基于R语言的面向需水预测的随机森林方法

需水预测对于有效的水资源管理有重要的作用。文章引入随机森林方法对需水预测问题进行了实证研究。实验结果表明,随机森林方法不会受到训练集中异常值的影响而出现过度拟合的情况,模型稳健性较高。在地区需水量的各解释变量中,地区人口和灌溉面积的影响较为重要。文章的结论和方法有助于管理部门更有效的进行需水管理。     

随机森林方法研究综述

随机森林（RF）是一种统计学习理论,它是利用bootsrap重抽样方法从原始样本中抽取多个样本,对每个bootsrap样本进行决策树建模,然后组合多棵决策树的预测,通过投票得出最终预测结果。它具有很高的预测准确率,对异常值和噪声具有很好的容忍度,且不容易出现过拟合,在医学、生物信息、管理学等领域有着广泛的应用。为此,介绍了随机森林原理及其有关性质,讨论其最新的发展情况以及一些重要的应用领域。     

众数回归森林模型及其在收入分配研究中的应用

为解决传统非参数众数回归模型没有考虑解释变量间复杂交互影响的局限，文章将众数回归与机器学习方法相结合，提出了一个新的非参数众数回归模型：众数回归森林模型。该模型一方面充分考虑了各个解释变量之间的交互影响；另一方面采用Bagging技术汇总多个众数回归树的结果，提高了预测性能。数值模拟结果表明：第一，与线性众数回归模型和众数回归树模型相比，众数回归森林模型极大地提高了估计和预测精度；第二，当数据为偏态分布时，众数回归森林模型的估计和预测精度显著优于中位数回归森林和均值回归森林模型。此外，将众数回归森林模型应用于收入分配研究中，得到了与中位数回归森林和均值回归森林模型不同的结果。     

宏观经济指标、技术指标与国债期货价格预测——基于随机森林机器学习的实证检验

分别以筛选的4种技术指标和6个宏观经济指标作为国债期货指数预测变量,利用随机森林算法构建4种机器学习预测模型;依据价格波动集聚性设计跟踪交易规则,通过比较4种模型的预测精度和跟踪交易收益率,检验宏观经济指标、技术指标和随机森林算法对国债期货指数的预测能力。研究结果发现:用主成分精选技术指标构建的预测模型,对国债期货指数的跟踪交易收益率虽然明显优于市场收益率,但不如遵循单个技术指标经验交易规则的跟踪交易收益率;用主成分精选技术指标和宏观经济指标构建的模型能够取得很好的预测精度和跟踪交易收益率,这表明宏观经济指标与技术指标都对国债期货价格具有预测意义,可以利用随机森林机器学习算法构建有效的国债期货量化投资模型。     

用于分类的随机森林和Bagging分类树比较

借助试验数据,从两种理论分析角度解释随机森林算法优于Bagging分类树算法的原因。将两种算法表述在两种不同的框架下,消除了这两种算法分析中的一些模糊之处。尤其在第二种分析框架下,更能清楚的看出,之所以随机森林算法优于Bagging分类树算法,是因为随机森林算法对应更小的偏差。     

基于边缘函数的修剪随机森林算法

对随机森林做修剪的目的就是要把随机森林中重要的分类器找到,使得修剪后得到的子森林不仅具有可解释性,而且能充分利用数据的信息量.文章提出一种新的修剪随机森林方法,基于样本的边缘函数,采用逐步向后算法,得到嵌套子森林,采用1-se法则挑选最优子森林.在两份实际数据中和已有随机森林的修剪方法做了对比,结果表明,所提出的方法,在修剪后子森林预测率的分布和子森林中分类器个数的分布,以及选出的解释变量三个指标上均具有优势.     

基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型.结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性.预测的月度房地产价格能够比官方数据发布提前约两周时间.     

基于递归特征消除方法的随机森林算法

基于随机森林算法中的相关预测因子进行变量选择,在高维回归或分类框架中,变量选择是一项艰巨的任务,甚至在高度相关的预测中变得更加具有挑战性,文章提供了在回归模型上置换重要性测量的理论研究,这使我们能够描述相关性预测和排名的重要性之间的影响.相比于原始随机森林算法使用重要性排名做变量选择,研究结果使用了递归特征消除(RFE)方法做变量选择.通过实验证明了RFE-RF方法对机器学习算法的正确预测有很大的帮助.     

H∞滤波算法在国家财政收入预测中的应用

文章通过建立回归模型,并采用H∞滤波算法对国家财政收入中各分项收入对总收入进行估计预测,结果证明:以各种税收作为变量,运用H∞滤波算法对国家财政收入的预测值和实际值的误差较小,可以运用H∞滤波算法预测国家财政收入.     

基于随机森林模型的分类数据缺失值插补

缺失数据是影响调查问卷数据质量的重要因素,对调查问卷中的缺失值进行插补可以显著提高调查数据的质量。调查问卷的数据类型多以分类型数据为主,数据挖掘技术中的分类算法是处理属性分类问题的常用方法,随机森林模型是众多分类算法中精度较高的方法之一。将随机森林模型引入调查问卷缺失数据的插补研究中,提出了基于随机森林模型的分类数据缺失值插补方法,并根据不同的缺失模式探讨了相应的插补步骤。通过与其它方法的实证模拟比较,表明随机森林插补法得到的插补值准确度更优、可信度更高。     

时间序列的综合分析法在经济预测中的应用

在传统时间序列分解计算方法的基础上 ,采用灰色预测方法对趋势项进行预测 ,建立以传统分析方法和灰色系统理论相结合的经济变量长期预测数学模型 ,并对经济指标进行预测     

空气质量指数监控与预测的控制图方法

世界上多数国家都采用空气质量指数这一指标衡量空气质量状况,对空气质量的有效监测和预警是解决空气污染的重要参考依据.本研究使用ARMA模型拟合空气污染指数(API)时序数据,通过模型残差建立控制图,根据控制图的变化监控并预警.研究采用2010年上海世博会API作为可控状态建立控制限,以2011年1～8月上海API数据建立ARMA(1,1)模型,通过2011年9月上海API模型预测与残差控制图证实模型和控制图的有效性.     

拟适应再加权分类随机森林

综合Adaboost算法的自适应再加权和随机森林算法的未修剪随机变量划分树基模型,文章提出了用于自适应随机森林算法。通过实验数据发现,在训练集较大、贝叶斯误差较小时,模拟自适应再加权会起作用,从而,拟自适应随机森林算法会优于随机森林算法。     

基于稀疏降噪自编码器的随机森林模型

随机森林算法是一类在机器学习中较为常见的算法,其在数据的分类以及非参数回归中都有重要的作用。如何更好地处理数据,进行特征选择是随机森林的重点研究领域。自编码神经网络在深度学习中有着不可替代的作用,其在数据压缩、特征提取等方面有着优异的性能。结合两者优点,提出一种基于使用稀疏降噪自编码器对原始数据进行特征提取的随机森林算法。采用多种常用数据集进行实验分析,对原始数据分别采用不同的特征提取方法,并利用随机森林将提取后的特征进行分类。实验结果表明,利用稀疏降噪自编码神经网络进行特征提取所得到的特征,能够使随机森林的分类精度得到一定程度的提高。     

非线性映射方法在经济预测中的应用

文章探讨了多元统计分析中的非线性映射方法在经济预测中的应用,对非线性映射给出了松驰迭代求解方法.并且通过实际问题说明了该方法建立预测模型的可行性.     

随机微分方程的参数估计在证券模型中的应用

文章通过建立的金融指数的随机微分方程模型,采用极大似然估计方法对模型中未知参数进行估计,并给出了相应的参数估计表达式,实证表明参数的估计值能较好的刻画金融指数的许多特征,估计方法切实有效,模拟效果好.     

回归分析在饮料销售量预测中的应用

利用回归分析建立饮料销售量与气温的回归方程,从而根据气温的变化对饮料的销售量做出合理预测,为饮料公司的生产决策提供参考。     

基于随机森林方法的碳足迹及其影响因素研究

研究碳足迹持续增长动因对碳足迹的抑制及其碳减排政策的制定具有深远意义。基于随机森林方法并利用1997—2011年的相关数据构建了碳足迹影响因素分析模型。模型对碳足迹影响因素进行了有效识别和系统归集,并为碳足迹的控制提供了理论依据和数据支撑。研究表明:产业结构、固定资产投资、发展规模、人口规模、住宅建筑、技术水平和城市化水平等因素是形成碳足迹的稳定力量;能源结构、经济速度和碳汇效应的影响并不显著。     

改进BP神经网络在经济预测中的应用

针对传统BP学习算法收敛速度慢、对步长依赖明显等缺点，提出一种利用搜索较优步长的BP算法。其在网络训练中，能够在每次迭代中搜索出一个相对合理的步长，从而使步长的选择对学习速度的影响大大降低。对经济预测仿真结果表明，新算法对步长选择的依赖性小于传统BP算法。     

前移回归分析法在广西省经济预测中的应用

经济指标是多项相关因素的函数,一个时间段内各项指标(自变量)值会影响下一时间段待预测指标(因变量)的取值.本文以广西省12项主要经济指标为实例,采用前移回归方法预测了人均GDP,进而预测了其余指标2008～2009年的取值.这种方法克服了以往时问序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷,取得较好的效果.