《表1 ARIMA模型：电力客户缴费渠道业务量预测》
提示：宽带有限、当前游客访问压缩模式
我们需要为ARIMA模型指定参数p、d和q，从前文可以得到d=2。表1给出了结合了ACF和PACF图选择参数p和q的方法。
| 图表编号 | XD002277400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.21 |
| 作者 | 宫立华、杨菁、刘鲲鹏、朱龙珠 |
| 绘制单位 | 国家电网有限公司客户服务中心、国家电网有限公司客户服务中心、国家电网有限公司客户服务中心、国家电网有限公司客户服务中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 权重分配结果：基于机器学习的电力大客户群体月度售电量预测研究》2018.09.25
- 《表2 ARIMA(0,1,1)模型预测结果(单位:亿元)》2020.04.20
- 《表1 1 ARIMA-SVR组合模型预测结果》2020.04.01
- 《表9 未来数据验证结果：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表7 验证数据预测结果：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表6 模型参数计算结果：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表5 逻辑回归参数设置：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表8 模型评价结果：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表4 特征选择：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表4 ARIMA模型与ARIMA-ANN模型预测结果对比》2020.01.01
- 《表8 ARIMA(0,1,2）模型预测结果和预测的相对误差》2019.11.28
- 《表2 停电投诉条件概率：基于贝叶斯网络的电力客户停电敏感度预测》2019.09.28
- 《表3 实验结果对比：基于迁移学习的电力通信网异常站点业务数量预测》2019.05.01
- 《表2 符号表：基于迁移学习的电力通信网异常站点业务数量预测》2019.05.01
- 《表1 1 模型比较：基于ARIMA模型的渔业经济预测及其优化》2019.04.01
- 《表1：基于ARIMA模型的铁路货运量预测》2019.06.30
- 《表2 模型ARIMA (2, 1, 0) 预测与实际结果对比》2018.10.26
- 《表7 ARIMA(0,2,1）预测模型的回归结果》2019.08.01
- 《表1 指标相关性：电力潜在敏感客户预测的大数据方法应用》2019.11.20
- 《表4 模型验证结果：电力潜在敏感客户预测的大数据方法应用》2019.11.20