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。     

基于随机波动的资本市场混沌行为研究

随机波动模型能很好地描述金融市场的诸多波动现象。本文通过对基于Taylor的离散的随机波动模型进行动力学的稳定性分析,得出在一类市场中在一定条件下,波动模型隐含混沌现象,对短期的预测是可能的,但对长期的预测则是不可能的。     

基于Lyapunov指数渐近分布的混沌特征存在性检验——以人民币汇率波动序列为例

当前对于动态系统是否具有混沌特征的判断主要根据最大Lyapunov指数是否大于零进行,但是要得到混沌现象存在的充分证据,还需通过相应的假设检验过程,判断最大Lyapunov指数是否在统计意义上显著大于零。在探讨Lyapunov指数渐近分布的基础上给出了最大Lyapunov指数是否大于零的假设检验过程,并以人民币汇率波动序列为例进行相应的实证测算。     

基准动态指数平滑的预测模型

指数平滑法在实际应用中,由于其平滑参数和初值是静态的且主要靠使用者的经验来选择,极易导致系统偏差问题,因此,预测结果往往不够理想。本文在对传统指数平滑预测方法局限性分析的基础上,引出准动态平滑参数和准动态平滑初值的概念,并提出一种能自动适应预测进程的新模型。先依据统计学原理对指数平滑预测模型的精度特性进行分析;再以最小预测误差平方和(SSE)为优化目标,建立准动态指数平滑参数和初值的动态优化模型,该模型能随着新观测值的加入而自动调整;最后,基于最速梯度法基本原理,给出该优化模型的一个可行求解方法,客观地求取最优的准动态指数平滑参数和初值。将该模型作为关键技术应用到加工质量预测补偿控制领域,并与时序AR模型、灰色GM模型及传统指数平滑模型的结果进行对比,表明本文方法具有一定的优越性。     

基于李雅普诺夫指数的临近点选取方法

混沌时间序列的局域法预测以其计算量小、适用性强等优点,得到了广泛应用.但是其预测效果受制于临近点的选取,尤其是“伪临近点”的存在将降低预测精度,所以合理选取临近点至关重要.考虑到相点各维分量对预测的影响不同,相点的演化趋势与其前S步相点存在相关性,文章利用最大李雅普诺夫指数构造权系数提出了基于李雅普诺夫指数的临近点选取方法.通过Lorenz方程产生的混沌时间序列进行检验,结果表明改进方法的预测效果明显提高.     

基于ANN的时序预测模型及其在统计中的应用

建立时序预测模型是数据挖掘的任务之一,而统计分析也是数据挖掘的内容之一.本文作者利用ANN可逼近任意非线性映射关系的特点,提出了基于ANN的时序预测模型.以南宁市人口自然增长率时序数据为例构建了预测模型,并对模型进行了测试和检验.测试结果表明基于ANN的时序预测模型对时间序列具有较好的预测性能,在统计预测方面有着广泛的应用前景.     

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.     

指数和滑动平均的历史发展探究

文章以银行1797年指数尺度序列和1832年滑动平均序列的首次公开为线索,详细分析了指数和滑动平均算法的诞生历程;细致总结了在试验性地揭示变化和数学化的建模过程中．Jevons,Poynting和Hooker等现代统计学家对滑动平均的先锋作用。     

一类金融混沌系统的线性反馈控制

针对一类金融混沌系统,提出一种设计线性状态反馈控制律的新方法。通过求解线性二次最优控问题获得混沌系统的控制律,利用Lyapunov稳定性理论证明了控制策略的可行性。仿真实验表明该方法是有效的。     

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。     

基于神经网络的股票分类指数预测模型

证券市场中的主流预测方法有技术分析、基础分析、人工智能等。近年来,人工智能方法进展很快,尤其是神经网络技术具有快速简便、学习能力强的特点,受到不少预测专家的追捧。经典技术分析以均线系统为依托,主要以统计学等为基础。技术分析主要是通过图表或技术指标的记录,研究市     

基于传递函数的产品价格预测模型

对多变量时间序列进行预测,单变量ARIMA模型和普通多元回归分析并不适用,这种情况下应用多变量ARIMA即传递函数模型是很好的选择。以一种受原油和原材料多种因素影响的合成化纤产品为例,说明利用传递函数模型对其价格进行预测的建模过程中,如何进行模型识别、参数估计及诊断的有关问题。     

基于SODM和贝叶斯的时序预测模型比较

本文采取定性的理论分析、随机模拟和实证试验相结合的方式,从先验信息的使用、模型产生机制、算法停止法则等方面比较了两类模型的异同,并重点试验分析了自组织数据挖掘(SODM)自回归模型与贝叶斯自回归模型的拟和以及预测性能。结果表明,对于具有小噪声样本数据的系统,贝叶斯时序模型的效果较优;而对于具有大噪声、小样本数据的系统,SODM时序模型更适合。本文最后提出将这两类模型结合考虑建立模型。     

基于模糊集理论和灰色理论的铁路客运量预测模型

本文基于模糊集理论,在模糊时间序列分析的基础上建立铁路客运量模糊时间序列预测模型,并与灰色理论GM(1,1)、修正GM(1,1)和Markvo三个模型进行了标杆对比.     

基于小波分析的基金净值预测模型

基于小波分析提出了一种基金净值预测模型。此模型利用小波分析理论用改进的小波阈值去噪方法对基金净值数据进行去噪处理,再对经过去噪处理后得到的较为平稳的数据,利用计量经济学中时间序列自回归模型进行短期预测。研究证明：该预测模型能较好地预测基金净值的短期趋势,预测结果优于传统的基金净值预测模型。     

加权一阶局域多步预测模型的改进

针对混沌时间序列的加权一阶局域预测模型中,欧氏距离并不能有效反映邻域点间的相关性,而且在进行多步预测时,计算量较大,并存在累积误差效应。文章对这一模型进行了改进。提出使用聚类分析的方法,采用夹角余弦来定义邻域点间的相关性,并根据相点演化的规律,直接进行多步预报。通过湖南省农村用电量的实例验证,该模型能精确地预测农村用电量。     

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.     

销售预测中指数平滑法与时问序列分解法的比较

销售预测是企业经营活动中不可缺少的一个环节,因此,有多种销售预测方法。文章着重对指数平滑法和时间序列分解法通过实例作了分析和比较,从而指出了各自的优缺点。