组合模型对统计数据准确性检验的适用性研究

文章以GDP数据的准确性为例,根据Cramer分解定理的基本理论对我国GDP数据时间序列建立了确定性趋势模型,对模型得到的平稳残差序列拟合ARMA模型;将两种模型组合起来对我国GDP数据进行预测,用预测值代表"真值",考察了预测值与观察值之间的差异;用异常值检验法对2001～2007年我国GDP数据的准确性进行了检验和分析,证明了组合预测模型在统计数据准确性检验中的适用性总体上不强,并提出了模型改进应用的思路.     

基于ARMA-ARCH的GDP组合预测

本文分析了四川省GDP发展趋势,建立了四川省GDP的ARMA预测模型。然后分析了企业景气调查数据和传统统计数据的差异,指出了企业景气调查数据在经济预测中的优点,并在此基础上建立了基于企业景气调查数据的ARCH预测模型。最后利用前面两个模型的预测结果构建了基于BP神经网络的ARMA-ARCH组合预测模型。     

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素.又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值.运用BP神经网络模型对1995-2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入.     

我国GDP时间序列的模型建立与预测

本文利用统计软件对我国1952年到2005年的实际GDP时间序列数据进行了分析,分别建立了ARMA模型和Holter-Winter非季节短期预测模型,并对2006年到2010年的全国GDP进行了预测。结果表明两个模型都有很好的预测效果。     

基于组合预测模型的GDP统计数据质量评估研究

准确可靠的统计数据是把握经济运行情况、进行科学决策的基础.以我国GDP数据的准确性为例,选取1985～2010年间的数据作为样本,根据时间序列自身的变化特点,分别拟合灰色预测模型、回归组合模型和双指数平滑模型.在模型通过统计检验、具有良好统计预测能力的基础上,构建基于误差绝对值和最小的组合预测模型对我国GDP数据进行预测,所得预测值代表“真值”,再从异常值的角度对我国GDP数据的准确性进行分析,结果表明组合预测模型在统计数据准确性检验中较高的实用价值,值得进一步研究.     

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。     

基于小波神经网络的经济预测研究

本文通过小波变换和神经网络的结合,建立了相应的小波神经网络经济预测模型.该模型克服了传统时间序列预测模型只能进行线性预测,避免了一些BP神经网络的固有缺陷.     

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.     

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.     

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.     

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.     

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。     

基于灰色神经网络的第三产业发展趋势的预测模型

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确的进行第三产业的预测,从多角度选取指标利用信息墒理论合成综合指标,建立灰色神经网络对其进行预测,实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

基于混沌PSO优化BP神经网络的碳价预测

随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。     

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的甘肃省国际旅游客流量预测

旅游客流量是决定旅游业经济效益持续发展的重要因素,游客流量预测也因此成为旅游发展规划的重要内容.文章基于最小二乘支持向量机(LS-SVM)算法,建立了一种新的旅游人数预测模型,对甘肃省2007年的国际旅游客流量进行预测.并将其结果与神经网络模型预测结果相比较.结果表明,基于LS-SVM的游客预测模型能较准确对旅游人数进行预测,并且避免了如神经网络由于陷入局部最优而过学习的问题.从而为客流量预测提供一种新思路与方法.     

油田产量的最优加权组合预测方法

文章利用因子分析法,对影响油田产量的多个因素进行分析.最终用较少的变量代替原来各因素.然后基于BP神经网络方法和多元回归预测方法,建立最优加权的组合预测模型.对油田的产量进行预测.经验证,组合后的模型比单一模型预测效果更好,对实际生产有一定的指导意义.     

基于情感分析的旅游客流量多尺度组合预测模型

文章提出了一种基于在线文本情感分析的旅游客流量多尺度组合预测模型。首先,用Python爬取客流量历史数据和旅游网站的评论并对其进行预处理,并使用Snownlp情感分析计算处理后的评论情感值作为客流量的影响因素;其次,将客流量和评论情感值分别用互补集成经验模态分解分解为不同的本征模函数,并用样本熵将其重构为高频、低频和趋势序列;然后,用反向传播神经网络、支持向量机和长短期记忆神经网络模型分别对高频、低频和趋势序列进行预测;最后,把三种方法的预测值相加即可获得最终预测结果。以四姑娘山风景区为例进行实证分析,结果显示所提模型能很好地提高客流量的预测效果,具有应用价值。