ARIMA 时间序列模型（GPU 并行加速）
ARIMA Model — GPU Parallel Acceleration
自回归—差分—移动平均模型，用于平稳（或差分后平稳）时间序列的短期预测。
01
定义
自回归—差分—移动平均模型，用于平稳（或差分后平稳）时间序列的短期预测。
02
公式与计算
φ(B)(1−B)^d xₜ = θ(B)εₜ
(p, d, q) 分别为 AR 阶数、差分阶数、MA 阶数
03
适用时机
短期预测（水位、流量、负荷）；含季节性的用 SARIMA。 迁移到 GPU（CUDA/OpenCL）时可按站点/时段分块并行，单精度为主、关键环节双精度，吞吐由批大小与内存带宽决定。
04
关键参数
p/d/q 阶数（由 ACF/PACF 与 AIC 选择）、季节性周期；GPU 版本关注批大小、显存占用与 kernel 分支开销，需在 GPU 上复验浮点一致性。
05
注意事项
失效与边界适合短期（数小时至数天），不适合外推极端事件。 GPU 实现适合多站大规模批处理与参数扫描，须与 CPU 参考实现比对误差并固定随机种子保证可复现。
CLOSE
把 ARIMA 时间序列模型（GPU 并行加速） 用起来
下一步
实际项目如何应用？
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
场景设计、设备选型与工程实施，见 xmsiyb.cn 行业应用与智能选型中心。
相关 SIYB 产品
正式参数、方案与商务资料以 xmsiyb.com 官网为准。
需要把技术判断落到项目？
进入行业应用与智能选型中心，获取场景设计、选型与实施参考。