摘要：提出建立中国人口预测的半参数自回归模型，基于线性回归选取的显著性变量，利用多项式样条估计得到了半参数自回归方程，并且对中国2004～2009年人口进行了预

基于最小均方误差(MMSE)准则提出一种宽带信号波达方向(DOA)估计算法。将宽带信号通过窄带滤波器组转化为窄带信号，采用自回归迭代方法恢复窄带信号的稀疏表示，根据稀疏表示得到信号源个数和DOA估计。该算法不仅有超分辨率能力，而且不必预先知道信号源个数。此外，本算法能对相干信号源进行DOA估计而不需要解相关预处理。仿真结果验证了该算法的有效性。

论文《基于小波分析的ARIMA模型的股价预测——以中信银行的收盘价为例》中滑动ARIMA模型代码与结果

向量自回归模型(VAR)学习代码

提出基于过程神经网络和自回归模型的组合预测方案。首先，采用二进正交小波变换对原始时间序列分解和重构，分离出原始序列中的高频部分和低频部分；然后对低频部分构建过程神经网络模型，对低频部分采用自回归模型；最后将两种模型的预测值叠加，得到原序列的预测值。

针对星空背景下卫星跟踪中运动小目标与伪目标交会造成的跟踪漂移问题, 提出一种基于多域卷积神经网络(MDNet)与自回归(AR)模型的空中小目标自适应跟踪方法。 对用MDNet采集到的图像序列第1帧的正样本进行bounding-box回归模型训练; 再训练用最小信息准则和最小二乘法确定阶数和参数的AR模型, 估计目标运动轨迹并预测目标位置; 最后, 将该目标位置作为MDNet的采样中心, 约束采样候选区域, 用bounding-box回归模型调整目标位置。 实验用8种跟踪方法测试了8组场景复杂的视频序列, 结果表明, 本文方法的成功率及平均覆盖率均显著高于其他7种典型算法, 具有较高的精确性和稳健性。

能跑的通的ARMA测试程序，有助于了解ARMA算法的实现流程

为了实现更加稳健和精准的门诊量预测，构建了一种基于SARIMA-LSTM的门诊量预测模型。该方法首先使用SARIMA模型对门诊量进行单指标建模，提取门诊量指标蕴含的周期、趋势等信息，然后构建了以节日天数、法定上班天数、平均最高气温等多个相关指标为输入的多对一LSTM模型，对SARIMA模型残差进行进一步学习，实现残差与多个变量间的非线性关系抽取。实证结果表明，构建SARIMA-LSTM混合模型相较5种主流预测方法具有更高的一步预测精度，具有较好的实际应用价值。

VAR-向量自回归模型

贝叶斯向量自回归广泛用于宏观经济预测和结构分析。 然而，直到最近，由于参数扩散问题和计算限制，大多数实证工作只考虑了具有少量变量的小系统。 我们首先回顾了各种可用于解决大型贝叶斯 VAR 中参数增殖问题的收缩先验，然后详细讨论了用于克服计算问题的有效采样方法。 然后，我们概述了一些最近的模型，这些模型将各种重要的模型特征合并到传统的大型贝叶斯 VAR 中，包括随机波动率、非高斯和序列相关误差。 还讨论了拟合这些更灵活模型的有效估计方法。 使用涉及实时宏观经济数据集的预测练习来说明这些模型和方法。 还提供了相应的MATLAB代码。