基于BP神经网络模型的我国人口总量预测研究——源自人口增长与经济增长间复杂关系的视角

在人口预测领域，以人口增长与经济增长间相关关系为建模依据的时间序列经济模型已逐渐得到了应用。然而因其现实应用必须经过一系列严格的模型识别及参数估计与模型诊断过程才能实现，故而往往面临极大困难，这就为基于数据驱动式的“黑箱”建模思想而发展起来的神经网络建模方法的应用提供了必要。运用BP神经网络模型在这一领域进行的尝试性分析表明，其预测效果颇为理想。     

基于EMD的神经网络股价预测方法

股价波动具有复杂、非平稳、非线性等特点,传统经济模型难以对其进行准确预测。文章将机械工程领域用于分解复杂信号的EMD算法嵌入神经网络模型建立了基于EMD的神经网络股价预测模型,并通过检验该模型有效性以及将该方法的预测效果与小波神经网络预测方法的预测效果相比较,得出该方法是优于小波神经网络预测方法的最佳股价预测方法的结论。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于灰色GM(1.1)的邯郸市城镇化水平预测

灰色GM(1.1)模型适合少量数据的系统预测.当随时间序列的数据只有少量几个时,无法采用统计和其他的预测方法时,它作为一种少量数据的系统预测十分有效.将1999~2003年5年中的邯郸的城镇化水平作为灰色预测的原始数据,建立邯郸市城镇化水平灰色预测模型,并采用残差估计进行模型检验,成功地建立了邯郸市城镇化水平灰色预测模型.     

基于PDL模型的城市化水平预测方法研究

在城市化水平预测领域,经济因素相关分析法因其在预测时充分考虑了经济发展对城市化水平的影响而得到广泛使用。然而,在以往研究中,当实际应用经济因素相关分析法对城市化水平进行预测时,往往并未从动态发展的角度出发,将既往历年的经济发展水平作为解释变量引入回归方程中去,在此基础上进行实际预测时必然会因为遗漏掉重要信息而使预测结果的可信性大打折扣。在对混合有限PDL模型应用于我国城市化水平预测领域的必要性进行阐述的基础之上,以PDL及ARMA模型的组合应用为例,对于经济因素相关分析法在我国城市化水平预测领域的应用进行了尝试性的探讨分析。结果表明,与仅考虑了当期经济发展水平对城市化发展的影响所建立的传统线性预测模型相比,PDL模型的预测效果更为理想。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

基于邻域粗糙集神经网络的审计意见预测模型研究

审计意见类型及其预测结果受到企业各利益相关方的高度关注.同时选用财务指标和非财务指标为变量,构建了基于邻域粗糙集神经网络的审计意见预测模型.将领域粗糙集作为BP神经网络的前置系统,在保持分类能力不变的前提下进行指标约简,提取关键指标,再将约简的指标体系作为神经网络模型的输入变量.以2013-2015年沪深A股176家公司数据作为研究样本,采用三种模型进行审计意见预测对比分析,结果表明:本模型预测准确率达到97.06％,与单纯利用神经网络建模或单纯利用财务指标建模的预测效果相比具有更好的预测效果.     

GA-灰色神经网络的区域物流需求预测

区域物流需求与区域经济发展水平密切相关,影响区域物流需求的经济因素包括区域经济的规模、产业结构、购买力和网络购物人数。以货运量作为物流需求的内容,选取福建省1997—2009年的经济数据作为面板数据,采用基于遗传算法的灰色神经网络模型对福建省区域物流进行预测。实证结果表明:网上购物水平是影响区域物流需求量的一个重要因素;组合预测模型较单一预测模型具有更好的预测效果;未来几年内福建省物流需求将呈上升态势。实证结果为区域物流需求预测提供了有益的参考。     

中国城镇化影响环境污染的预测与分析

本文通过建立可拓展的随机性环境影响评估模型,对城镇化演进影响环境污染的前景进行了预测.研究发现:中国城镇化水平预计在2020年将达到60.44%,2030年达到70.99%,城镇化水平不断演进,但速度趋缓;技术、经济、产业结构合理性、城镇化水平和人口因素每增加1%时,环境污染将分别增加0.0428%、0.0729%、-0.1453%、0.0608%、0.0601%;环境污染预测结果显示,"十三五"规划时期城镇化演进将导致环境污染指数上升0.0845,"十四五"规划时期城镇化演进将致使环境污染指数上升0.0328,"十五五"规划时期城镇化演进将导致环境污染指数上升0.0199.     

基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响。针对季节调整后序列,分别建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预测。预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果。     

对外贸易、人口集聚与城镇化推进

对外贸易、人口集聚与人口城镇化存在紧密联系。通过构造28个国家1991—2011年间的面板数据,采用普通面板模型和两阶段最小二乘估计方法探讨了对外贸易与人口集聚这两大因素对城镇化的影响。研究发现,对外贸易的加强能显著地促进城镇化,人口集聚的提高则与城镇化水平的提升之间呈现倒"U"型的作用关系。由此表明,应扩大内陆地区的对外贸易水平,以此加快该地区的城镇化进程;同时,合理控制东部地区的人口集聚规模,以免其规模超过"转折点"而对城镇化产生负向影响。     

基于LSTM与时空结合的共享单车站点需求量预测

由于不同站点的车辆需求存在着时空分布不均衡现象,特别是早晚高峰期人流量大和车辆使用量波动性大的站点,以往的基于历史系统出行数据、时间和天气数据进行预测的模型预测性能下降.为此,本文提出了一种基于LSTM与时空结合的方法对不同类型站点的车辆需求量进行细粒度预测,并与HA、BP神经网络和GBDT模型的预测结果进行比较.实验结果表明,在加入时空结合特征后,LSTM模型针对借还车辆较大和波动性大的站点预测误差小,能够很好地在站点需求量变化大时跟踪其变化趋势.     

基于优化灰色模型的湖南省粮食产量预测方法改进研究

常见的粮食产量预测方法主要包括时间序列法、回归分析法、神经网络、灰色模型等方法,由于粮食产量数据呈现出的非线性特征,非线性灰色模型GM（1,N）在粮食产量预测方面具有更好的适应性,但由于模型自身存在一些缺陷,使得预测精度不高。为提高预测结果的准确性,采用灰色关联分析,应用优化灰色模型OGM（1,N）进行计算,并将结果与GM（1,N）模型预测结果进行比较,发现OGM（1,N）模型预测结果精度较GM（1,N）模型预测结果精度提高了一个数量级,表明OGM（1,N）模型在粮食产量预测方面有更高的准确性。最后根据预测结果的分析讨论,对湖南省粮食增产问题提出了一些建议。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

区域城镇化发展不平衡主要影响因素及对策 ——以河南省城市区域为例

当前我国区域城镇化发展水平不均衡,尤其是河南省,其城镇化水平低于沿海省份,而城镇化水平与该地区经济的发展和居民的生活条件密切相关.基于1996—2015年河南省经济数据,运用回归分析方法,研究河南省城镇化发展的关键性影响因素,得出当前河南省城镇化发展过程中存在问题的主要原因,并提出相应的政策建议.     

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。     

广东省城镇化与生态环境耦合水平分析与预测

协调快速城镇化过程与生态环境之间的矛盾关系是我国下一阶段城镇化工作中的重点。基于广东省2005-2013年所构建的城镇化和生态环境的评价指标体系,进行实证分析,结果显示城镇化水平呈现快速上升趋势,而生态环境水平则存在区域间的发展差异。运用耦合协调度模型计算表明,广东省及各研究对象于2009年进入基本协调区间;结合灰色预测模型对2014-2018年的耦合协调度进行预测,结果显示广东省将率先进入高度协调区间,但粤西地区则呈现明显的落后趋势。该地区需重视对生态环境的保护,加大资金投入与政策倾斜,使城镇化进程与环境建设相协调,防止逐渐恶化的生态环境成为经济建设与社会发展的制约因素。     

新疆生产建设兵团城镇化水平的变权组合预测

科学预测城镇化水平，对城镇化政策的制定、制度的改革、城市配套设施的建设以及就业问题的解决都具有重要意义。为了预测新疆生产建设兵团的城镇化发展水平，给出了一类基于组合权重的变权重组合预测方法，将该组合变权重组合预测模型应用于新疆生产建设兵团城镇化发展水平预测。计算结果表明组合变权重组合预测模型在时间序列数据的预测中具有一定的优势。     

新常态经济的CPI预测模型——构建与实证比较

本文基于新常态经济发展背景研究了居民消费价格指数(CPI)的预测模型,采用传统的方法和机器学习方法进行预测和对比分析,包括普通最小二乘回归、LASSO回归、岭回归、时间序列预测方法、神经网络、随机森林和支持向量回归。结果表明,神经网络的预测结果明显优于传统的回归方法和时间序列预测方法,而且也同样优于支持向量回归方法和随机森林方法。此外,在引入集成学习方法进行综合后,各模型的预测精度进一步提升。