基于灰色回归组合模型的铁路客运量预测研究

铁路客运量是衡量我国交通需求的重要指标,科学预测铁路客运量是制定交通发展规划的重要依据。鉴于组合模型能克服单一模型的不足并兼具单一模型的优点,基于灰色模型和线性回归模型,根据灰色关联度赋予单一模型相应权重,建立铁路客运量组合预测模型,并选取2006—2015年铁路客运量数据,对我国铁路客运量进行预测。结果表明:组合模型克服了单一模型的预测局限性,能进一步提高预测精度,适用于铁路客运量预测研究。     

基于多分类器组合的个人信用评估模型

针对个人信用评估单一模型存在的不足,提出一种基于多分类器组合的个人信用评估模型.该模型综合了多元判别分析、logistic回归、神经网络、支持向量机等七种个人信用评估单一模型的预测结果,利用加权投票方法对其进行组合并输出最后预测结果.在某商业银行信用卡数据集上的测试结果表明,组合模型能有效地提高预测精度及稳健性,对信贷机构控制消费信贷风险具有很好的适用性.     

基于灰色马尔可夫组合模型的福州港吞吐量预测

灰色马尔可夫组合模型是将灰色预测模型与马尔可夫模型进行组合优化,通过其对福州港2012-2016年货物吞吐量及集装箱吞吐量进行预测,并利用残差模型检验,证明了灰色马尔可夫组合模型能够解决单一模型的局限性、粗糙性和不稳定性问题,预测精度高,符合事物的发展规律,对业界预测港口吞吐量具有实践意义和参考价值。     

基于VAR和GM组合模型的电力消费预测

组合预测模型较单一模型具有更准确的预测精度,利用中国电力消费1978年~2007年的年度数据,将VAR模型与灰色预测的GM（1,1）、无偏GM（1,1）两种模型有机组合,建立灰色VAR组合预测模型,对2008年~2015年的电力消费量进行预测。结果表明,该模型平均相对误差为4.88%,拟合精度较高,具有较好的应用价值。     

基于BP神经网络的组合预测及在电力负荷的应用

分析了电力负荷预测的意义及预测原理，并以传统方法证明了组合预测的优越性．在经典预测方法线性回归和现代预测方法灰色模型的基础上，通过BP神经网络进行组合预测，分别应用单一模型和以计算机为工具的组合模型对上海市年电荷用量进行预测．通过分析和比较验证了该组合算法的有效性，     

石油价格的组合预测研究

石油价格的预测研究具有重要的意义。近年来的研究表明,组合预测比单项预测具有更高的预测精度。本文提出一种利用ARIMA和神经网络进行组合预测石油价格的方法,结果表明这种方法相对于单一的预测方法具有更高的精度,对于复杂时间序列的分析和预测有很好的应用价值。     

基于CEEMDAN方法和灰色模糊聚类的汇率预测研究

随着国际化贸易进程持续深化,人民币汇率双向波动弹性明显进一步增强,市场预期也进一步分化,如何准确刻画人民币汇率未来走势具有非常重要的意义.模型的预测能力不仅取决于模型设定是否正确,更取决于模型能否将序列数据中蕴涵的复杂信息进行有效提取并予以综合利用.采取分解—重构—集成策略,有效提取汇率序列中不同频次的复杂信息,构建CEEMDAN组合模型对人民币汇率走势进行集成预测.实证研究表明:单一模型的预测能力不如组合模型,而在组合模型中,CEEMDAN组合模型的预测能力明显优于其他模型,能够更好地刻画汇率短期走势.     

基于灰色径向基函数网络的铁路投资规模组合预测

铁路固定资产投资是铁路建设不断发展的有力保证,为准确地预测铁路固定资产投资规模大小及其变化趋势,将GM（1,1）预测模型与径向基函数神经网络有效地结合起来,充分发挥灰色系统的贫乏数据建模和神经网络特有的高度非线性映射能力的双重优势,构建了一种新型的串联非线性组合预测模型。然后,以我国铁路1998—2007年的投资规模实际数据为基础,对“十一五”后半期的铁路固定资产投资规模进行了预测,并分析了预测结果的合理性。研究表明,该组合模型优于任何单一灰色预测模型,能很好地反映铁路固定资产投资规模的变化规律,在小样本、贫信息的奈件下,仍然能得到较合理精准的预测结果。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

汽车销售混合预测方法研究

市场分析和预测已成为企业重要的决策依据和手段。就汽车销量问题提出了一种ARMA模型与RBF神经网络相结合的混合预测方法。采用ARMA模型对汽车销量趋势进行初步线性预测,利用RBF神经网络对线性预测的残差建模,得到非线性预测,两部分预测输出和为总的预测值。该方法既体现了销售量数据间的线性关系, 又揭示了数据内部的非线性特征,克服了单一方法的局限性,提高了预测精度。仿真结构分析表明,该方法预测效果最佳。