基于模糊时间序列模型的股票市场预测

文章针对模糊时间序列模型目前存在的缺乏客观论域划分方法和模糊关系前件单一等缺陷,首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域;其次将数据模糊化后根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后根据序列对比规则计算预测值。将该模型用于股票指数的价格预测和涨跌预测,与传统模型比较的结果表明其预测准确率有了较大提高。     

基于最大熵原理的混沌时间序列预测

混沌理论告诉我们,由于其有对初始条件极其敏感的特性,即使在相当高的观测精度和计算精度下,经过多次演变后,初始信息也完全丧失。因此,通过相空间重构进而对时间序列点具体位置及其值作的精确预测实际上失去了意义。对于一个非线性系统,     

基于混沌时间序列的电力需求短期预测分析

文章通过对电力需求的混沌特征进行分析,建立了基于混沌时间序列的电力需求量的短期预测模型,为实现电力资源综合优化奠定了重要的、较为可靠的研究基础。     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

基于混沌时间序列分析的股票价格拐点预测方法

随着混沌科学的迅猛发展,当前在经济、金融研究领域,对经济、金融系统行为的混沌分析已成为一大热点,由此发展起来的混沌经济学大大增强了经济理论对现实的描述能力。股票价格时间序列是一个受政治、经济、心理等多方面因素影响的离散时间序列,使得股票价格常表现出包括混沌在内的各种复杂现象与行为。这些现象与行为若采用传统的统计学的方法处理往往难以得到令人满意的结果,而若采用混沌的方法处理则非常有效,因而混沌时间序列的建模与预测已成为当今学术界的研究热点。     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

混沌时间序列的支持向量机预测

文章以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取;利用饱和关联维数法进行相空间重构,并运用小数据量法计算最大Lyapunov指数,对时间序列进行混沌特性识别。实例表明,该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度。     

基于改进BP神经网络的时间序列补缺及预测

对BP神经网络的改进方式和网络参数确定进行分析,以青海省各月份经济统计中的时间序列问题为实验对象,分别采用动量项自适应学习率法和LM-BP算法,利用神经网络完成数据补缺及数据预测。该方法无须确立时间序列模型,便捷高效。最后对两种方法的训练情况和实验结果进行了比较和分析。     

石油价格的混沌时间序列加权动态局域预测方法

一、引言在石油价格预测模型或方法方面,国内外学者从不同角度用大量的数学模型和实证分析对石油价格和石油市场进行了深入的研究,形成了各自不同的观点和模型。根据所基于的原理不同,混沌系统的预测可以分为两种不同的形式:(1)直接建立反映目标系统演化规律的非线性模型,如Log     

基于模糊时间序列对我国对外贸易中的进口水平的预测

文章基于模糊时间序列对我国对我国对外贸易中的进口水平进行了预测分析,结果认为:在模糊时间序列分析中,用隶属度加权平均法比最大隶属度法的预测结果更为准确,表明常用的最大隶属度法在进口额即期增量的预测上未必适用.     

基于支持向量机的混沌时间序列预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.文章利用支持向量回归机对时间序列进行了预测,并对模型选择和参数优化进行了研究.仿真试验表明预测结果是合理的,并具有较高的预测精度.     

基于HRM的金融时间序列预测

由于金融时间序列具有复杂、非线性、非平稳性、含噪声等特点,许多传统的线性及非线性方法难以对其进行有效的预测。为此,文章提出将HRM(A Hessian Regularized Nonlinear TimeSeries Model)应用于金融时间序列领域。实验结果表明,HRM具有较好的模型构建能力,拥有较快的计算速率,并且得到了较好的预测结果。     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。     

基于蝙蝠算法SVR模型的北京市二手房价预测研究

传统SVR模型可预测房价变化趋势,但不恰当的参数设置会影响预测的精度。本文针对北京二手房同比价格指数的非线性变化特征,将蝙蝠算法(BatAlgorithm,BA)引入到SVR模型中,使其对模型的三个参数进行优化设置,结合网络搜索数据(Web Search Data,WSD),构建了BA-SVR&WSD混合模型,并给出了该模型算法的预测流程,通过引入多个基准预测模型和预测性能度量指标进行对比研究。研究结果表明：基于蝙蝠算法的SVR模型的具有较好的泛化能力、预测效果更准确且预测精度更高,该预测方法也为北京二手房价格的监测和调控提供有价值的参考。     

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.     

基于样条函数的时间序列预测模型

本文基于B样条函数最小二乘法的非参数回归与时间序列方法相结合,建立了时间序列的预测模型。该方法有较高的预测精确度,可以描述复杂模型,并且用实例进行了分析。     

高频时间序列基于小波分析的预测

高频金融交易数据分析模型从上世纪90年代开始迅速发展,目前已广泛地用于金融市场微观结构理论的应用和实证检验.随着信息技术的不断发展,金融市场逐渐关注于利用高频金融数据的建模方法与理论的研究.但是,目前利用小波分析研究高频数据的文章并不多,而股市变化迅速且信息量巨大,正适合用高频数据的方法采集信息.     

基于时间序列的我国铁路客流量预测

一、引言 　　客流预测技术是交通运输领域的研究热点之一.一般而言,客流预测可分为相关模型预测法和时间模型预测法.相关模型预测法是找出影响客流量的因素,建立客流量和各种影响因素之间的函数关系,得出模型进行预测.在相关模型预测法中,由于影响客流量的因素很多,包括经济发展水平、人口、旅游业和基础设施状况等,而这些因素之间又有错综复杂的关系,从而在自变量的选取上造成很大的困扰.此外,相关因素本身的未来值不确定,需要进行预测,这同样会带来误差.……     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.