基于自组织数据挖掘的区域物流需求预测

文章将自组织数据挖掘方法应用于区域物流需求预测,建立了参数GMDH输入输出模型和非参数模糊规则归纳区域物流需求预测模型,鉴于单个模型预测的局限性,以最小二乘法为最优化准则,建立了最优线性组合预测模型。实证分析表明组合预测结果比较满意,自组织数据挖掘方法是区域物流需求预测的有效工具。     

我国区域物流发展预测

物流需求预测是政府有关部门制定物流规划和建设物流基地的决策依据,也是第三方物流企业发展物流业务的重要前提.本文在对物流需求变化的影响因素分析以及对物流需求指标选取的基础上,采用回归模型、灰色预测方法、加权组合模型对湖北物流需求进行预测.使最终的预测结果收敛于一个较窄的区间内,这种预测模型较完全反映物流需求量的变化规律.     

货币供应量M2预测精度:基于组合模型的改进

广义货币供应量M2是一个重要的经济指数,其值的变动对社会经济活动构成一定的影响.文章旨在对传统M2的预测方式进行改进创新,建立一个精确度较高的M2预测模型,分别讨论了线性回归模型、指数模型、Holt模型、Brown模型、平稳时间序列模型对M2的预测情况,探究了不同模型的意义和预测精度.最后使用组合预测的方法,找到了一个合适的组合模型,即通过对Holt模型、Brown模型和平稳时间序列模型预测值的加权,达到对M2较精准预测的目的,并验证了其精度优于传统预测模型.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

基于区间标度的旅游需求组合预测方法

针对旅游需求预测中存在的不确定性问题,文章提出一种基于区间标度的旅游需求组合预测模型.为克服旅游需求预测中存在的不确定性因素的影响,构建了基于区间数时间序列的旅游需求组合预测模型,利用最优原理构建了基于区间数的旅游需求组合预测模型的组合权重确定方法,给出一种快速确定区间型旅游需求组合预测模型的组合权重计算公式,实证验证了此方法的合理性和可行性.     

改进的熵值法在确定组合预测权系数中的应用

传统的熵值法是根据各单项预测模型的预测误差序列的变异程度,利用信息熵的概念,求得权重系数。文章对此作了改进,认为相对误差序列是一种随机变量,要考虑其服从正态分布的特点,可以按照等概率原则划分状态区间,并赋予一定的概率。实例分析结果表明改进后的方法更能提高组合预测的精度。     

基于回归方法的灰色包络带预测模型改进

传统灰色包络带预测模型在上(下)界函数构造上有其不足,从而造成对预测精度影响。文章利用回归分析的方法构建上缘点连线的逼近曲线,并由此构建上缘点的序列点的上界函数。利用GM(1,1)模型得到时间响应式,并由时间响应式得到改进包络带预测模型。通过比较传统包络带模型、改进包络带模型和中位线序列模型预测精度,以说明改进的包络带模型在预测精度上得到了显著提高。     

基于改进的优化组合方法的旅游需求预测

目前对于旅游需求的预测一般均是采用单一预测方法,然而受众多因素的影响,各单一预测方法往往不能囊括旅游需求的全面有效信息,从而大大降低预测结果的准确性。为进一步丰富和完善旅游需求预测研究,文章基于改进的优化组合预测方法对天津市城市居民国内旅游需求规模加以预测,研究结果表明,两种方法较其他各单一预测方法均取得了良好的预测效果,而在不同时期有着不同权重值的变权重组合预测方法会获得更好的预测结果。     

一种变权系数的区间数组合预测模型

文章针对实际值序列和预测值序列均为区间数的组合预测问题,引入了相关系数和诱导有序加权平均算子的概念;将区间数的左右端点看作时间序列,分别建立了两端点的变权系数多目标最优组合预测模型,并通过偏好系数转化为单目标最优化模型。实例分析表明,所提出的方法在区间数预测误差指标上明显优于其它区间组合预测方法。     

基于傅立叶级数和模糊马尔可夫链的小样本时间序列建模方法

为克服传统时间序列预测方法在处理小样本数据方面的不足,文章引入傅立叶级数和模糊马尔可夫链方法,并结合灰色GM(1,1)模型对小样本时间序列数据进行动态建模。实例结果表明,预测方法与传统的时间序列预测方法相比,具有较高的预测精度,说明该方法对于小样本时间序列的预测是有效的。     

FAR(p)与指数平滑的组合预测算法

一、引言 梅炽、姚俊峰等在<粗铜冶炼中铜铳品位的动态预测模式>一文中(见中南工业大学学报,2000,31(1):34-36)和邵义元在一文中(见鄂州大学学报,2002,9(4):38-39)提出了一种对铜统品位进行预测的方法,即以采集的现场数据为基础,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型.并将两种模型按最小二乘原理,以组合预测误差平方和为目标函数,通过使误差平方和极小化来确定两种预测方法的最优加权系数,建立一种新的组合模型,其预测误差最小.结果表明,在当时数据下,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高.本文在此基础上,对AR(p)与指数平滑组合预测模型做了改进,将AR(p)模型中的时间序列模糊化,便成为模糊时间序列,进而建立模糊时间序列AR(p)模型,即FAR(p)模型.从而提出一种新的组合预测模型--FAR(p)与指数平滑组合预测模型.最后将两种组合模型用于预测油田产油量,结果表明,FAR(p)与指数平滑组合预测模型比AR(p)与指数平滑组合预测模型有更高的预测精度.     

灰色波形预测模型的改进及应用

文章针对波动幅度不规则的时间序列提出了一种灰色波形预测模型改进的方法,即应用分位数法选取非等间隔的等高线,并有选择地对等高时刻序列进行GM(1,1)建模.最后,本文选取了目前世界上使用最广泛的航运运价指数——波罗的海干散货运价指数(Baltic Dry Index,BDI)进行实证分析.通过对波罗的海干散货运价指数月数据的建模与预测表明,改进的灰色波形预测方法比传统的灰色波形预测方法在预测精度和运算效率方面具有明显的优势.     

CPI预测的SVM-ARIMA模型构建与数值模拟

居民消费价格指数（CPI）是宏观经济中的前瞻性指标,为经济政策的制定提供数据支撑,发挥指导作用。文章利用CPI的月度数据构建基于小波分解的SVM-ARIMA组合模型,实现了对CPI的精准预测。首先,对2000—2019年的居民消费价格指数序列进行小波分解;然后,对分解后的居民消费价格指数序列分别利用ARIMA模型和SVM模型进行预测;最后,将预测结果进行整合形成对居民消费价格指数的组合预测模型,并选用2020年的实际CPI月度数据与模型预测数据进行有效性验证。结果表明：组合模型的平均绝对百分比误差（MAPE）与均方根误差（RMSE）分别为0.5383%和0.6604%,相较于ARIMA时间序列模型和SVM模型实现了极大的改进。此外,该组合模型的预测分析框架具有较强的适应性和扩展性,可用于其他相同特征类型的时间序列数据的模拟预测。     

基于HP分离ARIMA—Markov模型的我国生猪存栏量预测

时间序列分析方法的运用呈现出多样性和组合型的特点.针对于当前时间序列模型运用存在的分割性不足,在对时间序列分离后独立序列的特性出发,认为应当对独立分离序列分别建立适合波动规律的预测模型.文章首先采取HP滤波对生猪存栏量进行分离,然后采用ARIMA模型和Markov转移模型分别对趋势序列和随机序列进行预测并加总,最后采用原始序列的ARIMA处理结果与组合模型进行对比,发现了组合模型要优于传统ARIMA.     

公路货物运输量的组合预测

搞好公路货物运输量的需求预测是制定公路发展战略方针和目标体系的一个重要前提和基础,目前预测方法众多,为了建立科学预测方法体系,提高预测的准确性,可以采用组合预测方法将各种单项预测结果综合起来,得到比任何一个预测值更为科学的组合预测结果.本文通过对四川省公路货物运输量有关历史数据的分析和计算,验证了组合预测方法的有效性和实用性.     

六种时间序列组合建模及应用

文章立足卫生支出等趋势预测问题的时间序列组合建模研究,以实证算例进行验证和比较.根据政府卫生支出时序资料,将曲线拟合法和ARIMA法纳入模型,建立线性加权组合模型(残差平方和倒数法、灰色关联法、相关系数法、待定系数法和等权法)以及残差修正模型;计算拟合序列和残差序列,讨论拟合性能.并建立修正指数曲线模型和ARIMA模型,发现拟合及预测效果不错;五种组合建模技术均优于单种方法拟合性能.曲线法、ARIMA法及其组合技术对于趋势预测问题有适用意义.     

对混合模型经济预测效率的考证

本文将季节乘积ARIMA模型及混合模型方法运用于经济时间序列,运用SPSS10.0实证了两种方法建模和预测的过程和效率。从预测结果可见,本文所介绍的混合模型算法比单独使用ARIMA季节乘积模型辨识精度高,对于含有趋势性和周期性的经济时间序列辨识、预测及降低组合模型的预测误差具有一定的实用价值。     

几种时间序列分析方法的比较与应用

一、几种时间序列分析方法的简单比较时间序列分析技术是通过对预测目标自身时间序列的处理,来研究其变化趋势的方法。本文把时间序列预测技术大致分成三个方面,即:"确定性时序分析法"、"随机(非确定性)性时序分析法"及"确定性加随机性时序组合模型分析法"。确定性时序分析法主要有:①移动平均法、②指数平滑法、③时间回归法和④季节周期预测法等。确定性时序分析法能够刻画序列的主要趋势,且直观、简单、     

基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

石油价格的一种变权重组合预测

石油价格的预测具有重要的意义,近年来的研究表明,变权重组合预测比常数权重组合预测具有更高的精度.本文提出一种利用神经网络和时间序列进行变权重组合预测石油价格的方法,这种方法相对于常数权重组合预测方法更接近油价波动的实际情况,对于石油价格的预测具有一定的应用价值.