基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

基于MATLAB的BP神经网络模型在地震预报中的应用

根据人工神经网络模型,运用MATLAB的神经网络工具箱建立BP神经网络预测模型,以地震变化率作为神经网络的输入,对台湾地区和四川地区地震数据时间序列进行分析对大地震的发生时间进行预测。实验证明该模型用于地震预报的有效性和可行性,具有良好的应用价值。     

基于时空相关性和遗传小波神经网络的路网短时交通流预测

根据城市路段交通流在时间维度的变化规律和在空间维度的分布特征,以及智能算法对交通流数据的较强适应性和降噪能力,提出了基于时空相关性和遗传小波神经网络(GA-WNN)的路网短时交通流预测。首先,分析了路网交通流的时空特性和数据特征,建立了适用于交通路网的空间邻接矩阵;其次,以时空相关性函数量化不同时间延迟下路段与周边相邻路段交通状态之间的影响程度,并将其作为交通流预测模型输入变量的判断指标,结合遗传算法的全局搜索及小波神经网络的自适应学习优点构建了交通流预测模型;最后,通过实例验证表明,基于GA-WNN的交通流预测方法比其他方法更有优势,对比单一时间序列和空间序列预测方法,考虑了交通流时空相关性的预测方法能提高短时交通流预测精度。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于BP神经网络误差修正的ARIMA模型对河北省入境游客量的预测

分析了影响河北省入境游客量的因素,如旅游资源、区位、管理和营销能力等,在此基础上,对入境游客量的时间序列预测方法及回归分析预测方法等做了比较分析,提出运用ARIMA时间序列方法预测河北省入境游客量,并利用BP神经网络方法完成对河北省入境游客量预测数据的误差修正,得出符合河北省实际的入境游客量预测模型,预测的结果表明所得基于BP神经网络误差修正的ARIMA模型是可行的、有效的,得出的河北省实际入境游客量是比较准确的、合理的.     

基于BP神经网络的建设工程造价预测方法

阐述了神经网络的基本概念、基本结构和算法原理,建立了基于BP神经网络的工程造价预测模型,并根据模型结合MATLAB神经网络工具箱对程序进行设计,最后通过案例分析对其具体应用作了详尽阐述。研究表明使用BP神经网络来进行工程造价预测是完全可行的。     

基于ARM与多模型实现的试运线列车超速防护系统

针对试运线列车运行的安全性与停车准确度的要求,提出一种基于ARM与多模型实现的列车超速防护系统。通过车载设备传感器采样时间序列数据,并将其进行小波去噪,从而得到基于傅里叶模型的目标跟踪运行曲线。设计以模糊神经网络为动态预测模型的速度控制器,利用预测控制的滚动优化与误差矫正特性增加速度控制器在不同运行环境下的鲁棒性。为加快模糊神经网络的训练速度,将改进型粒子群模糊聚类算法的聚类结果作为模糊神经网络的前件规则构建参数。以中车试运线数据为例对其进行仿真,并通过基于曲线面积误差的评价指标对全局速度下的停车精确度进行分析。仿真结果表明:所提出的以傅里叶模型作为目标函数实现的基于模糊网络的预测控制策略具有明显的优势。     

基于EMD-BP神经网络的我国棉花期货价格预测方法研究

为提高非线性和非平稳性的棉花期货价格的预测能力,该文采用基于EMD的BP神经网络预测方法,对原始序列进行分解,产生多个平稳序列imf,然后对每个imf进行预测,把预测结果相加得到原序列的预测值。实验结果表明,基于EMD的BP神经网络预测方法优于单纯BP网络预测。     

基于EMD的神经网络股价预测方法

股价波动具有复杂、非平稳、非线性等特点,传统经济模型难以对其进行准确预测。文章将机械工程领域用于分解复杂信号的EMD算法嵌入神经网络模型建立了基于EMD的神经网络股价预测模型,并通过检验该模型有效性以及将该方法的预测效果与小波神经网络预测方法的预测效果相比较,得出该方法是优于小波神经网络预测方法的最佳股价预测方法的结论。     

基于时间序列分析的股价预测

基于收盘深发展股票价格的实际数据资料,通过对实际样本数据的预处理,确认股票价格序列为平稳非白噪声序列的基础上,利用SAS/ETS软件,采用ARMA方法,建立时间序列预测模型。应用的结果表明：本预测模型考虑了各种随机因素的影响,与实际状况有较高的吻合度,对动态数据进行预测是可行的,对于经济统计预测有一定的实用价值。     

基于遗传神经网络的股价波动预测

对价格、成交量特征样本序列分别进行小波包分解,将其小波包系数单支重构能量值共同作为样本波动的本质表征,结合遗传神经网络进行股票价格波动预测。对沪市股票上海汽车(600104)、宝钢股份(600019)进行实证研究,结果表明,该模型具有收敛速度快和预测精度高的特点。     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于进化神经网络的304不锈钢车削加工表面粗糙度预测

表面粗糙度是衡量加工零件质量的重要指标之一,对表面粗糙度进行提前预测有利于提高加工质量。课题组采用正交试验方法进行了YG8硬质合金刀具干式车削304不锈钢棒料的实验,得到不同切削条件下的表面粗糙度。由于BP神经网络的算法预测精度不高而且容易陷入局部极小值,利用遗传算法的全局搜索能力优化BP神经网络的结构和初值,建立基于进化神经网络的表面粗糙度预测模型。结果表明：进化的BP神经网络模型有效地克服了BP神经网络容易陷入局部极小值的缺陷,实现了表面粗糙度的精确预测。     

小波包与混沌集成的股票市场预测新方法

基于小波包变换和混沌理论提出了一种股票市场建模及其预测的新方法,既能刻划时间序列的规律,又能捕捉混沌状态的特征。首先,应用小波包变换对上证综指和深证成指日收益率序列进行三层分解,分别得到第三层从低频到高频八个频率成分的时序,并在此基础上作进一步分析,结果表明中国股市存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,分别对八个时序进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。与现有方法比较,该方法具有较高的精度和较大的应用范围。     

基于合作对策的股指时间序列智能组合预测研究

针对我国股市呈现出非线性、大幅度、频繁波动的特征,提出一种基于合作对策的股指时间序列智能组合预测方法,利用改进GRACH方法从时间关联性的角度辨识股指时间序列;同时利用神经网络方法从多种经济指标之间的相关性出发,建立股指时间序列预测模型,同时引入合作对策方法,对两种预测方法进行组合。实证分析结果表明,采用本算法能够有效地将预测精度控制在2.68%以内,同时在RMSE、MAPE和F三项指标上,较单一模型有极大提升。     

免疫进化算法和神经网络在建立财政收入预测模型中的应用

通过对历史数据的数学处理,采用人工神经网络的方法建立财政收入预测模型。针对前向网络BP（Baek-propagation Algorithm）算法——梯度下降搜索方法的不足,提出用免疫进化算法来训练BP模型网络参数。利用福建省1990-2004年的财政收入数据建立神经网络预测模型,并用2005、2006年的数据进行预测预报检验。结果表明：采用免疫进化算法建立的神经网络财政收入预测模型,模拟和预测精度高,具有实际应用价值。     

基于模糊分类变系数的铅锌烧结过程综合透气性状态预测

针对铅锌烧结过程的强非线性、时变等特点,运用智能集成建模的思想,提出一种模糊分类变系数透气性状态预测方法。首先深入机理分析和工况参数相关性分析研究,采用神经网络方法建立工艺参数和时间序列透气性预测模型;然后借助于模糊组合器实现两个子模型的有机组合,设计了模糊分类变系数综合透气性集成预测模型结构,其中加权系数由工况波动程度确定。运行结果表明:提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果,该模型具有一定的灵敏度和鲁棒性。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

新常态经济的CPI预测模型——构建与实证比较

本文基于新常态经济发展背景研究了居民消费价格指数(CPI)的预测模型,采用传统的方法和机器学习方法进行预测和对比分析,包括普通最小二乘回归、LASSO回归、岭回归、时间序列预测方法、神经网络、随机森林和支持向量回归。结果表明,神经网络的预测结果明显优于传统的回归方法和时间序列预测方法,而且也同样优于支持向量回归方法和随机森林方法。此外,在引入集成学习方法进行综合后,各模型的预测精度进一步提升。     

一种基于预测模型的网络安全风险实时预测方法设计

精确的网络安全风险预测能够动态地降低网络入侵的风险,还有助于提高网络稳定运行的效率。作为信息安全的一个关键组成要素,传统的网络安全风险预测对网络资源的风险值评估是静态的,存在安全风险动态预测偏差较大的问题。因此,为了提高网络安全风险实时预测的准确性,提出了一种基于预测模型的网络安全风险实时预测方法。该方法首先根据网络攻击序列和安全形势评估构建预测模型,然后将小波神经网络预测算法应用于攻击强度观测序列的数据分析,并选取Morlet小波函数作为激励函数。仿真实验结果显示:相比其他预测方法,提出方法具有更高的网络安全风险预测准确性。