黑龙江省空气质量数据的分析和预测

本文分别基于ARMA模型,主成分分析模型和神经网络模型对黑龙江省空气质量数据进行了分析和预测。首先,基于ARMA模型,本文对黑龙江省未来的空气状况数据进行预测并检验了其预测精度。其次,采用主成分分析对大气污染物等自变量进行降维,选取了有效的主成分,并对AQI进行一定刻画。最后,借助神经网络的计算机手段,对数据中变量的复杂关系做深入挖掘,以对前面的分析结果进行合理补充。     

基于差值灰色RBF网络模型股票指数预测

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,文章提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。将该预测模型运用于股票指数预测,实证结果表明:该模型预测精度高,平均预测误差为0.52%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的使用价值。     

湖北省城镇居民住房需求预测模型与实证

文章使用1995～2010年的湖北省宏观经济指标数据作为住房需求影响因素,分别应用BP神经网络和基于主成分分析的BP神经网络对湖北省城镇居民住房需求进行了预测和对比.研究表明基于主成分分析的BP神经网络可作为预测城镇居民住房需求的一种行之有效的方法.最后,提出了进一步研究的展望和建议.     

基于主成分BP神经网络的西部服务业产值预测

文章采用主成分分析和BP神经网络相结合的方法,采用的1978～2005年服务业相关数据和服务业产值为训练数据,通过BP神经网络建立主成分到服务业产值之间的映射关系.将2006～2007数据作为仿真预测数据,进行样本仿真.验证结果表明:文章采用的方法可以较为准确地拟合原始样本,有较高的预测精度,可以对西部服务业产值进行较为准确的预测.此方法具有一定的理论和现实意义.     

上证指数预测模型——基于二次规划最优组合的神经网络方法

文章利用主成份分析构造神经网络输入矩阵;利用Bagging技术和不同神经网络算法生成一组神经网络个体;最后用二次规划最优组合方法,计算各集成个体的最优非负权系数进行组合集成,生成输出结论,以此建立股市预测模型。通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好,易于操作。     

企业内部控制信息披露质量评价模型的构建

文章运用主成分分析和BP神经网络方法,提出了用于衡量企业内部控制信息披露质量的主成分神经网络评价模型.运用主成分分析法对内部控制信息披露质量的系列指标进行降维,选出衡量内控信息披露质量的关键输入指标,并在此基础上运用BP神经网络算法,构建内部控制信息披露质量的主成分神经网络评价模型.     

基于马尔可夫链改进股市的预测精度

为了提高股市预测精度,文章采用马尔可夫链转移概率的分析方法,分别针对宏观三状态和混合状态建立了股市预测模型.利用该模型去分析和预测股指,并对预测精度进行回逆检验.以上证指数为研究对象进行实证分析,结果表明宏观三状态预测模型能够较好地判别上证综指上涨和下跌趋势,混合状态预测模型能够较好地滚动预测上证指数收盘价.     

基于改进型小波神经网络的油价预测

为了提高油价预测的精度,文章运用主成分分析(PCA)的方法对初始数据进行预处理,同时将小波分析与BP神经网络结合构建小波神经网络(WNN),由此得到PCA-WNN预测模型.数值实验的结果表明,相比于传统BP模型和PCA-BP模型,PCA-WNN模型的预测精度更高,稳定性更好,泛化能力更强,是一种更出众的油价预测方法.     

上证指数预测摸型——基于二次规划最优组合的神经网络方法

文章利用主成份分析构造神经网络输入矩阵:利用Bagging技术和不同神经网络算法生成一组神经网络个体:最后用二次规划最优组合方法,计算各集成个体的最优非负权系数进行组合集成,生成输出结论,以此建立股市预测模型.通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好,易于操作.     

基于主成分BP神经网络的油田产量预测研究

文章提出采用基于主成分的BP神经网络来对油田产量进行预测。主成分分析法用于将输入变量维度降低且互不相关;BP神经网络因其自组织、自学习的动力机制实现输入输出空间的非线性映射。以江汉油区为例的研究表明,该方法具备较高的预测精度,在复杂经济时间序列的预测中有一定的应用前景。     

递归预测器神经网络在中国金融市场的实证研究

金融时间序列预测是金融理论领域的研究热点之一。以金融市场中普遍存在的弱混沌为基础,对递归预测器神经网络在中国金融市场的预测应用进行实证研究。在网络训练上,提出用遗传算法优化网络的阈值、权值以及激发函数的幅值和斜率。对国内股票、期货和黄金市场中几个有代表性的品种进行实证检验,计算了预测均方根误差（RMSE）和预测精度（PA）,并和两种典型的神经网络预测模型——BP神经网络、径向基函数神经网络做了比较,结果表明该模型有较好的预测效果。     

基于粗糙集-CPN网络的客户价值预测

利用人工神经网络与粗糙集理论的优势互补,将粗糙集用于优化客户价值的指标结构,CPN神经网络用于预测,提出并建立一种粗糙集与CPN神经网络相结合的客户价值预测模型,并依此模型进行了实例验证。     

基于小波分解的汇率预测模型实证研究

基于人们的预期对汇率的影响及汇率变动中包含不同频率成分的原因,文章采用小波分解和人工神经网络(ANN)相结合的方法建立汇率预测模型,首先将原始汇率数据序列分解为不同频率序列,然后利用ANN方法针对分解后的序列分别建立模型,将每个模型预测的结果相加得到汇率的预测值.实证结果发现:(1)小波分解方法有助于提高汇率预测的精度,表明汇率变动是由不同频率成分组成并且人们预期对汇率变动具有一定的影响;(2)汇率预测中不同的神经网络模型具有不同的性能,在建立预测模型时应该慎重考虑选择的神经网络类型及其参数.     

基于LS-SVM的经济发展水平预测

统计学里的预测问题主要是通过对已知数据的分析,找到输入输出数据内在的相互依赖关系,从而获得对未知数据的预测能力.文章采用遗传算法对模型参数进行优化,构建了基于LS-SVM的经济发展水平预测模型:并对湖北省经济发展水平进行了预测.预测结果表明:相对于BP神经网络预测模型,LS-SVM预测模型有更好的学习能力和预测能力.     

改进型RBF神经网络在股票市场预测中的应用

在研究神经网络算法和主成分分析理论的基础上,针对股票市场的高度非线性特征,结合主成分分析预处理方法,对原始交易数据进行降维,减少数据规模,提出一种改进的RBF神经网络模型对股票市场进行预测.通过实验对比表明,文章提出的模型具有收敛速度快、预测准确度高等特点,应用前景较好.     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

改进粒子群算法优化灰色神经网络预测模型及其应用

文章针对神经网络存在局部最优、收敛速度慢以及大样本等缺点,将改进的粒子群算法、灰色模型和神经网络模型有机结合,构建了改进粒子群优化灰色神经网络预测模型(IPSO-GMNN).并与其他预测模型进行比较,实证结果表明:IPSO-GMNN预测模型能够克服神经网络预测模型的不足,更好地识别时间序列的非线性和突变性特征.在对我国专利授权数量的预测应用中,新模型对非线性时间数据预测表现出更好的预测精度和稳定性.     

基于BP神经网络的个体定税预测模型

本文研究了个体定税预测模型问题。简要介绍了BP神经网络的结构,通过分析影响个体定额定税的主要因素,提出了基于BP神经网络的个体定税预测模型。运用MATLAB7.0对样本数据进行了仿真,结果证明了模型的正确性与适用性,并对该模型进行了分析评价。     

浙江省城市科技竞争力研究——基于神经网络和决策树的对比分析

目前对城市科技竞争力的研究还大多采用加权综合、因子分析、主成份分析、线性回归等方法,上述研究模型缺乏客观性且在处理海量数据时,表现出极大的局限性.本文以2009年、2010年浙江省11个地级市为研究对象,运用BP神经网络模型和CHAID决策树模型分别构建城市科技竞争力预测模型进行研究探索.研究结果表明,两模型对城市科技竞争力的预测评价研究非常有效,但在预测精度上,BP神经网络模型要优于CHAID决策树模型,在此基础上给出了指标变量对城市科技竞争力的重要性程度.     

新阶段沪市波动率预测模型的选择

根据陈浪南把我国股票市场划分为三个阶段的划分理论,选取CSMAR数据库中2000.3.17-2003.12.31之间的上证综合指数收盘价为研究数据样本,分析该指数波动率的特点,从而选取ARCH、GARCH、CARCH-M、EGARCH模型来预测股市的波动性,用三种评估模型包括非对称的LINEX损失函数对这几种预测模型进行综合评价.