基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

最优气候均态模型在年均气温预报中样本量的确定

最优气候均态模型(简称OCN)是制作温度预报的一种有效方法.文章以西安、延安两地1951～2004年(其中2001～2004年为预报年)的年均温历史资料为依据,通过设置不同的样本量对该模型进行了检验,结果发现:最优气候均态模型在预测年均气温时,若设定实验样本量,以此确定基本统计样本量,与习惯操作取基本统计样本量相比,西安和延安两地的平均绝对误差分别减小1.0℃和0.9℃;平均相对误差分别减小6.6%和8.4%.预报精度有一定的提高.     

基于灰色反馈修正的长期预

对于总体趋势增加的原始数据,用灰色动态模型GM(1.1)进行长期预测时,预测值往往偏高,当时间趋向无穷时,预测值将趋向无限大.为了解决这个问题,我们在建模方法上作了改进,提出了一个灰色反馈长期预测模型,简记为LGM(1.1),用此模型对河北省某地粮食产量进行了实验性预测,预测精度较好.     

基于粗糙集的组合预测方法在粮食产量预测中的应用

粮食产量是国民经济发展一项重要指标,对粮食产量的预测,目前多采用组合预测的方法.在组合预测中单一预测模型的选择和组合系数的确定是两个至关重要的问题,本文基于粗糙集理论构建了一种新的组合预测模型,这种方法计算简单,无需建立数学模型,完全通过数据驱动.算例显示这种方法不但明显优于传统的最优组合预测方法,还优于先进的神经网络组合模型,在实际的粮食产量预测问题中有着广泛的应用前景.     

有限数据下Lee-Carter模型在人口死亡率预测中的应用

Lee-Carter模型是当今世界上最流行的死亡率建模与预测模型,传统的Lee-Carter模型在样本量很大时才能得到较好的效果,而中国的死亡率数据量较少,且部分年限的数据缺失,从而难以达到较好的预测效果。本文基于Li等(2004)提出的有限数据死亡率建模方法,同时考虑样本量不足的影响,采用韩猛等(2010)提出的“双随机过程”建模,构建了有限数据下中国人口死亡率的预测模型,并用于对未来死亡率变动趋势和人口寿命的预测,最后将预测结果与保险公司采用的死亡率改善因子以及社会养老保险个人账户中采用的计发月数进行对比分析,给出了若干相关结论和有关死亡率风险管理的建议。     

基于信息准则的最优组合预测小样本改进模型

在对样本量小且波动大的变量进行预测时,最优组合模型往往容易出现过拟合问题而导致预测效果不佳.借鉴信息准则中对过拟合问题的处理方式,结合等权组合在预测实践中的良好表现,通过在最优组合模型的目标方程中增加向等权收缩的惩罚项,建立了最优组合预测小样本改进的二次规划模型.最后通过实例,用最优组合预测和其他常用组合预测方法结果的比较,说明了该方法的可行性和有效性.     

空间误差分量模型的Bootstrap LM检验

空间误差分量模型(Spatial Error Components,SEC)传统的空间相关性LM检验存在严重的水平扭曲和较低的检验功效,导致检验统计量失效.文章将Bootstrap方法应用于SEC模型的空间相关性LM检验,提高检验统计量的有效性.Monte Carlo模拟实验表明,Bootstrap LM检验的水平受误差项分布、空间权重矩阵和样本量影响较小,并且远优于渐近LM检验,具有理想的检验水平;渐近LM检验和Bootstrap LM检验的功效均随着空间相关性的增强,及样本量的增大而增大,但Bootstrap LM检验在各种情形下均具有更高的检验功效,尤其是样本量较小时.简言之,Bootstrap LM检验是SEC模型更为优越的空间相关性检验方法.     

灰色GM(1,1)模型背景值计算的改进

基于灰色系统理论建立的动态预测模型,称为灰色预测,其中应用最广泛的是GM(1,1)序列预测模型。自20世纪80年代邓聚龙教授提出以来,由于其所需样本量少,计算简便等优点,已被广泛应用于社会、经济、生态、农业等各个领域。为了扩大GM(1,1)预测模型的适用范围和预测精度,许多学者做了大量的工作,这些研究工作有对数据进行处理的,也有改进求解模型中参数和计算方法的。     

基于AM残差修正的GM(1,1)模型的用水量预测

一个城市的总用水量预测是该城市防洪防灾的重要依据,文章以灰色预测理论为基础,运用AM(简单滑动平均)残差来修正GM(1,1)模型,对北京市年总用水量进行预测,并与传统的GM(1,1)模型预测结果进行比较.结果表明:修正的GM(1,1)模型比传统的预测精度大大提高,具有可行性与实用性,该模型对未来城市总用水量预测具有重要的理论和实践意义.     

敏感问题乘法模型的RRT分层三阶段抽样最优样本量设定

文章研究数量特征敏感问题的乘法模型在随机应答技术(RRT)分层三阶段抽样方法下的最优样本量的问题.根据RRT分层三阶段抽样方法给出数量特征敏感乘法模型的调查设计方法,计算出总体均数的估计量及其方差.应用拉格朗日乘数法,给出了两种情况下的最优样本量,一是抽样误差限定而调查费用达到最小情况下的最优样本值,二是调查费用限定而抽样误差达到最小情况下的最优样本值.并计算出抽样误差一定时最小的费用及费用一定时最小的抽样误差.     

RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

居民消费价格指数的GM(1,1)模型预测

影响居民消费价格指数(CPI)的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,CPI变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过创建CPI的GM(1,1)模型,并对该模型可用性进行了验证;在验证通过的情况下进行了CPI的模拟及预测.事实证明,使用GM(1,1)模型来预测CPI未来的走势,且具有较高的预测精度.     

基于等维新息递补GM(1,1)幂模型的GDP预测

针对灰色模型在GDP预测中精度较低的问题,文章提出一种基于等维新息递补GM(1,1)幂模型的预测方法.为反映数据的非线性特征,在GM(1,1)模型的基础上引进拓展的非线性GM(1,1)幂模型;进一步利用最新信息优先的原则,建立等维新息递补灰色幂模型.将改进的模型应用到我国“十三五”时期GDP的预测中,验证了此模型在拟合和预测上的优势.     

灰色预测方法的应用

影响二手船价格的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,二手船价格变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过建立基于灰色预测理论的二手船价格的GM(1,1)模型,并利用该模型进行了二手船价格走势的模拟及预测.事实证明,GM(1,1)模型适合用来预测二手船价格未来的走势,且经过检验,具有较高的预测精度.     

农业补贴政策传导的多维效应测度

文章基于湖北省2000-2014年的粮食产量、农民人均纯收入以及农业生产总值的数据资料,运用GM(1,1)模型测度农业补贴政策传导的多维效应.结果表明,农业补贴政策传导后,湖北省粮食产量、农民人均纯收入以及农业生产总值的实际值与预测值之间的负误差越来越小,并逐步变为正误差且正误差越来越大,从而说明农业补贴政策传导的效应是积极的.     

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.     

FAR(p)与指数平滑的组合预测算法

一、引言 梅炽、姚俊峰等在<粗铜冶炼中铜铳品位的动态预测模式>一文中(见中南工业大学学报,2000,31(1):34-36)和邵义元在一文中(见鄂州大学学报,2002,9(4):38-39)提出了一种对铜统品位进行预测的方法,即以采集的现场数据为基础,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型.并将两种模型按最小二乘原理,以组合预测误差平方和为目标函数,通过使误差平方和极小化来确定两种预测方法的最优加权系数,建立一种新的组合模型,其预测误差最小.结果表明,在当时数据下,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高.本文在此基础上,对AR(p)与指数平滑组合预测模型做了改进,将AR(p)模型中的时间序列模糊化,便成为模糊时间序列,进而建立模糊时间序列AR(p)模型,即FAR(p)模型.从而提出一种新的组合预测模型--FAR(p)与指数平滑组合预测模型.最后将两种组合模型用于预测油田产油量,结果表明,FAR(p)与指数平滑组合预测模型比AR(p)与指数平滑组合预测模型有更高的预测精度.     

基于粗糙集理论与支持向量回归的预测模型

文章将粗糙集与支持向量回归有机结合起来,建立了一种基于粗糙集数据预处理的支持向量回归模型,有效地克服了支持向量回归对样本属性重要性不加区分以及处理大量数据时运算速度慢等缺陷,并将该模型成功地应用到我国粮食产量的预测中,取得了较好的预测效果。     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

傅立叶级数修正的灰色幂模型的小麦蚜虫量预测

小麦蚜虫发生量的动态预测对于其防治工作有着重要的指导作用,但很少有文献对蚜虫量预测进行深入研究.文章首次提出一种基于傅立叶级数修正的灰色幂模型(GM(1,1)幂模型)的小麦蚜虫量预测方法,对蚜量进行动态预测.以江苏海安县小麦蚜虫量为实例,详细阐述了模型的建模和预测过程,并验证了提出的方法能够达到令人满意的预测精度.