利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重 要的现实意义。通过数据挖掘中的 ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对 外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的 预测能力。

经典的arima时间序列预测模型的扫盲。从模型理论上讲解

M3_ARIMA 在 M3 比赛数据上快速训练 arima 模型

ARMA模型以及ARIMA模型建模

交通流预测是智能交通系统至关重要的一部分，应用于交通流预测的方法非常多，由于实际路况的复杂性和单个.方法的局限性，现有方法的精确度亟待提高。为解决这一问题，采用数据融合的方法，对传感器采集的原始数据做数据预.处理，利用小波分析去除信号多余的噪声，然后利用AＲIMA 模型和灰色模型分别对同一交通流序列进行建模，得出两者.各自的预测结果后，找出最佳权值对两种模型的结果进行加权，得到数据融合后的预测结果。仿真结果表明，该组合模型.改善了单个预测方法的短处，使得预测精度有所提高。

时序预测 | MATLAB实现ARIMA时间序列预测（完整源码和数据） 本程序基于MATLAB的armax函数实现arima时间序列预测； 实现了模型趋势分析、序列差分、序列平稳化、AIC准则模型参数识别与定阶、预测结果与误差分析过程，逻辑清晰。 数据为144个月的数据集，周期为一年，最终实现历史数据的预测和未来两年数据的预报！

ARIMA模型入门学习用数据

为避免传统预测方法误差率较大的缺陷，在考虑高速公路月度交通量季节性周期特点的基础上，构建了ARIMA预测模型，并对ARIMA模型识别、模型检验和模型预测进行了系统分析，并应用于某高速公路进行月度交通量预测。应用结果表明：模型预测综合误差率为5.45%，低于灰色模型35.43%的误差率，低于三次指数平滑法的5.65%误差率；ARIMA预测模型能更好地适应于高速公路月度交通量预测。

针对矿井瓦斯浓度预测研究现状，提出一种基于Python的瓦斯浓度时间序列预测方法。 该方法采集、处理了矿井瓦斯浓度历史数据，形成适用于数据挖掘的平稳时间序列；基于该序列，调 用Python自带的ARIMA模块函数，构建瓦斯浓度预测模型；利用建立的预测模型对瓦斯浓度进行 预测，并对比分析瓦斯浓度历史数据与预测数据的误差大小，进行模型预测效果评价；最后，利用满 足精度要求的预测模型，预测瓦斯浓度变化趋势。 以贵州某矿为例，采集2018年３月５日 至2018年３月７日的瓦斯数据作为样本数据，并调用Python的ARIMA模块建立预测模型，开展瓦斯浓度 预测研究。 结果表明，该方法实现了瓦斯浓度预测的可视化，并使瓦斯浓度预测均方根误差低为2.34％，预测精度较高，可为降低矿井瓦斯事故提供一定的技术支撑。 

基于ARIMA模型的居民消费价格指数的预测方法研究