优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

基于SVM的股票时间序列的预测研究

支持向量机（support vector machine,SVM）是以统计学理论为基础的一种新的模式识别方法,目前已广泛应用于股票价格的预测中。在股市投资问题的研究中,股价作为时间序列数据是复杂的、非线性的,并且极不稳定。文章将支持向量机引入到股价预测的建模中,并对效果进行了分析。     

基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

小波变换在股市预测中的应用

本文应用小波变换对深圳股票市场的建模与预测进行了研究。首先对股指时序进行小波分解;然后对分解后的各部分分别建立混沌模型进行预测;再对混沌模型预测的结果予以小波重构,即得最终的预测结果。从吸引子结构的观点对预测精度提高的原因进一步分析得出,小波分解可使分解后的时序变得简单而容易预测,因而使得最终的预测结果能够具有较高的精度。研究表明,小波变换在股市预测中具有非常好的应用前景。     

基于SVR的股市预测与择时研究

本文首先阐述支持向量回归机原理,在此基础上建立了SVR预测模型,以HS300指数数据为测试样本,分析了SVR模型在时间序列预测问题中的优势,并在此基础上进行了交易实验.结果表明：支持向量回归机适用于预测股市大盘的短期走势,并能够得到比较好的预测效果.     

小波包与混沌集成的股票市场预测新方法

基于小波包变换和混沌理论提出了一种股票市场建模及其预测的新方法,既能刻划时间序列的规律,又能捕捉混沌状态的特征。首先,应用小波包变换对上证综指和深证成指日收益率序列进行三层分解,分别得到第三层从低频到高频八个频率成分的时序,并在此基础上作进一步分析,结果表明中国股市存在混沌特性;然后,应用混沌理论分别建立从低频到高频八个时序的预测模型,分别对八个时序进行预测;最后,基于小波包理论对混沌模型预测的结果予以重构,实现对原始收益率序列的预测。与现有方法比较,该方法具有较高的精度和较大的应用范围。     

固定尺度最小二乘支持向量机

针对最小二乘支持向量机(LS-SVM)在进行回归预测时存在的稀疏性缺陷问题,采用固定尺度最小二乘支持向量机,即固定支持向量数量进行改进。仿真结果表明:固定尺度最小二乘支持向量机在训练各种样本数据集时,有效地避开了LS-SVM中的稀疏性问题,且训练速度快,同时具有良好的预测精度。     

基于DFA和SVR的GDP预测模型研究

首先对1980—2013年全国年度GDP数据进行消除趋势分析（DFA），发现GDP时序具有长记忆性，表明当前GDP值用来预测未来一段时间内的GDP值具有可行性，在此基础上利用具有非线性和强泛化能力特点的支持向量回归机（SVR），建立SVR预测模型,得到了较好的预测效果.     

基于EEMD-PSR-CS-SVR组合方法的PM2.5浓度预测模型研究

为了解决具有非线性特征的未来24小时PM2.5浓度预测难题,将集合经验模态分解(ensemble empirical mode decomposition, EEMD)和相空间重构(phase space reconstruction, PSR)技术与布谷鸟算法优化的支持向量机(CS-SVR)模型结合起来,建立EEMD-PSR-CS-SVR组合预测模型。采用EEMD将PM2.5浓度时间序列分解为n个不同尺度的IMF子序列及余项,然后对各子序列进行相空间重构,再用重构后数据对支持向量机预测模型进行训练并得到未来24小时PM2.5浓度的预测结果,在其中采用布谷鸟算法对支持向量机参数进行优化。实验结果显示：建立EEMD-PSR-CS-SVR组合预测模型对PM2.5浓度的预测结果,相对于单一预测模型(ARIMA、LSTM、BP)、不同的模态分解方法(EMD-PSR、CEEMD-PSR),以及不同参数优化算法的SVR预测模型等具有显著提高的预测精度(R,RMSE, MAE, MAPE等评价指标),为未来24小时PM2.5浓度预测研究提供了一种新的方法。     

Multiscale Combined Forecast of Carbon PriceBased on Mixed Structure Data

Accurate forecast of the carbon trading price is of great significance in promoting the scientific and rational development of carbon trading market. Therefore, this paper proposes a multi-scale combined forecasting method for carbon price based on mixed structure data. First, the Google Index is used to extract the unstructured data related to the carbon price.The dimensions of unstructured data are reduced based on principal component analysis. Then, EMD is employedto the structured data,unstructured data and the carbon trading price to obtain different IMFs, which are reconstructed by the Fine-to-Coarse technique to get low, high frequency sequence and trend sequence. Furthermore, the three items are predicted respectively by using ARIMA, PLS and neural networks according to the features of each scale in time series. Finally, the forecasting results are summed to get the carbon price forecast sequence. The proposed method is used to forecast carbon price in EU. The empirical results show that the prediction accuracy of the model is higher than that of the single prediction method and the prediction method that time series aren’t decomposed by EMD, which is of great applicability.     

基于时间序列分析的股价预测

基于收盘深发展股票价格的实际数据资料,通过对实际样本数据的预处理,确认股票价格序列为平稳非白噪声序列的基础上,利用SAS/ETS软件,采用ARMA方法,建立时间序列预测模型。应用的结果表明：本预测模型考虑了各种随机因素的影响,与实际状况有较高的吻合度,对动态数据进行预测是可行的,对于经济统计预测有一定的实用价值。     

小波包变换在股市预测中的应用研究

应用小波包变换对股市预测进行了研究,提出了股市预测的小波包方法。首先将股指时序进行小波包分解,并对分解后得到的各部分进行混沌判别,以确定其混沌特性;然后对各部分分别建立混沌模型进行预测;再将混沌模型预测的结果进行小波包重构,则得到原始时序的预测结果。对上证综指日收益率进行了单步预测和多步预测研究,效果很好。     

农产品市场价格超短期预测研究——基于西红柿日批发价格的现代时间序列法建模

为科学分析与预测农产品市场日价格走势,研究农产品市场日价格波动的随机性特征,增强价格的预见性和市场的调控性,选择全国西红柿日批发价格为预测对象,基于价格序列数据的ADF检验和ARCH效应检验,结合2008—2009年间731天日价格数据分析,利用ARIMA、ARCH、GARCH等现代时间序列法,分别建立西红柿日批发价格预测模型,并选取2010年1月1—10日进行样本外区间的评估预测。研究表明,3个日价格预测模型的平均绝对百分比误差（MAPE）都在2％以内,其中GARCH模型在预测中具有更高的精度;农产品市场价格超短期预测中,在没有突发性因素干扰的情况下,所建立的3个模型预测结果的精度比较理想,但对于突发性事件等引起的价格急剧变化难以定量化模拟和预测。     

基于我国股市混沌行为的预测分析

时间序列中的随机性蕴涵着非线性确定性系统混沌行为,混沌系统对初值的极端敏感性使之不可能对其进行长期预测,然而,在判定时间序列混沌行为的基础上运用局域法对我国股市进行了短期预测,并指出在计算关联维数时存在的问题,得到了较好的结果.     

中国民用汽车保有量的短期组合预测

国内外对中国汽车保有量预测的研究很多,但由于各种假设不同而偏差较大。组合预测方法的出现,结合了不同预测方法的优点,提高了预测精度。文章运用Logistic模型拟合中国汽车保有量的增长,将其增长期划分为三个阶段,低速增长期,快速增长期,平稳增长期,以此指导灰色预测合理选取数据,对中国的汽车保有量进行短期预测。该预测方法只涉及市场最大汽车保有量的估计,尽可能地避免了传统预测模型中预测参数选取主观化的缺点。预测结果显示我国汽车保有量已经进入快速增长期,2015年将突破1亿9千万辆。     

陕西省人口总量时间序列的ARIMA模型

人口研究、预测和控制是关系国计民生的大事。对全国人口总量时间序列模型,已进行了一定的研究,对陕西省人口总量时间序列模型尚未研究。通过研究陕西省人口总量时间序列(1949~2006年),应用B-J法建立了ARIMA模型。为人口预测和控制提供简单易行的统计方法。