朱雪
- 作品数：3 被引量：55H指数：1
- 供职机构：武汉理工大学理学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：环境科学与工程经济管理更多>>
- 基于ARIMA模型的PM_(2.5)预测被引量：55
- 2014年
- PM2.5的精确预测是大气污染评价和治理的关键性工作。本文针对PM2.5浓度变化的时间序列分布特征,结合环境监测站提供的相关数据,应用自回归移动平均模型(ARIMA(p,d,q))预测短期PM2.5的日平均浓度。结果表明:由于PM2.5浓度变化受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,不同时段内的变化模式存在巨大差异,因此采用分时段序列预测模型可以提高PM2.5的预测精度;通过将分时段序列模型与灰色GM(1,1)模型和全年时间序列模型的预测结果进行对比,发现该模型预测效果更好。
- 彭斯俊沈加超朱雪
- 关键词：PM2.5时间序列ARIMA模型
- 我国钢铁期货市场波动研究
- 2015年
- 为了研究我国钢铁期货市场的波动情况,本文运用SV类模型对其波动特征进行了分析比较。结果表明:我国钢铁期货波动具有较高的持续性和波动集聚性,存在明显的尖峰厚尾现象,可以采用厚尾SV模型对我国钢铁期货进行分析,ASV模型能够很好地拟合钢铁期货波动过程中存在的持续性和非对称性特征;利用随机波动模型求出的波动序列可以较好地计算VaR值;钢铁期货下跌信息所引发的波动,比价格上涨信息引发的波动更大;为平抑钢铁价格波动的影响,建议加强钢铁市场监测预警,加强政府对钢铁价格的宏观调控,完善钢铁市场体系建设,积极推行钢铁产业良好发展。
- 朱雪王建华童恒庆
- 关键词：SV波动性VAR
- 基于ARIMA模型的PM2.5的预测
- 应用ARIMA(p,d,q)(自回归移动平均模型)预测短期PM2.5的日平均浓度.由于PM2.5污染物浓度受气象场、排放源、复杂下垫面、理化生过程的耦合等多种因素的影响,随时间变化大,因此采用分时段预测模型以提高预测精度...
- 沈加超彭斯俊朱雪
- 关键词：大气监测
