北京地面气温可预报性及缺测资料恢复的研究

利用１９５１－１９９０年期间北京地面气温资料作未来气温预测可预报性及缺测气温资料恢复的研究，对单月序列使用自回归、选阶自回归、逐步回归和预测残差最小逐步回归及对多月序列使用后两种模型等６种方案进行试验。结果表明，多月序列使用残差最小逐步回归模型有最好的可预报性，且预报方程具有较高的稳定性。本文使用该方案还对１８４１－１９５０年期间的缺测气温资料进行恢复。     

辽宁省近50年降水序列变化规律及干旱预测

运用沈阳、大连、丹东、营口、朝阳5个代表站1953～2001年的年降水量资料，建立了辽宁降水序列，分析了其近50年的变化规律，年降水量具有明显减少趋势。以此序列为基础重建干旱发生的灾变序列，采用灰色系统GM(1，1)模型探讨了旱灾预测问题。应用1996～2001年资料对预测结果进行了检验，效果较好。     

北京地区气温诊断分析

本文讨论了北京地区百余年气温的变化特征，依据加法模型理论，提出了一种气候诊断和预测方法─—逐步回归多重因子方法，其优点在于将序列的周期因子、谱成分及外界气候振动因子同时引入回归模型中。这一方法，对单序列的气候诊断和预测具有明显效果。     

基于小波分析的组合随机模型及其在径流预测中的应用

提出了一种随机组合预测模型利用Mallat算法对水文时间序列进行多尺度分解,得到对应尺度下的概貌(低频)分量和细节(高频)分量;分别对概貌分量和细节分量建立随机模型进行预测,预测结果的叠加即为原水文变量的预测.将该模型用于黄河三门峡站年径流预测中,并与传统预测模型进行了对比分析,结果表明,建立的组合模型充分利用了现有信息,预测精度高.     

基于SSA-MGF的BP神经网络多步预测模型

采用奇异谱分析（Singular Spectrum Analysis，SSA）方法对标准化样本序列进行准周期信号分量重建，将重建序列构造均值生成函数（Mean Generating Function．MGF）延拓矩阵作为输入因子，原样本序列作为输出因子，构建BP神经网络多步预测模型。通过实际建模并与逐步回归等方法进行对比预测试验，结果表明，基于SSA-MGF的BP神经网络多步预测模型预测效果优于其他3种模型，说明SSA的去噪及BP神经网络预报模型对于提高预测准确率是相对有效的，是一种具有较高应用价值的多步预测方法。     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2.621 m·s-1、0.066和2.727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。     

用灰色理论制作许昌秋季降水过程中期预报

利用灰色理论预测方法，把对时间序列通过累加生成和累减生成使灰量白化，并建立相应的冷空气活动微分方程模型，对未来降水过程作出中期预测，１９９３～１９９４年试用和１９９５，１９９６年投入业务使用，效果较好。     

利用均生函数周期性延拓序列作夏季旱涝预测

利用逐步回归技术筛选汛期降水总量时间序列生成的均生函数延拓序列,提取时间序列的优势周期,建立鹤壁市汛期旱涝趋势预测业务模型,在１９９５￣１９９６年的业务预测中,预测结果与实况十分接近。     

北京降水缺测资料恢复的研究

利用１９４１－１９８０年北京降水量资料进行了缺测降水量资料恢复的研究，并单月序列使用非线性函数作降水量正态化的变换，然后用预测残差最小逐步回归及对多月序列使用各月降水量变换序列，各月降水量变换序列与各月气温混合序列为因子作缺测资料恢复和用各月缺测资料前后实测资料作简单内插恢复等三种方案进行试验结果表明，以降水和气温作混合因子使用残差最小逐步回归模型有最好的可性。还使用该方案对１８４１－１９５０年缺     

时间序列分析预测法在降水预报中的应用

本文从时间序列的基本概念出发，阐明了两类不同的分析预测方法。着重讲述了非平稳时间序列的平稳化及P阶自回归模型。并以西宁站夏季降水资料为例讲述了P阶自回归模型的建模步骤。     

基于时间序列模型与残差控制图的兰州市空气质量研究

利用2003-2012年兰州市月均空气污染指数API和季节性时间序列模型SARIMA,对数据序列进行拟合并对其变化趋势进行了分析,研究其演变趋势并选取空气质量良好(月平均API150)的月份(2012年6月2013年2月),选用时间序列模型ARIMA(1,1,1)进行拟合,再结合残差控制图,对2013年3月日平均API预测监控。结果表明,SARIM A(0,1,1)×(0,1,1)12模型较好的拟合了近10年兰州市API的变化趋势,兰州市的空气污染大致呈冬、春季污染相对较重,夏、秋季相对较轻,空气质量总体在逐渐好转。适合该地区短时间尺度的时间序列模型是ARIMA(1,1,1),结合残差控制图对2013年3月API进行预测监控,结果显示6,9,10,11,12和13日超出控制限,对6日和9日提出预警。预测结果与实际结果相吻合,证实了将时间序列模型与残差控制图结合预测监控大气污染的有效性。     

均生函数模型在降水预测中的应用

采用均生函数模型对单一的要素序列作气候预测试验。首先计算出要素的均生函数，经逐步回归，筛选出周期性预报因子，以期建立历史拟合和预测效果好的模型。实例计算分析表明，均生函数模型预测的结果具有一定的可信度。     

基于ARMA-BP集成的藻类叶绿素a预测研究

藻类叶绿素a浓度是反映太湖水体富营养化程度的重要参数指标。以太湖2010—2011年5—10月旬平均叶绿素a浓度和气象资料数据作为建模样本, 通过对气象资料进行主成分分析, 得到4种主要气象因子作为输入, 建立时间序列ARMA预测模型与BP神经网络预测模型, 并对2012年数据进行预测。利用两种模型在线性空间和非线性空间的预测优势, 将叶绿素a数据结构分解为线性自相关主体和非线性残差两部分。首先用ARMA模型预测序列的线性主体, 然后用BP模型对其非线性残差进行估计, 最终集成整个序列的预测结果, 建立了ARMA-BP预测模型。3种模型的预测效果为ARMA-BP＞BP＞ARMA。     

模糊时间序列模型在短期气候预测中的应用

将模糊时间序列模型引入短期气候预报,利用重庆34个地面气象观测站的逐日观测资料(1971—2007年)和重庆市旱涝灾害监测预警决策服务系统计算的干旱指数和洪涝指数等资料,运用模糊时间序列模型分别对2001—2007年重庆市城口县1月降水、1月平均气温的预报结果(年度预测)和重庆市春旱指数的预报结果(年度预测)进行了模糊时间序列分析,预测了2004—2007年的发展趋势,用2004—2007年实测值与预测结果进行了比较,并与加权集成、人工神经网络集成、数据挖掘集成等模型进行了精度比较和分析.结果表明:模糊时间序列模型各项精度评定指标优良,并且计算简单,具有一定的实用价值.     

新疆阿勒泰地区山绵羊死亡率灰色马尔柯夫预测

灰色ＧＭ（１，１）预测与马尔柯夫预测的优点可以相互补充，将两者结合起来对随机性和波动性较大的数据序列进行预测，精度更高。本文采用灰色与马尔柯夫两种预测的组合模型，对新疆阿勒泰地区山绵羊死亡率的时间序列进行了分析，并预测了１９９２的可能死亡率情况，为该地区畜牧业生产发展和防灾减灾提供了科学依据。     

均生函数逐步回归模型在降温、降水长期过程预测中的应用

应用均生函数逐步回归模型，经过十次变长序列动态建模进行多步预测，再对多个结果进行合成分析，可以更好地揭示、归纳及利用好自身的规律。对降温、降水等长期天气过程预测，得到较可信的结果。     

人工神经网络的短期气候定性预测方法研究

采用EOF方法将众多具有一定物理意义的环境场预报因子和序列周期因子进行降维去噪处理，并结合人工神经网络前馈网络模型，进行了影响广西热带气旋年频数和夏季(6～8月)降水量短期气候预测的定性预报建模方法研究。结果表明，该方法对于影响广西热带气旋的年频数及广西夏季降水量定性趋势具有很好的预报能力，可作为一种新的短期气候预测业务预报配套方法。     

信息替换的均生函数主分量多步预测

提出随着时间的推移，用新信息取代旧信息的“限定记忆”的时间序列数据处理方法。且仅对均生函数外延矩阵的前Ｌ阶方阵作主分量分析，用数目较少又包含主要信息量的主分量因子对时间序列建模。该方案用于四川省２８个县市的年平均气温的多步预测值与实况值相对误差均在±４％以内，表明该方案用于气温多步预测是有效的。     

运城市终霜冻预报方法

对运城市终霜冻资料时间序列进行了周期分析，再利用基于预测误差平方和(PRESS)准则的逐步回归周期分析方法建立运城市终霜冻预报模型，预测终霜冻出现的日期，经检验和试报表明，该模型预测效果较好，具有实用价值。     

转移概率及最大转移概率原理在桂林市初、终霜日预报中的应用

利用转移概率及最大转移概率预报原理，分析了桂林市1961～2000年初霜、终霜日期等随机时间序列之间的转换规律，并结合各序列的初始分布，建立预报模型。应用该方法对近几年初、终霜日期的预测结果表明，转移概率预报方法对波动性较大的随机时间序列具有较强的预报能力，方法简单，预报效果好。