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

 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

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题，提出应用支持向量机和模糊粒化时间序列相结合的方法，对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式，确定以24 h为周期的粒化窗宽，利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入，并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据，应用该方法建立PM2.5质量浓度的时间序列预测模型，并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明，基于模糊粒化时间序列的预测模型，能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定，对模糊粒子拟合效果较好

一、时间序列自回归模型 二、时间序列向量自回归模型 三、格兰杰因果关系检验 四、格兰杰因果在脑电中的应用 五、补充知识

在已进行的齿轮点蚀疲劳寿命预测计算模型的研究基础上,应用随机时间序列分析技术分析处理计算模型中随时间变化的因素,从理论上解决了齿轮寿命预测中的难点,建立了齿轮点蚀疲劳寿命预测的方法系统

广东财经大学：统计与数学学院《应用时间序列分析》课程教学大纲