
二、税收预测在国内的研究现状
我国关于税收收入预测的研究从80年代后期开始，前后共经历三个阶段，第一阶段主要是定性分析，以数据图表为基础，重点分析税收同经济变量之间的关联性，以理论研究为主，方法性不高；第二阶段的研究开始引入计量经济学的方法，比如趋势性预测，常见的有以GDP为自变量的一元线性回归和多经济指标多元回归等，另外，曲线回归模型和指数回归模型应用于税收收入预测的研究方法也开始涌现。第三阶段从90年代后期开始，主要是把时间序列分析的方法应用到税收预测当中去，这一阶段的文献大都涉及到统计模型在税收预测中实证研究，结果表明，模型的预测精度高，拟合效果好，因此这类模型在实际工作中应用的可能性也比较大，在下文中会对两个典型的时间序列预测模型进行比较详细的阐述。第四阶段是各类新型统计方法应用到税收预测当中，比较典型的是计算机模拟方法的应用，比如组合预测的方法、纳税评估仿生模型等。另外，统计软件的应用也越来越广泛，常见的有常见的有E-VIEWS、SPSS、SAS、STATA等，方便我们进行数据处理、模型的构建与求解等。下文将对时间序列分析中两个典型的税收预测模型进行重点介绍：
三、自向量回归模型（VAR）
简单来说，向量自回归模型（VAR）是以变量的历史数据为依托，分析变量间相关关系构造时间序列变量回归方程。
其中，代表被解释变量，是相关变量，分别表示被解释变量滞后各期的取值，和是待估系数矩阵，是误差向量，滞后期N通过AIC统计量法和SC准则来确定。可以看出，当期解释变量是全部相关变量滞后期取值的函数，回归方程的右边不含其它变量取值。VAR模型同传统的回归模型相比，其优势在于VAR模型只需确定变量间相互关系就可以得到回归方程，方程中只含有相互关联的变量，避免主观界定解释变量和被解释变量而导致部分变量的缺失。VAR模型的E-views软件操作包括四步：变量的平稳性和单位根检验；对相关变量进行协整检验，采用OLS法（最小二承法）构建回归方程，检验残差项平稳性来确定变量间是否存在稳定的协整关系；第三步是Grange因果检验进一步验证变量间的因果关系；最后在上述检验的基础上建立税收收入自向量回归预测模型。由于VAR模型本身不依赖于任何经济理论，仅仅通过回归方程带入相关变量的滞后期取值就可以得到预测值，所以VAR模型的拟合效果一般比较好，模型的预测精度较高。
四、误差矫正模型（ECM）
误差矫正模型的构建理论是误差矫正机制，它的原理在于，时间序列变量当期偏差会在以后各期得到校正，短期而言，由于随机干扰项的存在，变量间的协整关系会存在偏差，因而需要根据偏差的大小对变量加以调整，回归方程中的误差矫正系数就代表的短期向长期的调整。
ECM预测模型回归方程的形式为*+。其中，表示被解释变量，表示解释变量，表示待估系数，为误差矫正系数，为误差项。为了降低数据间的差异性，通常对时间序列变量取对数，针对对数序列进行单位根检验（E-views中可采用ADF检验法）和协整检验，得到回归方程后对残差序列进行稳定性检验以保证回归方程的效果。误差矫正模型和VAR模型最大的差异在于VAR模型只局限于变量间的相关关系，在短期预测得到的结果的准确度比较高，但是长期来说，考虑到干扰项的存在，用误差矫正模型进行预测得到的效果会更好，可以通过误差矫正系数调整短期向长期均衡靠拢。
五、结论及建议
从模型的角度来说，根据现有的有关税收与经济关系的经济理论可知，税源主要来自于经济生产和流通环节的各项产值，同GDP的统计口径有相互重叠的地方，当然，GDP规模要大于税收的计征数额，但是不可否认经济因素在税收计量因素中的重要地位。所以在税收预测模型的构建中通常采用GDP作为解释变量来预测税收收入的数值。所以，目前国内关于税收预测模型的文献中，无论是VAR模型，还是误差矫正模型（ECM），研究税收和GDP的居多，模型实证检验的结果显示，以GDP为自变量的回归方程对税收的拟合效果比较好，侧面反映了经济变量对税收的影响较大。同时，在对税收进行研究预测时，不能忽视经济以外因素的影响，例如，政策制度因素可通过界定税源、改变税率以及调整税制结构等直接或间接影响税收收入；社会环境因素偏重于一个地区的税收征纳环境，包括公民自觉纳税意识水平的高低，税务机关税收征管工作的好坏，以及征税纳税相关法律的完善等。（作者单位：东北石油大学）
参考文献
[1]尚红云.税收收入模型预测精度的比较.统计与决策，2008（3）：40-43
[2]柳叶子.税收收入统计预测模型与税收数据检验[J].商化文化，2008（9）
[3]唐小我.最优组合预测的计算方法[J].管理现代化，1992（1）：25—28.
[4]程毛林.我国税收增长的影响因素和预测分析[J]，扬州大学税务学院学报，1998（2）：18-21.
[5]郭江.论税收的弹性分析[J].财经问题研究，2001（11）：58—59.
[6]漆莉莉.税收收入统计预测模型与经济分析[J].税务研究，2005（1）：37-40.
[7]马永开，唐小我.两种组合预测优化模型的分析和比较[J].电子科技大学报，1998（2）：99-103
[8]曹建新，李霞，李伟翔.广东国税税收收入弹性的实证研究[J].华南理工大学学报（社会科学版），2004（6）：9-12.
[9]肖宏伟.基于分税种加总的税收收入推算预测[J].税收经济研究，2013（1）：71-74
统计与预测论文篇6
引言
改革开放以来，中国经济保持较高的增长率，而就业增长率却不断下降。近年来，随着中国产业结构的重大调整与升级，由产业结构变动所带来的中国就业人口变动的效果越来越明显，并逐渐成为政府和相关学者关注的焦点。
从产业结构的变动出发来预测就业人口，到目前为止尚属空白。本文首先建立产业结构变动与城镇就业人口的计量经济模型，然后运用灰色G（1,1）预测模型对产业结构的变动进行预测，通过计量经济模型，得到中国城镇就业人口在未来几年的预测值。与以往的研究方法相比，这种方法不仅可以预测中国城镇就业人口，而且可以从深层次分析产业结构变动如何影响就业人口的变化，为政府制定适宜的产业政策，以保持较高就业率提供了理论依据。
一、模型的构建和指标的选择[1]
产业结构的变动对就业具有双重影响。一方面，产业结构的优化升级会带来经济增长速度的加快和新兴行业的发展，从而导致对派生就业需求的上升，产生就业创造效应；另一方面，产业结构调整中伴随的各产业剧烈变动乃至部分产业的衰减会增加失业，产生就业破坏效应。中国正处在经济转型期，产业结构变动对就业的创造效应和破坏效应并存[2]。
本文将产业结构变动分解为产业结构变动方向和产业结构变动速度两个指标。产业结构变动方向用来衡量产业结构优化升级的程度，产业结构优化程度越高，结构性失业越弱。产业结构变动速度用来衡量各产业波动的剧烈程度，产业结构波动速度越快，结构性失业越严重。
由于产业结构变动与就业之间是非线性关系，所以本文采取以下非线性模型：
L=f（E，K）=aEαKβ
二、预测模型简介[3]
1.理论简介。灰色预测来源于灰色系统理论，所谓灰色系统即为部分信息已知，部分信息未知的系统。灰色系统预测理论的基本思路是将已经知道的数据序列按某种规则构成动态的或非动态的白色模块。再按某种变换、解法来求解未来的灰色模型，在灰色模块中，再按某种准则，逐步提高白度，直到未来的发展变化的规律基本明确为止。灰色预测可以分为数列预测、灾变预测、季节性灾变预测、拓扑预测和系统综合预测。我们这里进行的是数列预测，即对系统行为特征指针观测值所形成的序列的灰色预测。通过建立GM模型，对未来几年的变化趋势进行预测。
2.灰色预测的算法。灰色系统理论模型有GM（1，1）和GM（1，N）模型的预测分析，这里使用的是GM（1，1）模型进行预测。
三、实证分析
（一）模型的估计
本文采用的样本来源于《中国统计年鉴》[4]1989—2006年的年度资料。用Eviews3.0对公式进行估计，所得到的回归模型为:
lnL=-53.49+17.85lnE-4.05lnk
R2=0.981 S.E.=0.025 F=206.058 D.W=2.160
从统计学角度看，方程的拟合效果较好。回归结果显示，城镇就业人数与产业结构变动方向正相关，与产业结构变动速度负相关。即二、三产业越发达，城镇就业量越多；产业结构变动速度越快，就业量越低。从回归方程可见，城镇就业人数对产业结构变动方向的弹性是17.85，对产业结构变动速度的弹性是-4.05，即产业结构变动的就业创造效应大于就业破坏效应，所以产业结构变动的净效应是使城镇就业增加。
（二）指标的预测
1.预测模型的建立。为了预测2007—2010年的城镇就业人口，首先对这四年的三次产业总值分别进行预测。采用数据为1998—2006年的年度数据，应用的预测模型为GM（1,1），使用的统计软件为Matlab6.5。得到的预测模型分别是：
第一产业:X（1 ）（k+1）=152 228.807e0.085k-137 411.177
第二产业：X（1 ）（k+1）=239 268.215e0.141k-206 264.029
第三产业：X（1 ）（k+1）=250 844.423e0.127k-220 263.053
2.预测模型的精度检验。用灰色理论建模一般采用三种检验，分别为残差检验、关联度检验和后验差检验。本文采用以上三种检验对模型进行精度检测。（1）残差检验。（2）关联度检验。（3）后验差检验。
3.预测结果。三次产业总值的预测结果及经计算得到的三次产业比重、产业结构变动方向（E）、产业结构变动速度（K）（见表1）。
将预测到的E、K带入公式。经计算，得到2007—2010年城镇就业人口预测值L（单位：万人）：
L（2007）=28 827；L（2008）=29 549；L（2009）=30 262；
L（2010）=30 965
2005年中国城镇就业人口为27 331万，根据“十一五”规划，2010年的城镇就业人口目标值为31 831万人。而预测值为30 965万人，预测值小于期望值。所以仍需根据产业结构的现状及发展趋势，采取相应措施，增加城镇就业人口。
结论及建议
从产业结构变化对城镇就业的分析及预测可以看出，2010年城镇就业人口的预测值低于“十一五”规划预期的目标，说明目前的失业问题仍待进一步解决，为提高城镇就业水平，笔者提出以下建议：（1）中国在选择技术开发路径时，应符合中国的要素禀赋结构，兼顾劳动密集型、资本密集型和技术密集型的发展，尽可能地发挥经济增长的就业带动作用[8]。（2）加大现代化农业建设步伐，提高农业部门的现代化程度，提高第一产业的劳动效率，减少第一产业的从业人员。同时，提高第一产业的劳动力素质，多途径地解决剩余劳动力，这也是解决中国就业问题的根本途径。（3）加快第三产业的内部结构升级，大力发展现代服务业。第三产业已经成为中国经济增长和吸纳就业的主要力量，但在第三产业内部存在着发展不平衡的问题。一些传统行业的比重高，而新兴行业尤其是金融、信息咨询、房地产等现代服务业的就业比重偏低。今后应充分利用资源和比较优势，大力发展现代服务业，从而不断提升第三产业的就业结构升级。（4）大力发展职业教育和培训投资，提高劳动力的素质。目前中国面临的最大就业问题是由产业结构调整所带来结构性失业，并且技能人才短缺。因此，应当进一步重视职业技术教育的发展，为产业结构升级带动就业结构优化提供内在支持，创造有利条件。
参考文献：
[1] 蒲艳萍.转型期的产业结构变动与中国就业效应[J].统计与决策,2008,(7):113-115.
统计与预测论文篇7
【 key words 】 the bad weather; Monitoring; Early warning forecast; design
中图分类号：P45文献标识码：A文章编号：2095-2104(2013)
1.前言
健全恶劣气象监测预警预报系统是当今社会安全建设急需解决的难题，突发性恶劣气象给我国的社会发展、经济建设、人民生命财产造成了难以估量的损失，严重减缓了我国社会建设、经济发展的步伐。目前，提高恶劣气象监测预警预报系统的设计水平是我国亟待解决的重大科研课题。
2.国内恶劣气象监测预警预报系统的设计研究现状
我国对于恶劣气象监测预警预报系统的研究起步较晚，与国际先进的技术水平还有很大的差距，但是我国目前已经加大的恶劣气象监测预警预报系统的研发力度。当前我国，恶劣气象监测预警预报系统设计主要有以下几个方面问题：
2.1 缺乏先进、科学的理论指导
如今，我国还没有建立一套完善的、科学地恶劣气象监测预警预报系统的理论体系，在气象监测的地域性、时效性、精确性等方面的研究还没有达到我国现在社会建设、经济发展的要求。科学的理论体系的缺乏，制约着我国恶劣气象监测预警预报系统的设计、研究发展。
2.2 传感借点不足
恶劣气象监测预警预报系统主要靠分布在各个地域的传感节点来收集该地域的气象信息。传感节点的缺少，使恶劣气象监测预警预报系统缺乏精确性、系统性，不能够对一些偏远地区的气象状况进行及时的、精确的预警预报。
2.3监测资料不足
恶劣气象监测预警预报系统的运行主要依赖完备的数据库。地面遥控监测、卫星遥感数据数据库的信息资源不能详细的表达各地域的气象信息，如缺乏人工工程，地域植被覆盖率，历史气象等方面的数据，这些数据的缺失，严重影响了对恶劣气象的预警预报工作的精确度。
3.恶劣气象监测预警预报系统的基本结构
信息采集系统、监测系统、决策系统、信息这四个子系统组成了恶劣气象监测预警预报。恶劣气象监测预警预报系统通过GPS、无线传感技术，将各地域的安全隐患，与该地域实时的气象资料有机的结合起来，对各地域的气象信息进行有效的采集、更新，借助空间气象自动识别系统以及气象预报模型准确的鉴别气象预警区域，并在网络技术的帮助下及时的向气象监管部门发出预警报告。使各级政府部门能及时掌握恶劣气象信息，并按照应急预案，采取正确的措施来减少、甚者避免恶劣天气带来的损失。
4.如何提高恶劣气象监测预警预报系统的设计水平
为了使恶劣气象监测预警预报系统研发、维护，更加快速、方便、精确、有序，提高恶劣气象监测预警预报系统的监测水平应进行以下几个方面：
4.1建立时效性强、信息量丰富的数据库
充分利用卫星遥感技术，建立宏观性好、时效性强、信息量丰富的恶劣气象监测数据库。加大对恶劣气象形成机理，预警预报理论和模型的研究力度，结合不同地域不同时期发生恶劣气象发生原因，建立科学性强的预报预警模型。
完善恶劣气象监测预警预报数据管理系统，为恶劣气象的预警预报工作提供科学的理论依据。
4.2加强预警预报系统的技术应用
恶劣气象监测预警预报系统将应用于我国航天、公路交通、农业各个方面，将预警预报系统与各行业发展紧密结合，在各方面应用过程中不断完善、提高恶劣气象监测预警预报的设计水平[1]。
依托气象观测站和气象监测站，通过多普勒天气雷达、气象卫星云图、以及WCF技术，实时收集交通路线能见度、温度、降雨降雪量，借助监测预警和预报模型，建立权责明晰、多方参与的公路交通气象监测系统、信息服务和运营管理模式，做好现有公路沿线气象观测站、气象监测站的升级和改造工作[2]。广电、通信等部门协调并提高恶劣气象监测预警、预报系统的设计水平，及时的预警、预报公路沿线的气象信息。
4.3对各种恶劣气象的进行数值模拟
通过寻找物理过程与动力过程之间的微妙的平衡关系，结合不同地区地形、地势的资料，模拟出更接近真实情况的的气象变化情况，建立更加精确的恶劣气象预警和预报模型，进行科学地恶劣气象模拟试验。如利用MOS方法建立海雾的预报模型，利用WRF模式模拟新疆大风天气，利用MM5模式模拟地面大风的模拟试验。大尺度的数值模拟试验，对于如雷暴、雾霾、大风天气的研究有着重要意义，是提高恶劣气象监测预警预报系统的设计水平的重要方法。
4.4科学运用无线传感技术
无线传感技术是建立在无线网络技术的基础上的更科学的进步，无线传感技术拥有成千，乃至上万的网络节点，节点分布密集，由具有无线通信能力的传感器和中转数据的基站组成。相比于传统的无线网络，无线传感工作环境比较恶劣，监测信息准确，扩展性大，功能强，施工简单，但存储能力和信息处理能力有限，且电源供应受到限制。因此，在提高建设恶劣气象监测预警预报技术水平的过程中，需要根据不同地域的地域特征，根据目标区域内的环境性质合理、科学地运用无线传感技术。
5.恶劣气象监测预警预报系统技术的应用效果
在恶劣气象监测预警预报系统技术的应用过程中，预警、预报的目标区域的预警预报结果，将具有详细的、真实的文字和图像的分析报告，在确定恶劣气象在目标区域发生的情况下，预警、预报结果将及时的传达给相关部门，以便政府做出正确的，有效的预防措施，对于恶劣气象发生的级别、类型、区域、时间能够精确控制，同时预警预报系统的操作人员将拥有网外远程登录的权限，普通公众也能通过网络、广播、短信等方式查询保密级别不高的气象变化情况[3]。
6.结语
恶劣气象监测预警预报系统能够为政府的行政部门提供精确、详细的决策信息，提高恶劣气象监测预警预报系统的技术水平，有助于减少突发性恶劣气象对自然环境，社会发展带来的不良影响，减少经济损失，降低对人民的生命财产的危害。恶劣气象监测预警预报技术为政府行政提供了科学的、重要的决策资料。
【参考文献】
统计与预测论文篇8
在对股票非预期收益的研究中，最早起始于Ball和Brown（1968）的研究，将股票非预期收益与公司非预期会计收益进行回归，用来检验会计收益的价值相关性。Chambers和Freeman（2005）提出了反映与非预期会计收益相关的风险度量模型。本文基于宿成建（2012a，b）提出的股票非预期收益定价模型框架来检验总风险、系统风险对会计收益反映系数及分析师盈余预测修正系数的风险效应。
二、实证检验
（一）会计收益反映系数的风险效应
在分析风险与ERC的关系中，模型的设置尤为重要。根据前面的理论和实证分析发现，宿成建（2012a，b）提出的三因素模型是一个可以精确解释股票非预期收益的正确模型，那么，是否可以参考Chambers等（2005）的框架，将总风险加入到因素模型中，来考察总风险对ERC的影响呢？也就是通过如下模型，来考察γ1+δ1总风险对ERC的影响，或者说高风险公司具有高的δ1值。即有如下回归方程：
由于γ1+δ1包含了ERC（γ1）和总风险（δ1）的总效应，用以上模型来刻画总风险对ERC的影响不能直接看出总风险对ERC的关系，并且，总风险还不能作为独立变量来解释股票非预期收益。表1所报告的结果显示，总风险变量为内生变量，因此将总风险变量作为控制变量加入多元回归方程来研究总风险与ERC的关系所得出的结论将不具备稳健性。此外，根据前文分析，由于TRUE和SRUE分别是非预期会计收益（UE）与总风险和系统风险的乘积，因而，UE与SRUE与TRUE就存在无法避免的多重共线性问题。本文采用宿成建（2012）提出的股票非预期收益定价模型框架来检验会计收益反应系数、分析师盈余预测修/正系数的风险效应。通过以上的分析，将检验如下假设：
假设1：ERC随着总风险增加而增加；假设2：高总风险公司对证券分析师预期的会计收益增长信息存在风险补偿效应；假设3：ERC随着系统风险增加而减少；假设4：高系统风险公司对证券分析师预期的会计收益增长信息存在风险补偿效应。
表2报告了使用标准Fama和French（1973）方法得出的时间序列横截面回归模型估计系数。PanelA和PanelB分别报告了市场风险溢价在3%和5%条件下的股票非预期收益的回归模型估计结果。被解释变量的样本区间是从2004年4月至2011年3月，作为解释变量的贝塔则起始于2002年1月。表6 PanelA所示，高总风险组合股票的ERC是2.217，T值8.154；低总风险组合的ERC是1.285，T值5.259。因此，高风险组合股票的ERC与低风险组合的ERC之差是0.932，说明股票高总风险越高具有更高的ERC，假设1得到验证。这个结果与Chambers等（2005）的预测一致。然而，无论是高风险组合股票还是低风险组合，反映证券分析师预期的会计收益增长信息的分析师盈余预测修正变量的估计系数却没有显著差异，说明股票价格对证券分析师预期的会计收益增长信息不存在总风险补偿效应。因而，假设2没有得到验证。
表2Panel B所示，高系统风险组合股票的ERC和REERC估计系数均分别显著大于低系统风险组合股票的ERC和REERC的估计系数，并且估计系数是经济意义和统计意义上是显著的，说明ERC随着系统风险增加而增加，并且，对于高系统风险公司，证券价格对证券分析师预期的会计收益增长信息存在系统风险补偿效应。假设3和假设4得到验证。假设3的结果与Cready，Hurtt，和Seida（2000）的预测一致，与Collins和Kothari（1989，p167）报告的ERC与贝塔呈负相关则相反。本模型的预测与现有金融理论相吻合，即高风险需要高收益进行补偿，意味着相对高的ERC（或REERC）反映系数效应。
三、结论
本文检验了总风险、系统风险对会计收益反映系数及分析师盈余预测修正系数的风险效应并发现：第一具有高总风险的股票具有更高的ERC；第二股票价格对证券分析师预期的会计收益增长信息不存在总风险补偿效应；第三ERC随着系统风险增加而增加，并且，对于高系统风险公司，证券价格对证券分析师预期的会计收益增长信息存在系统风险补偿效应。
参考文献
[1]宿成建.2012a：《非预期股票收益理论与实证研究―基于中国股票市场的检验》，2012CICF中国金融国际年会论文，《投资研究》，2014，33（7）：126-143.
统计与预测论文篇9
变形监测就是在时间域与空间域下进行的大地测量工作，其主要任务是确定在各种外力和荷载的作用下，变形体的形状、大小及其位置发生变化的空间状态与时间特征。建筑物沉降变形分析是通过对特定监测点进行定期监测，获得原始监测数据，并对这些监测数据进行整理、分析得出变形体变形规律的过程。随着科学技术的进步和计算机技术的发展，各种理论与方法都在应用于建筑物的变形分析与变形预报的研究中。目前在建筑物变形分析预测中，应用较广泛地模型有灰色系统预测模型、回归分析模型、模糊神经网络预测模型等。本文在传统灰色GM（1，1）模型的基础之上，通过工程实例证明GM（1，1）预测模型较传统灰色GM（1，1）模型精度高，适合应用于建筑物的沉降变形分析与预报。
1传统灰色GM（1，1）模型
灰色系统就是指既含有已知的又含有未知的或非确知的信息系统。灰色系统理论的研究对象是部分信息已知，部分信息未知的小样本、贫信息不确定性系统。它通过对较少或不确定的表示系统行为特征的信息作生成变换来建立灰色模型，以此来正确把握系统运行行为和演化规律。GM（1，1）预测模型的建立过程如下：
令x（0）为某一监测点各期的等间隔非负原始数据序列：x（0）=（x（0）（1），x（0）（2），...x（0）（n）） （1）
式中n为序列长度，k=1，2，…，n。对原始序列进行一次累加生成，得到光滑的生成数列：
x（1）=（x（1）（1），x（1）（2），...x（1）（n）） （2）
对式（2）时间求导建立GM（1，1）一阶线性灰微分方程，即GM（1，1）预测模型的白化方程：
dx（1）（k）/dt +ax（1）（k）=b （3）
式中a，b为待定常数。a用来控制系统发展态势的大小，称为发展系数；b用来反映数据的变化关系，称为灰色作用量。
将式（3）变换可得灰差分方程：x（0）（k）+az（1）（k）=b（4）
式中z（1）（k）为x（1）的紧邻均值：z（1）（k）=12 （x（1）（k）+x（1）（k-1）） （5）
式（4）可写成YN=Bα其中B为累加生成矩阵，YN为数据向量，α为参数矩阵。
根据最小二乘原理可求得：α=（BTB）-1BTYN （6）
将求得的待定参数及边界条件x（1）=x（0）代入式（3）得GM（1，1）白化方程的时间响应式：
通过累减生成GM（1，1）预测模型：
2模型精度检验
本文采用后验差检验法[10]评判模型精度，该检验法由后验差比值 和小误差概率 来共同描述。设实测数据方差为 ，残差数据方差为 ，则计算式分别为：
3工程实例
本文以桂林某住宅小区79栋从施工期2009年8月至2010年4月，共监测11期，且观测周期的时间间隔相等的沉降变形监测数据为例。该楼共19层，共布设10个沉降变形监测点，本文以监测点79_9的沉降监测数据为例分析建筑物的沉降变形并利用GM（1，1）模型和新陈代谢GM（1，1）模型建模进行预测，并与实测数据进行对比分析。本文的计算过程通过MATLABR2008a编程实现模型的建立与预测，把原始监测数据带入程序中可得传统GM（1，1）预测模型为：
通过上述三式计算可得监测点79_9的预测结果，如表2所示。
由表2可知，在运用传统GM（1，1）模型对监测点79_9的第9期至第11期进行预测时，最大残差-2.32mm 。
4结论
建筑物在施工过程中，随着荷载的增加，初期与后期的沉降量与沉降速度不一样，后期的沉降速度相对较慢，沉降量较少，故不能用前期的监测数据来预测长期的沉降变形情况。本文结合实际的工程实例，建立传统的GM（1，1）模型对桂林某住宅小区79栋监测点79_9进行沉降变形分析与预测。通过分析可得GM（1，1）模型在建模时保留了序列初期的沉降信息，且随着时间的推移，灰色系统会加入一些未来的噪声干扰，传统的GM（1，1）模型在建模预测时并没有将未来的噪声考虑进去，导致预测值随着时间的推移偏离实测值越来越大。
参考文献
统计与预测论文篇10
消费是拉动经济增长的“三驾马车”之一，而在内蒙古地区，进出口贸易比重不是很大，主要依靠投资和消费拉动经济增长，在这种情况下对消费的研究就显得十分重要了。同时，消费也是经济增长对人们生活质量改善情况的一个重要体现。因此，对消费支出的预测对于制定各种相关经济政策更是有着十分重要的意义。
二、相关模型和理论的介绍
（一）灰色系统理论
灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的。他在研究概率统计和时序分析方法时，发现概率统计追究大样本，先知分布规律，发展趋势；而时间序列则只致力于数据的拟合，不注重规律的发现。于是他选择用少量的数据进行微分方程建模的研究。其中多数列的微分模型揭示了系统各因素间的动态关联性，是建立系统综合动态模型的基本方法。邓聚龙教授以单数列微分方程GM（1，1）为基础，得到了各类灰色预测方法，将GM（1，1）运用到局势决策与经典的运筹学规划中，建立了灰色决策，通过建立的关联度、关联空间等，形成了以系统分析、信息处理、建模、预测、决策、控制为主要内容的灰色系统理论。而GM模型也就是灰色模型，一般通过使用数据序列建立差分方程来建立模型，灰色建模时用历史数据生成后建立的微分方程模型。
灰色组合模型则是将灰色系统模型或灰色信息处理技术与传统模型结合后得到的有机组合体。其中如果能直接分解出灰色系统模型，则称组合体为显性灰色组合模型;反之，则称为隐形灰色组合模型。本文中用到的灰色经济计量学模型以及灰色马尔可夫模型都属于后者。
三、模型的建立
为了进一步的体现影响居民消费支出的因素，本文选取了凯恩斯的消费函数作为研究消费支出的模型，在此基础之上，采用灰色计量模型的方法对消费支出进行研究。
本文选取了2000-2005年6年间的数据来对消费支出进行分析。其中，令城镇居民可支配收入为X，其具体数值为（5129，5536，6051，7013，8123，9137）；城镇居民消费支出为Y，其具体数值为（3928，4196，4860，5419，6219，6929）。为了削弱实际值的随机波动效果，分别对X和Y建立GM（1，1）模型，其时间响应函数如下：
其中，参数a=-0.130567，b=4403.423208，b/a=-33725.294048，而模型的平均相对误差为1.160016%，其模拟值为（5129，5419.175，6175.01，7036.265，8017.643，9135.899）
模型参数为a=-0.123623，b=3500.337494，b/a=-28314.646007，平均相对误差为0.825716%，模拟值为（3928，4242.783，4801.088，5432.859，6147.764，6956.744）
根据GM（1，1）模型估计出的模拟值，使用EVIEWS6.0建立消费函数模型，其建模结果如下：
根据上表可知，拟合模型为： Y=170.3423+0.74517X，其中，X的t检验值为61.88584，而方程的R2=0.998957，调整后的R2=0.998696，F检验值为3829.857，D.W=1.526583。从上述检验结果可以看出，方程的拟合效果很好，能够很好地用居民可支配收入来解释消费支出的变化情况。现将消费支出的拟合值与其实际值进行对比，结果如下：
模型的平均相对误差为0.95897%，可以说误差相对较小，从另一个方面也说明了模型的拟合效果是非常好的。
四、预测
为了检验模型的预测效果，现通过GM（1，1）对2006-2008年的个人可支配收入进行预测，并将其带入到所求的消费函数模型，求出对内蒙古城镇居民的消费支出的预测值，其结果如下：
通过检验结果可以看出通过灰色计量模型对内蒙古城镇居民的消费支出进行预测，效果是比较好的，各期的预测值与实际值偏差不大，其平均相对误差为3.895759%。为了更好地对消费支出进行预测，我们选择对个人可支配收入进行预测，并将预测结果同样代入到上文中求得的消费函数模型中，对内蒙古城镇居民的消费支出进行预测。具体过程如下：
选取1996-2005年的个人可支配收入增量令其为变量Z，对其建立GM（1，1）模型，模型的时间响应函数如下：
模型的参数为，a=-0.161465，b=172.919808，b/a=-1070.941231，模型的平均相对误差为22.328839%，误差较大。为了缩小误差，使预测更加准确，在这里选取马尔可夫预测法对居民可支配收入增量进行预测。由Z的时间响应函数可得，Z的模拟值为（601，292.9765，344.3151，404.6499，475.5573，558.8898，656.8248，771.9211，907.1858，1066.153）
经比较发现实际值和模拟值的差别较大，所以我们根据情况将其划分为4个状态：
根据模拟数据与状态划分，求得状态转移概率矩阵为 ：
2005年的可支配收入增量处于第三状态，所以2006年最可能处于第四状态，其预测值为 ，即为1082.99 用新陈代谢法对2006-2008年进行预测，其具体预测结果如下：
由此可知，通过灰色马尔可夫预测城镇居民可支配收入增量，据此结果预测城镇居民可支配收入，并代入灰色计量模型得出的预测结果与实际值相比，其平均相对误差为3.328496%，略优于单纯的灰色计量模型预测的平均相对误差。
将两种方法进行比较可以发现，两种预测方法各有优缺点，单纯采用灰色计量模型对消费支出进行预测时，虽然平均相对误差大于灰色马尔可夫预测法对消费支出做预测的平均相对误差，但这种方法的计算量小，比较简便。而使用马尔可夫预测时，虽然提高了平均相对误差，但计算过程相对灰色计量模型复杂得多，工作量大。
在这里选取用灰色计量模型的方法对内蒙古城镇居民消费支出进行预测，其预测结果如下：
五、结论
通过上述研究可以看出，在内蒙古地区的居民可支配收入保持目前状态的变化趋势下，该地区的居民消费支出将在10年内翻一番，这显然是不能满足地区经济发展需要的。内蒙古地区的经济增长主要依靠投资来拉动，这在一段时间内是对经济增长有利的，但这并不能够长期持续下去，想要经济更好更快的发展，根本还是要靠消费来拉动经济增长。只有这样，经济的发展才是合理的。事实上，我们都知道如果要增加居民消费支出，有一个十分重要的因素就是提高居民的可支配收入。所以在未来一段时期内，政府应该稳步的提高居民的可支配收入，从而达到增加消费，带动经济增长的目的。
参考文献
[1]刘世彦.居民消费与经济增长关系的分析[J].内蒙古统计， 2001（1）.
[2]文峰，姚树荣.居民消费与经济增长关系的实证分析及政策 选择[J].学术论坛，2002（4）.
统计与预测论文篇11
消费是拉动经济增长的“三驾马车”之一，而在内蒙古地区，进出口贸易比重不是很大，主要依靠投资和消费拉动经济增长，在这种情况下对消费的研究就显得十分重要了。同时，消费也是经济增长对人们生活质量改善情况的一个重要体现。因此，对消费支出的预测对于制定各种相关经济政策更是有着十分重要的意义。
二、相关模型和理论的介绍
（一）灰色系统理论
灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的。他在研究概率统计和时序分析方法时，发现概率统计追究大样本，先知分布规律，发展趋势；而时间序列则只致力于数据的拟合，不注重规律的发现。于是他选择用少量的数据进行微分方程建模的研究。其中多数列的微分模型揭示了系统各因素间的动态关联性，是建立系统综合动态模型的基本方法。邓聚龙教授以单数列微分方程GM（1,1）为基础，得到了各类灰色预测方法，将GM（1,1）运用到局势决策与经典的运筹学规划中，建立了灰色决策，通过建立的关联度、关联空间等，形成了以系统分析、信息处理、建模、预测、决策、控制为主要内容的灰色系统理论。而GM模型也就是灰色模型，一般通过使用数据序列建立差分方程来建立模型，灰色建模时用历史数据生成后建立的微分方程模型。
灰色组合模型则是将灰色系统模型或灰色信息处理技术与传统模型结合后得到的有机组合体。其中如果能直接分解出灰色系统模型，则称组合体为显性灰色组合模型;反之,则称为隐形灰色组合模型。本文中用到的灰色经济计量学模型以及灰色马尔可夫模型都属于后者。
三、模型的建立
为了进一步的体现影响居民消费支出的因素，本文选取了凯恩斯的消费函数作为研究消费支出的模型，在此基础之上，采用灰色计量模型的方法对消费支出进行研究。
本文选取了2000-2005年6年间的数据来对消费支出进行分析。其中，令城镇居民可支配收入为X，其具体数值为（5129,5536,6051,7013,8123,9137）；城镇居民消费支出为Y，其具体数值为（3928,4196,4860,5419,6219,6929）。为了削弱实际值的随机波动效果，分别对X和Y建立GM（1,1）模型，其时间响应函数如下：
其中，参数a=-0.130567，b=4403.423208，b/a=-33725.294048，而模型的平均相对误差为1.160016%，其模拟值为（5129,5419.175,6175.01,7036.265,8017.643,9135.899）
模型参数为a=-0.123623，b=3500.337494，b/a=-28314.646007，平均相对误差为0.825716%，模拟值为（3928,4242.783,4801.088,5432.859,6147.764,6956.744）
根据GM（1,1）模型估计出的模拟值，使用EVIEWS6.0建立消费函数模型，其建模结果如下：
根据上表可知，拟合模型为： Y=170.3423+0.74517X，其中，X的t检验值为61.88584，而方程的R2=0.998957，调整后的R2=0.998696，F检验值为3829.857，D.W=1.526583。从上述检验结果可以看出，方程的拟合效果很好，能够很好地用居民可支配收入来解释消费支出的变化情况。现将消费支出的拟合值与其实际值进行对比，结果如下：
模型的平均相对误差为0.95897%，可以说误差相对较小，从另一个方面也说明了模型的拟合效果是非常好的。
四、预测
为了检验模型的预测效果，现通过GM（1,1）对2006-2008年的个人可支配收入进行预测，并将其带入到所求的消费函数模型，求出对内蒙古城镇居民的消费支出的预测值，其结果如下：
通过检验结果可以看出通过灰色计量模型对内蒙古城镇居民的消费支出进行预测，效果是比较好的，各期的预测值与实际值偏差不大，其平均相对误差为3.895759%。为了更好地对消费支出进行预测，我们选择对个人可支配收入进行预测，并将预测结果同样代入到上文中求得的消费函数模型中，对内蒙古城镇居民的消费支出进行预测。具体过程如下：
选取1996-2005年的个人可支配收入增量令其为变量Z，对其建立GM（1，1）模型，模型的时间响应函数如下：
模型的参数为，a=-0.161465，b=172.919808，b/a=-1070.941231，模型的平均相对误差为22.328839%，误差较大。为了缩小误差，使预测更加准确，在这里选取马尔可夫预测法对居民可支配收入增量进行预测。由Z的时间响应函数可得，Z的模拟值为（601，292.9765，344.3151，404.6499，475.5573，558.8898，656.8248，771.9211，907.1858，1066.153）
经比较发现实际值和模拟值的差别较大，所以我们根据情况将其划分为4个状态：
根据模拟数据与状态划分，求得状态转移概率矩阵为 ：
2005年的可支配收入增量处于第三状态，所以2006年最可能处于第四状态，其预测值为 ，即为1082.99 用新陈代谢法对2006-2008年进行预测，其具体预测结果如下：
由此可知，通过灰色马尔可夫预测城镇居民可支配收入增量，据此结果预测城镇居民可支配收入，并代入灰色计量模型得出的预测结果与实际值相比，其平均相对误差为3.328496%，略优于单纯的灰色计量模型预测的平均相对误差。
将两种方法进行比较可以发现，两种预测方法各有优缺点，单纯采用灰色计量模型对消费支出进行预测时，虽然平均相对误差大于灰色马尔可夫预测法对消费支出做预测的平均相对误差，但这种方法的计算量小，比较简便。而使用马尔可夫预测时，虽然提高了平均相对误差，但计算过程相对灰色计量模型复杂得多，工作量大。
在这里选取用灰色计量模型的方法对内蒙古城镇居民消费支出进行预测，其预测结果如下：
五、结论
通过上述研究可以看出，在内蒙古地区的居民可支配收入保持目前状态的变化趋势下，该地区的居民消费支出将在10年内翻一番，这显然是不能满足地区经济发展需要的。内蒙古地区的经济增长主要依靠投资来拉动，这在一段时间内是对经济增长有利的，但这并不能够长期持续下去，想要经济更好更快的发展，根本还是要靠消费来拉动经济增长。只有这样，经济的发展才是合理的。事实上，我们都知道如果要增加居民消费支出，有一个十分重要的因素就是提高居民的可支配收入。所以在未来一段时期内，政府应该稳步的提高居民的可支配收入，从而达到增加消费，带动经济增长的目的。
参考文献：
[1]刘世彦.居民消费与经济增长关系的分析[J].内蒙古统计，
2001（1）.
[2]文峰，姚树荣.居民消费与经济增长关系的实证分析及政策
选择[J].学术论坛，2002（4）.
[3]尹世杰.论扩大消费需求的必要性及思路[J].经济评论，
2004（1）.
统计与预测论文篇12
Keywords: subgrade; grey theory; GM (1,1) model; settlement prediction
中图分类号：U213.1文献标识码：A文章编号：2095-2104（2013）
1 引言
路基是道路的重要组成部分，既为车辆在道路上行驶提供基础条件，也是道路的支撑结构物，对路面的使用性能有重要影响。路基及其下地基，在自重和车辆荷载作用下会产生变形，如地基软弱填土过分疏松或潮湿，所产生的沉降或固结、不均匀变形，会导致路面出现过量的变形和应力增大，促使路面过早破坏并影响行车舒适性。因此必须控制路基、地基的变形量，以发挥路基在道路结构中的承载作用，减少道路维修次数、延长道路使用寿命。
为了控制路基、地基的变形量，对软土地基路堤、高填方路基，在设计时应进行沉降计算、稳定度验算及制定相应的处治方法；在施工中要对路基沉降和侧向位移进行监测，待路基沉降稳定后方可进行路面铺筑。由于路基所处工程地质、水文气候、路基土质、路基填筑高度、施工方法等的不同，路基的工后沉降量也不相同，其相应的沉降稳定观测时间也长短不一，最短观测期为6个月[1] 。
鉴于路基工后沉降观测时间长，道路施工工期长，需要消耗的人力物力财力较大，本文采用灰色理论预测软土地基路堤的沉降发展规律及最终工后沉降值，同时确定路面结构的施工期，提前安排路面施工计划，达到缩短工期、降低工程造价的目的。
2 灰色理论及其预测模型
2.1灰色理论概述
灰色理论是20世纪80年代由邓聚龙教授创立的一门新兴学科，发展至今主要研究内容有灰色关联分析、灰色建模、灰色决策、灰色预测和灰色控制等[2]。把信息完全已知的系统称为“白色系统”，把信息完全未知的系统定义为“黑色系统”，把处于两者之间的部分定义为“灰色系统”[3]，系统理论把任何随机过程都看成灰色过程，通过对部分已知信息的研究、分析，找出灰色系统的运动规律，以实现对系统进行有效控制。
2.2灰色预测模型
灰色预测模型的类型很多，本文主要介绍GM(1，1)模型。
1、GM(1,1)模型的建立[4]
GM(1,1)模型是一阶1个因素的模型，具体建模过程如下：
（1）选定原始数列：
（2）对以上数列进行一次累加生成后得到新数列：
式中：
（3）建立灰微分方程：
式中：为背景值，为灰导数，为发展系数，为灰作用量。
利用最小二乘法求得参数：
背景值：
数据矩阵B、数据向量Y：
系数向量：
（4）建立GM(1,1)模型的响应函数：
（5）对上式做一次累减还原, 得的预测值:
2、模型精度检验
建立的GM(1,1)模型为了评定预测的可信度，要对模型精度进行检验，检验合格后方可用于预测，检验指标主要有后验差检验和小误差概率检验。
（1）后验差检验
原始数据均值、方差：，
残差、残差均值、残差方差：，，
后验差比：
（2）小误差概率计算：
（3）模型精度评定
根据求得的C值及p值，按下表进行模型精度检验，评定模型等级。
表1 模型精度评价标准
由表1可见，C值越小，p值越大，说明模型预测精度越高，预测越准确。
3 路基沉降灰色预测模型
本文对河北省某一级公路软土地基路堤工后沉降观测数据进行预测，沉降观测起始时间从路基加载达到设计要求时开始算起，观测时间间隔为30天，观测数据如下表：
表2 路基沉降观测表
现以前7组观测数据为原始数列建立预测模型，用后2组数据对模型进行精度检验，以确定模型的适用性。
3.1模型建立
（1）原始数列为：
（2）对以上数列进行一次累加生成后得到新数列：
（3）建模条件检验
1）、准光滑性检验：由得
当时，，满足准光滑性条件。
2）、准指数规律检验：由得
当时，，满足准指数规律，故可对建立GM（1,1）模型。
（4）利用最小二乘法求得参数：
数据矩阵B、数据向量Y:
,
系数向量：
（5）建立GM(1,1)模型的时间响应函数
（6）对上式做一次累减还原：，得的预测值：
3.2模型精度检验
(1) 后验差检验
原始序列的均值，方差，均方差：
残差序列的均值，方差，均方差：
后验差比：
(2)小误差概率计算:
由残差计算得:
小误差概率为：
由计算的C值和p值，查表可得此模型精度等级为一级，预测效果较好。
根据预测模型，预测后续2个月的沉降量，其预测值与沉降值相对误差小，说明模型预测效果较好，精度较高。将用模型预测的9个月沉降量与实测数据进行比较，列表如下：
表3 GM(1，1)模型预测值与实测值对比表
由表可知，路基沉降量实测值与GM(1，1)模型预测值最大残差为0.135mm,最大相对误差为1.709%，线性相关系数为0.9999，说明预测值与实测值非常接近,该预测模型能准确反映沉降量的发展趋势，预测效果较好、精度较高。
根据建立的GM(1，1)预测模型，当k趋向于无穷大时
即模型预测值趋向于最大值101.077mm，由此可推算该路基的工后最终沉降量为101.077mm，小于规范[1]规定一级公路一般路段的允许工后沉降要求；根据沉降量实测数据知后2个月沉降量不超过5mm/月，达到了规范[1]规定在软土地基路基上进行路面施工的要求，由此可以确定路面的施工日期为第9个月末。依据GM(1，1)模型预测，可以预测后2个月沉降量不超过5mm/月，因此施工单位在第7个月末即可提前安排路面施工计划，做好路面施工准备，待第9个月末沉降观测结束，便可立即进行路面施工。
4 结语
通过上面的分析表明，GM(1，1) 模型预测精度较高，能够较好的用于路基工后沉降预测。根据该预测模型可以提前确定路基的最终工后沉降量，确定路面的施工日期，提前安排路面施工计划，做好路面施工准备工作，待路基实测沉降量达到规范要求后，便可立即进行路面施工，而不必等到最终沉降观测结束后再进行路面施工准备，从而缩短了工期，降低了工程造价。
参考文献
[1] JTG D30-2004.《公路路基设计规范》.北京：人民交通出版社，2004.
[2] 易德生，郭萍.灰色理论与方法.北京：石油工业出版社，1992.
统计与预测论文篇13
一、基于精准建造的大型工程项目工期预测概述
1、工期预测理论基础――精准建造
精准建造(Lean Construction)是一种基于建筑产品管理，通过精准的建筑产品定义、合理有效的建造单元分解、精准产品策划、精准设计，在材料的精准供应、全过程的产品控制、及时的信息流通和反馈、全体人员早期介入下实现建筑产品的精准施工，达到建筑产品的成功交付、资源浪费的最小化、价值创造的最大化的建造管理方法。
2、工期预测特点
基于精准建造的大型工程项目工期预测具有以下三方面的特点。
(1)综合考虑大型工程项目工期的各种影响因素，影响大型工程项目的工期的因素有工程量、可调用的人员、可调用的材料可调用的设备、可利用的工作面、以及施工水文条件。而基于精准建造的大型工程项目工期预测，将各影响因素作为学习、训练、预测的参数，可使工期的预测更加符合大型工程项目实际状况。
(2)保证单项工序工期预测和整个进度计划科学合理单项工序的工期预测，一般结合定额与工程师的实践经验而编制，主观性很强，偏差较大。但是基于精准建造的大型工程项目工期预测，综合考虑类似工程项目实际经验和工程项目本身固有的特点，更加科学合理地预测工期。另外，在工序间逻辑关系优化的条件下，整个建造进度计划更加科学合理。
(3)便于工程项目整个建造过程的控制综合考虑建造工程本身的特点和各参与主体自身能力，使单项工序建造工期和整个进度计划更加科学合理，有利于各参与主体在建造工期内对建设工程诸要素进行合理控制。
二、大型工程项目工期预测理论
1、大型工程项目建造类型的假设
可将大型工程项目工序分为线性建造和非线性建造两类，响因素呈线性增长、递减或者匀速状态；非线性建造即建造强度与进度影响因素程非线性增长或者递减状态。其中线性建造又可分为线性均衡建造、线性递增建造和线性递减建造影响因素
2、工期预测方法的选定及流程
多元线性回归模型是处理两个及两个以上变量间线性依存关系的统计方法，可以说明线性建造工序的关系。因此对线性建造工序，可采用多元线性回归模型对其工期进行预测。人工神经网络系统，是一种为模仿人脑神经系统的工作机制而建立的网络模型，可将一组复杂关系的输入数据和正确结果引进网络中，经过神经元的反复学习训练、预测，将解决方案输出。因此，对于非线性建造工序，可采用人工神经网络系统预测工期，本文选用了BP人工神经网络系统。BPA工神经网络系统是一种基于误差反向传播算法的多层前向的神经网络系统，由一个输入层、一个或多个隐含层和一个输出层构成，不同层次的神经元之间互相连接，同层次之间无连接。对于线性建造工序，首先采用多元线性回归模型对各因数进行学习和训练，当回归显著时，采用该模型预测建造工期，反之，说明该工序是非线性建造类型，转入神经网络系统模型预测。对于非线性建造工序，直接采用神经网络系统预测工期。
三、BP人工神经网络系统预测
1、BP人工神经元网络参数的确定与初始化对于“非线性建造”工序，或者“线性建造”假定不成立的工序，采用神经网络系统预测工期。首先是确定神经元网络的输入参数并初始化。
2、BP人工神经网络系统的学习与训练
学习模型的建立将标准化后的6个输入层神经元，设置6个中间层神经元数，作为输出层神经元，构建“非线性建造”工序BPA工神经网络模型，选择某―工序的N组工程数据，并初始化。采用BPA工神经网络系统预测。允许误差e设置为0.0001，最大迭代次数为1000，经过标准变换以后，经过964次模拟，拟合残差为0.0003，其预测结果如表4所示。
故5.150 2天是该工序在Q为100、P为50、M为200、E为2.12、C为3，S为200的条件下的施工工期，作为该工序的预测工期。
四、结论与展望
要全局优化大型工程的进度计划，不仅仅在WBS分解和工序间逻辑关系上进行优化，而且应该根据工程本身的属性，并结合影响工期的相关因素，提高工期预测的精度。采用传统的工期预测方法编制的进度计划并不符合大型工程实际施工状况，导致进度计划与进度实施脱节；对类似工程或者同一大型工程的类似工序的进度执行状况进行学习，采用线性回归模型以及神经网络系统等方法预测即将实施的大型工程的工序工期，符合实际工期控制的要求。
笔者将进一步研究Q、P、M、E、C、S对工期的贡献度以及各要素之间的关联度，届时可以更加清楚的显示各影响因子对工期的贡献度，从而更加准确的估计工期。另外，论文仅仅是对大型工程项目工期预测做了理论研究，至于如何采用计算机管理系统实现，也是笔者下一阶段重要的研究任务。
参考文献：
[1]陆歆弘，模糊假言推理确定施工工期，1999，20(5)：18 2ILU Xii~hong Fuzzy Reasoning and Constructlon Duratlon，Optimlzatlon construction，1999，20(5)：18-21基建优化， Idenfifying of Capital
[2]方子帆，郑霞忠，朱乔生，工程项目建设工期模糊性研究，三峡大学学报(自然科学版)，2001，23[5)：442-445.
[3]祁神军，陈峰，丁烈云，建筑施工企业精准物流管理，价值工程，2006，15(7)：114-116
[4]王悦，人工神经网络系统在经济效益综合评价中的应用，北京广播电视大学学报，2003，(3)：39-44.
