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

《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

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

运城学院：《应用时间序列分析》课程教学大纲（应用统计专业）