基于灰色参数组合优化新模型的生活垃圾清运量预测研究

准确的生活垃圾清运量预测是环保部门制定生活垃圾处置政策措施的重要依据。为此,文章首先在新结构多变量灰色预测模型基础上,对自变量驱动项、累加阶数、背景值系数进行组合优化,推导并构建了适用于生活垃圾清运量预测的新型多变量灰色系统模型。然后,应用该模型对江苏省垃圾清运量进行实例分析,结果显示该模型综合误差仅为0.996%,其性能优于同类其他多变量灰色预测模型(1.933%、4.894%)。最后,应用该模型对江苏省未来清运量进行了预测,并提出了相关的对策和建议。本研究成果为环保部门制订相关政策措施提供了参考依据,同时为生活垃圾清运量预测提供了一种有效的建模方法。     

船闸通过量预测模型对比研究

船闸通过量作为衡量内河航运繁荣程度的一个重要指标已被广泛的使用,通过以秦淮河船闸历年的通过量为研究对象,综合了目前常用的几类预测模型即线性模型、非线性模型、灰色系统理论模型对秦淮河船闸的通过量进行了短、中、远期的预测分析。通过对分析模型的对比研究得出了灰色系统理论模型的预测效果最好,发现船闸所在地的社会经济因素和自然因素对船闸的通过量影响较大,并根据各预测模型的预测量指出,秦淮河复线船闸应早日建设。     

船闸通过量预测模型对比研究

船闸通过量作为衡量内河航运繁荣程度的一个重要指标已被广泛的使用,通过以秦淮河船闸历年的通过量为研究对象,综合了目前常用的几类预测模型即线性模型、非线性模型、灰色系统理论模型对秦淮河船闸的通过量进行了短、中、远期的预测分析.通过对分析模型的对比研究得出了灰色系统理论模型的预测效果最好,发现船闸所在地的社会经济因素和自然因素对船闸的通过量影响较大,并根据各预测模型的预测量指出,秦淮河复线船闸应早日建设.     

城市供水节假日负荷预测模型的研究

城市供水水量的预测是城市供水系统优化调度的前提和基础,城市供水节假日的负荷变化与平时显著不同,若仍按正常供水日预测模型进行预测,会产生很大的误差。因此,针对城市供水节假日负荷变化的特点,利用节假日的负荷预测模型中节假日期间负荷变动模式高度相关以及节假日负荷平均值高度相关的特点,建立城市供水节假日负荷预测模型。     

基于BP神经网络的港口物流需求预测

随着中国经济的快速发展,沿海港口城市在发展中的地位也越来越重要,因此港口未来的规划以及相关的建设至关重要。根据我国相关部门的可行性分析,港口物流需求的预测在港口规划建设中的重要性往往容易被忽视,建立正确的预测模型是准确预测的前提。文章基于神经BP网络进行港口物流需求预测,首先介绍了物流需求预测和神经网络的研究现状,以及相关的基本理论,通过对港口物流需求相关影响因素的分析建立预测的指标体系,以大连港为例,在神经网络的基础上建立了港口物流需求预测模型,运用MATLAB软件进行相关的学习、训练,最后输入数据得出预测结果并据此给出相关建议。     

上海股市波动性预测模型的实证比较

本文采用上证综合指数每日收盘价数据,应用常用的波动性预测模型预测上海股市的周波动性并比较其样本外预测效果.结果表明,尽管当采用不同的预测误差统计量作预测模型的预测精度的评价准则时,也会导致评价结果的排序不同,但从总体上来说,指数平滑模型对上海股市周波动性的预测效果还是优于其他模型;而相对比较复杂GARCH(1,1)模型对上海股市周波动性的预测效果并不佳.     

非平稳时间序列预测模型在农产品供求量预测中的应用研究

根据实际的统计数据,建立了农产品供求量的非平稳时间序列预测模型,通过建模过程的统计检验和实例预测,阐述了模型的应用过程及适用性.     

股市波动率的短期预测模型和预测精度评价

基于幂转换以及不设定扰动项的具体相关结构和分布形式,构建了半参数的短期预测模型来预测中国股市的波动率.模型采用基于极值估计量的两阶段估计法进行估计,估计方法的小样本性质表现良好.此外,还通过具有Bootstrap特性的SPA检验实证比较了新模型与其他6种预测模型的预测精度.实证结果表明,在各种损失函数下,半参数短期预测...     

摩托车市场需求预测模型研究

本文通过对摩托车市场系统分析,确立了相关影响因素,建立了回归预测模型和系统动力学模型,依此对我国摩托车未来需求量进行了预测.     

基于神经网络集成的GDP预测模型

GDP预测是一项重要而复杂的工作,目前尚未有完美的解决办法.鉴于GDP预测的非线性、时变性和不确定性,提出了一种基于神经网络集成的GDP预测模型.该模型利用神经网络解决了非线性和时变性问题,利用神经网络集成解决了样本数据量少、偏差大的问题,使得GDP预测结果更为有效.     

考虑促销因素的医药电商平台需求预测研究

医药电商平台需求预测涉及到药品自身属性及电商平台推出的各种促销活动,本文针对以上影响药品销量的因素提出了时间序列-机器学习组合模型对医药电商平台进行需求预测。传统研究促销因素的需求预测文献将促销阶段商品销量拆分为常规销量和促销增量的线性组合,本文首先拟合各药品促销阶段的常规销量,根据各药品常规销量时间序列数据及服用周期,使用SARIMA模型拟合药品的常规销量预测值,并将常规销量预测值与商品促销特征数据一同输入XGBoost模型进行集成学习预测。本文使用国内某医药电商平台真实销售数据测试组合模型的有效性,结果显示组合预测模型的预测效果相比其他三种传统预测模型更优。此外,本文验证了不同折扣力度下组合预测模型的有效性,以及促销变量在预测模型中的有效性,同时研究了数据共享策略在需求预测中的应用场景,结果显示预测模型在引入促销变量和采用数据共享策略后都能显著降低模型的预测误差。     

基于向量夹角余弦的组合预测模型的性质研究

基于向量夹角余弦的组合预测是一种相关性的组合预测模型,它是研究组合预测方法的一个新途经.针对基于向量夹角余弦准则下组合预测模型,研究它的基本结构特征.首先提出新的优性组合预测、预测方法优超、冗余度等概念.然后探讨了非劣性组合预测、优性组合预测以及冗余预测方法的存在性,并给出冗余信息的判定定理.最后进行实例分析,表明该方法有较大的实际应用价值.     

基于漂移度的组合预测方法研究

由于不同的预测方法能够提供不同的有用信息,其预测精度往往也存在差异,为了分散预测的风险,采用组合预测方法。本文首先提出相容方法集和互补模型集,然后在对不同单一预测模型的漂移性和互补性研究的基础上提出了基于漂移度的组合预测模型,为组合预测模型研究提供一种新的思路。最后通过实例来说明基于漂移度的组合预测模型能够提高样本期预测精度和外推预测精度及实际应用的有效性。     

基于季节调整和Holt-Winters的月度负荷预测方法

针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题，提出利用季节调整方法，先对原始负荷序列进行季节调整，获得消除离群值、节假日影响的季节调整后序列和季节成分序列；然后用改进的Holt-Winters方法对季节调整后成分进行预测，用虚拟回归方法预测季节成分序列；最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验，提出的方法能明显提高预测精度，预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。     

一类基于IOWGA算子的组合预测新方法

目前传统的加权几何平均组合预测方法存在赋权的缺陷。在有序加权几何平均(OWGA)算子概念的基础上,提出诱导有序几何加权平均(IOWGA)算子,建立新的组合预测模型,并给出了IOWGA权系数的确定的数学规划方法。最后进行了实例分析,结果显示该模型能有效提高组合预测精度。     

灰色量子粒子群优化通用向量机的中国行业间碳排放转移网络预测研究

针对行业间碳排放转移量预测问题，以中国1997-2017年间9年度28个行业间碳排转移量数据为样本，本文提出了基于小样本随机振荡序列的灰色量子粒子群优化通用向量机混合预测模型ROGM-QPSO-GVM。该模型首先使用ROGM（1，1）模型得到各行业对其他行业碳排放转移量的预测序列和残差序列，然后提出了一种新的量子粒子群优化（QPSO）算法优化GVM模型网络参数，构建了QPSO-GVM模型对残差序列进行修正，再将两部分的预测值相加得到行业间碳排放转移量预测值，最后根据所有预测值构建出行业间碳排放转移网络。结果表明ROGM-QPSO-GVM模型与其他模型相比具有更好的预测效果，并利用该模型对2020年、2025年、2030年中国行业间碳排放转移网络进行了预测及变化趋势分析。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

IOWHA算子及其在组合预测中的应用

在有序加权平均(OWA)算子概念的基础上,提出有序加权调和平均(OWHA)算子及诱导有序加权调和平均(IOWHA)算子的概念,讨论它们的一些性质。同时指出现有的加权调和平均组合预测方法存在赋权的缺陷,建立新的基于IOWHA算子的组合预测模型,给出了IOWHA权系数的确定的数学规划方法。最后实例分析表明该模型能有效提高组合预测精度。     

基于动态模型平均的大豆期货价格预测研究

针对大豆期货价格波动的复杂性及影响因素的多元性，本文将动态模型平均理论引入大豆期货价格分析与预测研究中，通过动态选择解释变量和系数时变程度，在有效控制模型和系数不确定性的同时，最大限度综合利用大豆期货市场内外部信息，以提高大豆期货价格预测准确度。具体的，本文提出一套基于动态模型平均理论的大豆期货价格影响因素与预测分析框架，从期货市场和经济环境等两方面准确地识别出大豆期货价格影响因素的时变特征，进而构建大豆期货价格预测模型，并通过预测误差指标和Diebold-Mariano检验法评估其与基准模型的预测能力。研究结果表明，动态模型平均理论在有效剖析大豆期货价格影响因素的时变特征的同时，能明显提升大豆期货价格预测准确度。     

基于小波包和神经网络的股票价格预测模型

股票价格是大量因素影响的综合结果,波动规律异常复杂,即使是神经网络这样强大的非线性预测工具也不堪胜任对其的准确预测。本文利用小波包理论将价格波动序列最优地分解为一系列规律较易掌握的子波动,对原始价格波动的预测也就分成神经网络对各子波动的预测。实证研究结果表明,这种小波包和神经网络相结合的股票价格预测模型预测精度明显高于小波和神经网络相结合以及直接利用价格波动预测的同类神经网络模型。