首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

根据目前高炉炉温预报推理规则都是由高炉专家根据经验制定的情况,提出了一种新的规则生成方法——数据挖掘获取高炉炉温预报关联规则.针对现有挖掘算法的不足,提出了一种改进的多维时间序列模糊关联规则挖掘算法,该算法基于时间子序列和子序列间隔的双重模糊化,避免了挖掘结果\时间边界锐化\的问题.该算法应用于武钢的1#高炉,挖掘效果良好

一、真回归和伪回归 二、时间序列平稳性的概念 三、时间序列的单位根检验（DF、ADF检验） 四、单整的概念 五、协整的概念和协整检验 六、误差修正模型 七、EViews应用

《应用时间序列分析》课程教学资源（PPT课件）第六章 非平稳时间序列分析

《应用时间序列分析》课程教学资源（PPT课件）第五章 平稳时间序列预测

《应用时间序列分析》课程教学资源（PPT课件）第四章 平稳时间序列模型的建立

《应用时间序列分析》课程教学资源（PPT课件）第二章 平稳时间序列模型

 平稳性检验  纯随机性检验

 方法性工具  差分运算  延迟算子  线性差分方程  ARMA模型  AR模型（Auto Regression Model）  MA模型（Moving Average Model）  ARMA模型（Auto Regression Moving Average model）  平稳序列建模  序列预测  建模步骤  模型识别  参数估计  模型检验  模型优化  序列预测

 时间序列的分解  确定性因素分解  趋势分析  季节效应分析  综合分析  X－11过程