共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
为了研究几种组合预测方法的预测效果,文章首先利用GM(1,1)、BP神经网络、支持向量机(SVM)三种单一预测方法对2008年的上证工业股指数、上证商业股指数、上证地产股指数、上证公共事业股指数作了预测,然后分别利用最优权重线性组合预测模型、基于SVM和基于BP神经网络的非线性组合预测模型对上述股指作了预测.通过对各种预测方法的预测效果进行对比分析,发现:在进行组合预测时,选择其中预测效果最好的一种方法作为二次组合预测的模型可以大大提高组合预测的效果. 相似文献
3.
4.
为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度. 相似文献
5.
针对GM(1,1)幂模型灰微分方程与白化方程无法匹配的缺陷,以灰微分方程的重构为基础,建立无偏GM(1,1)幂模型。该方法使得差分方程的参数与其在微分方程中对应的参数具有更好的一致性。将无偏GM(1,1)幂模型应用到旅游客源预测中,实例应用结果显示无偏GM(1,1)幂模型预测精度高于GM(1,1)模型。 相似文献
6.
针对财政收入及其影响因素原始数据呈随机性、非线性变化,两者之间具有非线性相关关系的特点,文章在分析RBF神经网络和无偏GM(1,1)模型两者建模优点的基础上,结合回归分析思想,提出了基于灰色RBF神经网络的多因素财政收入预测模型;并以安徽省财政收入数据作为检验样本对所建模型进行检验. 相似文献
7.
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. 相似文献
8.
灰色系统预测方法及应用——基于我国私人汽车拥有量的预测 总被引:1,自引:0,他引:1
本文讨论了灰色模型GM(1,1)及其GM(1,1)修正模型在我国私人汽车拥有量预测中的应用,比较两种模型的预测结果,提高了预测精度,并对方法的应用进行评价。 相似文献
9.
长期负荷预测在电网发展规划编制中占有重要地位,而其关键是数学模型的建立,灰色模型是一种较好的预测方法,但传统的灰色预测精度不够好.文章分析了一种改进方法,开次方优化无偏GM(1,1)模型,其首先对原始数据进行开次方处理降低预测模型的模型系数,再对模型系数进行优化修正后进行无偏预测.实例分析表明,本改进方法比较大地提高了预测精度,其中开三次方时预测精度最高,未来教年的用电量预测结果可为编写电网发展规划提供重要的参考价值. 相似文献
10.
文章分析了灰色GM(1,1)模型的缺陷即白化响应式并不是灰微分方程的真正解,以pGM(1,1)模型白化响应式等于灰微分方程的真正解为条件,并由其背景值构造式推导出了权值p的精确表达式.由于p值不是有限小数,因此其取值精度对预测精度有影响,基于指数序列分析了p值的取值精度对预测结果的影响. 相似文献
11.
12.
为提高GM(1,1)模型的预测精度,针对GM(1,1)模型的特点,提出了将遗传算法与LS-SVM算法融合对GM(1,1)模型中的参数估计方法进行改进.该方法首先根据GM(1,1)灰色差分方程的特点,构造以背景值序列和原始序列为训练样本的灰色LS-SVM模型,将GM(1,1)模型参数的估计问题转化为灰色LS-SVM模型参数的估计问题,然后利用遗传算法对LS-SVM自身的参数进行寻优预处理,再对经过优化参数的灰色LS-SVM,依据LS-SVM算法求解回归参数,进而得到GM(1,1)模型的参数估计.将改进的GM(1,1)模型用于实际的经济预测问题,并与传统的预测方法进行比较,结果表明,方法是可行的且有效的. 相似文献
13.
14.
居民消费价格指数的GM(1,1)模型预测 总被引:2,自引:0,他引:2
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. 相似文献
15.
16.
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。 相似文献
17.
文章介绍了ARMA、GM(1,1)模型并建立了ARMA-GM-BP组合预测模型;通过对中国2005~2013年(DP的预测和检验,表明该组合预测模型的拟合及测试效果比单独利用ARMA、GM(1,1)模型的效果有很大改善;最后运用ARMA-GM-BP组合预测模型,对中国2014年、2015年的GDP作出了预测. 相似文献
18.
为了提高GM(1,1)模型的精度和适用范围,文章同时在两方面对累积法GM(1,1)模型进行了改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式进行预测计算.分析结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用于高增长序列,拓广了GM(1,1)模型的适用范围. 相似文献
19.
20.
文章以中国大陆30个省份为研究对象,以各省能源消费和经济增长总量为基础,通过建立模拟能源消费和经济增长的灰色预测GM(1,1)模型,实证测算了各省份“十二五”期间单位产值能耗的节能潜力、节能总量及对全国总节能量的贡献. 相似文献