基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

基于SVM的人口预测

为了提高人口预测的精度,建立了基于支持向量机的预测模型,并采用此模型对实测数据进行了预测。与FNN组合预测的预测结果相比,建立的新型人口预测模型具有更好的预测精度。     

现金流量预警指标视角下的BP神经网络模型实证检验研究——来自2007—2012年沪深两市ST公司的数据分析

文章针对现金流量指标的国内外研究动态,从财务危机预警角度构建现金流量预警指标体系;并选取2007年-2012年沪、深两市A股79家ST公司及79家非ST公司作为训练样本,用样本公司被ST前1年、2年、3年的数据对指标进行筛选,将BP神经网络模型预警结果与样本的实际结果进行比较。研究结果表明：BP神经网络模型t-1年、t-2年、t-3年的预测精度依次下降,但t-3年财务预警模型对训练样本的预测精度仍能达到79．22％,对检验样本的预测精度也能达到78％。     

基于GMDH神经网络法的中小板上市公司ST分类预测研究

预测上市公司的上市状态对投资者与其他利益相关者至关重要.选取2019年1月1日至3月31日我国中小板116家上市公司的86个财务指标数据,运用GMDH神经网络法对ST公司和非ST公司进行分类预测,预测正确率达到78.26％.进一步采用1:1配对原则(43家ST公司和43家非ST公司)对中小板上市公司进行ST分类预测,预测正确率大幅提高,达到88.24％.由此发现,基于GMDH神经网络法的中小板上市公司ST分类预测具有较好的预测表现.     

SMOTE混合抽样对非平衡数据分类效果的影响分析

本文旨在研究对非平衡数据建模时,SMOTE过抽样和随机欠抽样的不同比例对模型预测效果产生的影响。首先基于模拟数据,探究了混合抽样比例的不同组合下,带有LASSO变量选择的逻辑回归模型对于非平衡程度不同数据的分类效果。模拟结果表明,过抽样和欠抽样的比例越高,预测效果越好,但是在某些情况下,直接使用原始数据进行建模,选取一个合适的临界值,可以得到更理想的分类模型。通过对某担保公司的数据实证研究发现,前述结论基本成立,且当原始数据极不平衡时,采用混合抽样方法进行数据预处理可以有效提高模型的预测效果,这对于非平衡数据的建模分析过程有一定的指导意义。     

基于支持向量机的养老保障满意度 非线性模型

目前对养老保障满意度的研究所采用的统计方法,都是基于养老保障满意度与影响因素之间的线性关系,且未对所建模型进行检验及理论预测。由于事物之间关系复杂,变量之间往往呈现非线性关系。采用支持向量机算法结合粒子群优化算法,建立养老保障满意度非线性模型。用于研究的养老保障满意度样本数为8 339份。结果显示,基于支持向量机的分类模型对养老保障满意度预测精度高于76%,预测性能优于二元逻辑回归预测结果。表明养老保障满意度与受教育程度、受教育满意度、家庭经济状况满意度、总体生活满意度、对社会总体评价等5个影响因素之间存在非线性关系。因此,应用支持向量机算法建立养老保障满意度非线性模型是可行的。     

保险业财产损失分布的拟合及预测——基于RBF神经网络的应用分析

依赖传统的损失分布理论,财产损失分布模型拟合的优劣往往取决于经验分布函数的选择和参数的确定.由于财产损失信息的不完整和损失数据的不充分,经验分布函数的选择有时会出现较大偏差,难以保证损失分布模型较好的拟合性和有效的预测性.为改进测算效果,采用径向基神经网络,在对原始数据进行平滑处理的基础上学习与训练,进而设计未来财产损失测算模型、选择现实数据模拟并进行实证分析.研究结果表明,RBF神经网络用于财产损失分布的拟合及预测具有良好的适用性,而且随着训练样本.数量的增加,模拟值逐渐逼近真实值;RBF人工神经网络建立的模型,能够很好的将财产损失中的非线性关系描述出来,并且随着观察数据的不断更新,所建立的非线性模型与实际系统更加接近,使得非线性模型能够取得比线性模型更加良好的模拟预测结果.     

Stone—Geisser检验在顾客满意度中的应用

偏最小二乘法（PLS）模型对数据没有做任何的分布假设，因此基于分布假设的统计检验方法无法实现对PLS模型预测效度的度量。采用非参数检验方法——Stone-Geisser检验，通过盲目（Blindfold）过程进行预测效度的度量。使用MATLAB软件实现了两种Stone-Geisser检验——公因子方差检验与冗余检验。在地税部门顾客满意度应用中，Stone-Geisser检验结果与PLS模型其他结果保持内在一致，从而表明检验方法是有效的。因为Stone-Geisser检验基于交叉验证技术，因此非常适合作为PLS模型的基准检验方法。     

中国上市公司未来收益预测的实证研究——贝叶斯动态模型及其预测

预测上市公司的未来收益是投资者、证券商、债权人和管理层所关注的问题.国内外的一些实证研究结果表明上市公司定期公布的财务报告中包含关于公司未来收益变化的信息.基于此,利用中国上市公司年报中的信息,采用贝叶斯动态回归模型对公司未来收益的变化进行预测,并将其结果与静态回归模型的预测结果进行比较,认为贝叶斯动态回归模型的预测效果在一般情况下优于静态回归模型,但要取得更好的预测效果还有待于更多的数据积累,同时还应考虑宏观经济环境变化的影响.     

基于灰色理论和回归分析的中长期电力负荷组合预测研究

本文建立基于灰色预测和多元回归预测的电力负荷组合预测模型,结合实例,对组合预测模型的预测结果与单独采用灰色预测、线性回归模型预测的结果进行了分析和比较。     

基于区域经济指标的区域物流需求PCR预测研究 ——以江苏省为例

为研究区域经济与区域物流之间的相互依赖关系,建立有效的预测模型进行预测,对有关职能部门制定发展战略十分必要.基于区域经济与区域物流关系的分析,利用江苏省2005-2019年相关经济指标的面板数据,选择与区域GDP相关系数较大的货运量来表征区域物流需求的规模,基于强相关性等原则构建了影响物流需求的经济指标体系,运用SPSS统计分析软件建立基于区域经济指标的区域物流需求的主成分回归(PCR)预测模型,对模型进行检验,可决系数值表明模型的拟合优度好;通过趋势外推法(TE)建立江苏省区域经济各指标的预测模型,将预测数据代入PCR模型进行2020-2024年江苏省货运量预测,能够为区域经济和区域物流发展提供有价值的决策参考.     

基于GM（1，1）模型的大连市入境旅游发展研究

作为区域旅游业发展研究的一项重要内容,旅游指标建模与预测研究起始于20世纪60年代,已成为旅游研究的热点之一。基于灰色系统理论,以大连市2000--2009年入境旅游统计资料为原始数据,建构旅游指标GM（1,1）灰色预测动态模型并进行模型精度检验;对预测结果分析表明,模型预测结果与实际数据基本一致,进而利用该模型对大连市2011—2015年入境旅游指标进行预测;最后,提出大连市入境旅游可持续发展对策。     

基于房屋普查数据的震害预测方法

提出了一种利用人工神经网络模型并以房屋普查数据为震害影响因子的震害预测方法.以建筑物的结构类型、层数、高度、建设年代、用途、现状质量等几个简单参数对城市、建筑物进行分类,并在此基础上进行建筑物的震害预测工作.根据震害因子的选取及网络对样本的训练效果建立一个人工神经网络模型,通过此模型对震害实例的预测结果进行分析,证明了此模型的实用性.利用房屋普查数据进行震害预测工作为研究快速震害预测方法提供了一个新的思路.     

基于BP神经网络的税务稽查研究

税务稽查实质上是一个分类问题,可以通过BP神经网络进行数据挖掘的分类和问题预测.在分析BP神经网络原理的基础上,利用税务系统中的纳税人申报数据,建立基于BP神经网络的分类模型,对纳税人进行诚实纳税和非诚实纳税的评估、分类.模型分类准确度达到预期效果,表明该方法能够提高税务稽查部门的工作效率和效果.     

基于ARIMA模型的煤炭消费量预测

科学地预测煤炭消费量可以为规划煤炭生产和煤炭供给提供强有力的数据支持,根据1982-2010年湖南省煤炭消费量数据建立ARIMA模型,并对2013-2015年的煤炭消费量进行了预测.研究结果表明:ARIMA(1,1,3)模型的预测效果良好,2005-2010年平均预测误差仅为4.00％,达到了最佳最小方差的预测效果;湖南省煤炭消费量在2013-2015年将继续出现上涨趋势,但增速会有所回落.     

福建省社会消费品零售总额的预测

以2004年1月至2010年12月福建省社会消费品零售总额月度数据为样本,建立了时间序列季节模型和单整自回归移动平均(ARIMA)模型,并分别应用它们对2011年各月的指标值进行了预测。在此基础上进行组合预测,得出了2011年1-12月福建省社会消费品零售总额的预测值。预测结果对更好地引导消费具有重要作用,模型建立的过程和方法能为相关研究提供借鉴。     

基于LSTM与时空结合的共享单车站点需求量预测

由于不同站点的车辆需求存在着时空分布不均衡现象,特别是早晚高峰期人流量大和车辆使用量波动性大的站点,以往的基于历史系统出行数据、时间和天气数据进行预测的模型预测性能下降.为此,本文提出了一种基于LSTM与时空结合的方法对不同类型站点的车辆需求量进行细粒度预测,并与HA、BP神经网络和GBDT模型的预测结果进行比较.实验结果表明,在加入时空结合特征后,LSTM模型针对借还车辆较大和波动性大的站点预测误差小,能够很好地在站点需求量变化大时跟踪其变化趋势.     

基于正弦变换和背景值优化的灰色GM(1,1)模型研究

对传统GM(1,1)模型进行误差分析,基于正弦变换和误差最小化原理对初始条件和背景值进行改进,建立了优化GM(1,1)模型。为了比较与传统GM(1,1)模型的优劣,选取2005—2015年我国水产品总产量数据,基于传统GM(1,1)模型和优化GM(1,1)模型分别对水产品总产量进行预测。实证研究表明:优化GM(1,1)模型在预测相对误差方面有明显改善,极大地提高了灰色模型的预测精度。     

运用基于数据包络分析的交互式预测方法进行财政预测

对基于数据包络分析法的预测方法进行简化,并将数据包络分析法与交互式方法相结合,得到基于数据包络分析的交互式预测方法.基于该方法得出的预测结果,不仅是技术有效的,同时也是规模有效的.最后利用该方法对财政政策的有效预测进行了实证分析.     

几个基本Hilbert型不等式的统一推广

通过引进多个参数,构建一个第一象限内的非齐次核函数,并由此建立了具有最佳常数因子的Hilbert型不等式.通过简单的变量替换,把非齐次型的Hilbert型不等式演化为齐次型.通过对参数赋值,并借助余切函数的有理分式展开,得到最佳常数因子与余切函数高阶导数关联的Hilbert型不等式,推广了若干基本的Hilbert型不等式和一些经典结果.