多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

基于ANN的时序预测模型及其在统计中的应用

建立时序预测模型是数据挖掘的任务之一,而统计分析也是数据挖掘的内容之一.本文作者利用ANN可逼近任意非线性映射关系的特点,提出了基于ANN的时序预测模型.以南宁市人口自然增长率时序数据为例构建了预测模型,并对模型进行了测试和检验.测试结果表明基于ANN的时序预测模型对时间序列具有较好的预测性能,在统计预测方面有着广泛的应用前景.     

混沌时间序列的支持向量机预测

文章以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取;利用饱和关联维数法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对时间序列进行混沌特性识别。实例表明,该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度。     

股指期货信息内含股价变动信息的挖掘 ――小波框架与支持向量回归的金融建模应用

 内容提要：中国股指期货的推出指日可待，交易者多了一种投资工具的同时也带来了新的风险。建立准确的金融时间序列预测模型是逐利及避险的方法之一，一直是学者专家研究的热点。本研究结合小波转换与支持向量回归，提出一个二阶段时间序列预测模型。先以离散小波框架将预测变量分解成不同尺度的多个子序列，揭示隐藏在预测变量内的信息，再以支持向量回归为工具，以这些子序列为预测变量建构SVR模型。本研究以日经225指数开盘价为预测目标，以期货开盘价为预测变量对模型进行实证研究，结果显示，该模型的预测绩效比单纯SVR模型及随机漫步模型好。未来可尝试以不同的基底函数作进一步研究。     

天然气产量季节预测模型的比较与选择

随着气田企业规模的扩大和竞争的加剧,需要建立一套完整的短期天然气产量预测方法及模型,以预测未来的产量发展趋势,故提出三种基于时间序列预测模型:布朗指数平滑法(Smooth)、季节系数法时间序列的预测、用于时间序列的灰色系统预测方法.但是普通时间序列预测模型的参数难以估计并且模型较难预测具有季节特征的时间序列问题,根据天然气产量的季节性、周期性特点,实验结果表明:季节系数法时间序列的预测能够对带有季节特征的历史数据进行有效预测,对进行气田企业的安全生产都具有一定的理论和实践价值.     

我国能源消费与经济增长的关系分析

一、实证数据和方法 在现实经济中,变量本身通常是非稳定的时间序列并表现出一定的趋势,为了使传统的单方程计量模型有意义,常用的方法是对变量序列进行差分,然后用差分序列进行回归,这样做的结果忽视了水平序列所包含的有用信息,回归方程不能全面反映经济变量间的关系.     

基于时间序列的GM(1,1)预测模型及应用

GM(1,1)是较常用的时间序列预测模型.文章在借鉴运用时间序列和GM(1.1)预测模型的理论基础上,实证研究了京津冀地区国际旅游人次数的发展趋势.笔者根据2000-2008年京津冀国际旅游人次数的原始时间序列数据,通过GM(1,1)模型对各因素进行关联度分析,并对原始数据进行生成处理,形成有较强规律性的新数据序列,然后建立相应的微分方程模型,预测了2009-2013年京津冀国际旅游人次数的未来发展趋势,也再次验证了GM(1,1)预测模型是建模精度等级为二级的合格模型.     

基于NARX神经网络与ARMA的汇率混合预测模型

汇率时间序列是一个动态复杂系统,单独的线性回归模型或者非线性神经网络都不能很好地反映系统的特征.文章将汇率时间序列分解成线性序列和非线性序列两部分,并分别用ARMA和NARX神经网络进行建模;最后组合成NARX-ARMA汇率混合预测模型.结果证明,相比其他汇率预测模型,NARX-ARMA混合模型有更好的预测效果.     

基于ARIMA的多元时间序列神经网络预测模型研究

文章基于ARIMA模型具备准确提取时间序列当前值、过去值及误差值之间回归关系的能力,人工神经网络具备对各种变量的感知能力强,非线性逼近、自适应、自学习性等特性,构建了一种多元时间序列预测模型,并进行了理论探讨和实证.该模型能较准确模拟和预测时间序列的变化规律,可较好满足时复杂时间序列的分析预测需求.     

基于SSA-MGF的偏最小二乘回归预测模型

本文利用奇异谱分析和均生函数方法,对原始序列重构延拓作为自变量,原始序列作为因变量,建立偏最小二乘回归预测模型,并与主成分最小二乘回归预测模型比较分析.实例结果表明,该方法具有预测精度高、稳定好的特点.     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

一种改进的近似非齐次指数增长离散灰色预测方法

近似非齐次指数增长离散灰色模型DGM(1,1)解决了原模型的固有偏差问题,但在解决现实中有阶跃扰动、大波动变化的初始序列的时候预测结果依然存在明显的偏差.文章在近似非齐次指数增长离散灰色模型中引入残差,构建偏差修正序列,并以其为初始序列重构预测模型,分情况对预测结果进行修正.通过算例进行比较分析,验证了改进模型的精确性和实用性.     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

中国城镇居民消费结构的预测

目前国内用于消费结构预测的模型,大部分是以截面数据资料建立起的线性扩展支出系统ELES,它反映在某一时间截面物价水平下不同收入水平消费者的均衡状况,属于静态预测模型具有很大局限性.本文在ELES模型基础上,考虑时间因素的变化对其加以改进,构建一组横断面样本与时间序列组合运用的动态预测模型体系.     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

财务困境预测模型变量选择方法的改进

传统的企业财务困境预测模型变量选择方法存在如下不足数学模型的选择与变量选择相关性极大;变量选择与样本选择相关;变量的数目受到限制,未能充分反映企业财务的全部信息;对非线性响应考虑不够.对于具有非线性响应的财务预测模型来说,变量选择极大地影响到所建模型的好坏.使用正交设计和神经网络可以解决非线性响应问题,得到更合理的模型及结果.     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

基于CM(1,1)模型的江苏省民间投资规模预测

一、CM(1,1)灰色预测模型 灰色预测法是一种对含有不确定因素的系统进行预测的方法.灰色预测是对既含有已知信息又含有不确定信息的系统进行预测,就是对在一定范围内变化的,与时间有关的灰色过程进行预测.灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来的发展趋势的状况.CM(1,1)模型是常用的一种灰色预测模型.     

基于小波分析的AR-GREY预测模型及其应用

文章介绍了小渡分析、自回归模型和灰色预测模型,建立了基于Maliat小波分析的AR-GREY预测模型.将非平稳时间序列用小波分解到不同尺度上以减少原始序列的随机性.然后再利用灰色模型对低频信息(趋势)进行预测,对于高频信息(短期波动)则建立自回归模型,从而在充分拟合趋势的同时,避免了短期波动的过拟合:通过BDI预测算例验证了预测模型的实用性和精度.因利用了MATLAB软件和Eviews软件,模型构建、修改方便,可在实际中应用.