基于BP神经网络的江苏用电量预测模型研究

本文应用贝叶斯正则化算法优化BP神经网络,通过多维经济数据(国内生产总值、固定资产投资总额、人均收入)与用电量的相关分析,来确定网络的拓扑结构,建立用电量的人工神经网络模型.用从江苏统计年鉴和江苏省电力局取得的17年数据为输入、用电量为输出来训练建立好的BP神经网络,经仿真表明该神经网络能很好地解决用电量多影响因素之间的不确定性和非线性,模型的预测精度较高,对合理的制定用电计划不仅有一定的理论意义,更具有巨大的实用价值.     

基于GMDH的小样本数据预测模型

对于样本数据少的情况,文章中利用SPSS曲线估计的方法选取三次曲线和二次曲线两种模型进行预测,同时用GMDH自回归模型进行分步预测,最后利用GMDH组合模型将三种模型进行组合预测。预测结果表明:GMDH自回归模型对于小样本数据的预测结果优于其他模型,效果更好、更稳定。     

时间序列和神经网络的组合预测及其应用

近年来各种预测方法中,时间序列是线性模型中精度比较高,应用较广的模型之一;而在非线性类中,神经网络模型是典型的非线性预测.建立时间序列和神经网络的组合预测模型可以有效的反映各种因素的综合影响,组合预测理论已经证明多种模型的线性组合在一定的条件下能够有效的改善模型的拟合能力和提高预测精度.本文采用线性组合预测方法,应用线性规划方法,从而在预测中得到比单项预测方法更好的科学预测结果.     

线性时变参数DGM(1,1)变权组合预测模型

文章为了提高统计组合预测的拟舍和预测精度,根据线性时变参数离散灰色预测模型的初值优化方法,给出了几个线性时变参数DGM(1,1)模型作为单项预测模型,进一步利用这些单项预测模型建立了一类变权线性时变参数组合预测方法.最后,将变权重线性时变参数组合预测方法应用于新疆生产建设兵团城镇化发展水平的组合预测,实例结果表明变权重线性时变参数组合预测方法具有较高的拟合精度.     

我国能源需求预测模型研究

本文首先比较了不同的能源需求预测方法的特点,并选择确定性加随机性时间序列组合模型对我国能源需求进行预测;然后详细介绍了建模的过程,并对模型预测精度和参数稳定性作了评价,结果表明本文采用的组合模型是一种比较有效的预测方法;最后用该模型对我国2004-2020年能源需求进行了预测.     

关于协同组合预测方法的探讨

文章在协同网络的基础上提出了一种新的组合预测方法--协同组合预测,协同网络有着深厚的数学物理基础,对比其他智能方法,如广义回归神经网络、支持向量回归、遗传算法等,结果表明:协同网络具有运算速度快,运行时间短,预测精度高等优势.     

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性.研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

适用于大数据集的广义可加模型

通常情况下,对用电量进行预测的问题可以采用广义可加模型(GAM),但当数据集很大时,在计算机上实现起来就非常困难,甚至是不可行的.因此,本文给出了大数据集下实用的广义可加模型拟合方法,模型中的平滑项用惩罚回归样条函数来表示.只需保证在任何时候模型矩阵的子矩阵可以在计算机上实现,该方法就可以通过迭代更新的方式得到模型矩阵的因子.本文研究证明,该方法可以有效地对平滑参数进行估计.当有新数据加入时,用电量预测模型需要不断地拟合更新,并且需要对新的用电量数据序列的自相关性进行处理.本文给出了处理这些问题的方法,以及在计算机上的实现过程.该方法可以实现使用一般的中型计算机来处理大数据集的广义可加模型的估计问题.最后,对法国用电量预测的实证研究表明,降秩样条平滑方法也能够很好地处理复杂的模型问题.     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

基于多元统计和改进BP网络的公路客运量预测

本文在利用主成分分析方法筛选出影响公路客运量的2个主导因子的基础上,分别采用回归分析法和改进神经网络方法对公路客运量进行了预测,预测结果表明两种预测方法都具有较高的精度,而引进了动量法和学习速率自适应调整策略的神经网络,其预测精度更高,但回归分析法能更好地揭示各因子对公路客运量的相对贡献率。     

基于多因素影响的房地产价格预测模型

文章根据我国房地产发展情况以及与其影响因素之间复杂的非线性关系,提出了基于多因素影响的房地产价格预测组合模型.首先运用灰色关联法对影响因素进行计算排序,筛选出主要的影响因素变量,然后应用改进的小波神经网络组合预测法对房地产价格进行预测,最后使用马尔科夫链分析法将预测值区间化,提高预测值的可信度,得出最终预测结果.研究表明,考虑多种因素影响的房价预测模型能够有效地预测房地产价格,且较传统的预测方法大大提高了预测精度.     

基于组合加权算术平均算子的组合预测方法

组合预测能有效结合单一预测模型的优势,有效提高预测的精度,文章在建立广义相对偏差组合预测权系数确定模型的基础上,给出广义相对误差组合预测权系数确定模型的遗传算法求解过程,最后给出基于组合加权算术平均算子的组合预测集结方法.     

基于两个单项模型的组合预测模型构建方法

组合分线性和非线性两种,在任选两个模型采用组合预测方法时,如何确定哪种组合方法效果更好成为重点.文章从协整关系和优性组合判定方法两方面提出确定线性组合条件及线下组合建模过程.在线性关系不满足时,对组合模型进行改进,采用BP神经网络对模型进行非线性组合,使其达到组合预测目的.同时,给出在任取两个模型的情况下,进行组合的方法和步骤,既提高组合预测精度,又达到简化计算过程的目的.     

货币供应量M2预测精度:基于组合模型的改进

广义货币供应量M2是一个重要的经济指数,其值的变动对社会经济活动构成一定的影响.文章旨在对传统M2的预测方式进行改进创新,建立一个精确度较高的M2预测模型,分别讨论了线性回归模型、指数模型、Holt模型、Brown模型、平稳时间序列模型对M2的预测情况,探究了不同模型的意义和预测精度.最后使用组合预测的方法,找到了一个合适的组合模型,即通过对Holt模型、Brown模型和平稳时间序列模型预测值的加权,达到对M2较精准预测的目的,并验证了其精度优于传统预测模型.     

基于模型遴选规则的汇率自适应组合预测

文章阐述了组合预测模型遴选规则的产生机理,对此遴选规则的具体形式以及组建方式进行了研究分析.为了使构建于模型遴选规则基础之上的组合预测模型更具鲁棒性及更广的适用领域,通过基于NARX神经网络的自适应调节机制来提升遴选规则的学习能力,提高了组合预测的精度和稳定性.最后以一个汇率预测的实证分析证明了该模型的有效性.     

石油价格的一种变权重组合预测

石油价格的预测具有重要的意义,近年来的研究表明,变权重组合预测比常数权重组合预测具有更高的精度.本文提出一种利用神经网络和时间序列进行变权重组合预测石油价格的方法,这种方法相对于常数权重组合预测方法更接近油价波动的实际情况,对于石油价格的预测具有一定的应用价值.     

基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一，长短期记忆（LSTM）神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术，本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究，结果发现：①LSTM神经网络具有很强的泛化能力，对全部指数不同期限的预测效果均很稳定；②LSTM神经网络具有优秀的预测精度，相比三种对照模型（SVR，MLP和ARIMA），其对全部指数的平均预测精度在不同期限上均有提升；③LSTM神经网络能够有效控制误差波动，其对全部指数的平均预测稳定度相比三种对照模型在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势，其未来在金融预测中将有广阔的应用前景。     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

我国能源消费的组合预测模型

根据《中国统计年鉴》的定义,能源消费总量指一定时期内全国物质生产部门、非物质生产部门和生活消费的各种能源的总和。能源消费总量包括原煤和原油及其制品、天然气、电力,不包括低热值燃料、生物质能和太阳能等的利用。如何对能源消费进行预测,许多学者对此进行了研究,如时间序列模型、神经网络模型、多元线性回归模型、Logistic模型。自从Bates和Granger在20世纪60年代首次提出组合预测理论以来,由于其能综合各单项模型的优点,有效地集结更多的有用信息,从而提高预测精度,组合预测方法的研究和应用受到了国内外学者的重视。