基于广义IOWA算子的安徽省税收组合预测模型

先引进广义IOWA算子，建立广义IOWA算子组合预测模型.该模型与一般的组合预测方法的不同在于组合预测的赋权系数与预测精度有着紧密联系而与单项预测模型关系不大.这是组合预测方法的一种新的可变赋权方法.在此基础上建立基于广义IOWA算子的税收组合预测模型，并通过与指数平滑方法、线性回归预测方法和灰色预测方法进行比较，发现组合预测模型既稳定又精确.     

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。     

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究

改革开放以来,我国居民消费水平保持较快发展态势,准确预测未来居民消费水平能更好地掌握国民经济发展趋势,为政府相关部门制定战略规划和产业政策提供参考。为此,基于灰色关联度建立了GM(1,1)-BP神经网络组合模型,对2000—2016年居民消费水平进行模拟,并对比分析GM(1,1)模型、BP神经网络模型、灰色组合模型模型的预测误差。仿真结果表明,基于灰色关联度的GM(1,1)-BP神经网络组合模型能进一步提高预测准确性。     

基于CEEMDAN方法和灰色模糊聚类的汇率预测研究

随着国际化贸易进程持续深化,人民币汇率双向波动弹性明显进一步增强,市场预期也进一步分化,如何准确刻画人民币汇率未来走势具有非常重要的意义.模型的预测能力不仅取决于模型设定是否正确,更取决于模型能否将序列数据中蕴涵的复杂信息进行有效提取并予以综合利用.采取分解—重构—集成策略,有效提取汇率序列中不同频次的复杂信息,构建CEEMDAN组合模型对人民币汇率走势进行集成预测.实证研究表明:单一模型的预测能力不如组合模型,而在组合模型中,CEEMDAN组合模型的预测能力明显优于其他模型,能够更好地刻画汇率短期走势.     

基于BP神经网络的组合预测及在电力负荷的应用

分析了电力负荷预测的意义及预测原理，并以传统方法证明了组合预测的优越性．在经典预测方法线性回归和现代预测方法灰色模型的基础上，通过BP神经网络进行组合预测，分别应用单一模型和以计算机为工具的组合模型对上海市年电荷用量进行预测．通过分析和比较验证了该组合算法的有效性，     

美元、日元、英镑的中长期汇率预测方法研究

文章运用组合预测方法对中长期汇率走势进行分析 ,并根据贝特斯 (Bates)和格朗格 (Granger)提出的组合预测方法 ,对美元兑日元、美元兑英镑的中长期汇率进行了预测 ,提出组合预测为一种较好的方法。     

基于多分类器组合的个人信用评估模型

针对个人信用评估单一模型存在的不足,提出一种基于多分类器组合的个人信用评估模型.该模型综合了多元判别分析、logistic回归、神经网络、支持向量机等七种个人信用评估单一模型的预测结果,利用加权投票方法对其进行组合并输出最后预测结果.在某商业银行信用卡数据集上的测试结果表明,组合模型能有效地提高预测精度及稳健性,对信贷机构控制消费信贷风险具有很好的适用性.     

四川省长江集装箱运输预测及展望

为加快发展四川省集装箱运输,本文分析和选择了四川省长江集装箱运输量预测方法,并应用增长率法对四川地区GDP进行预测。在此基础上,集合GM（1,1）模型和Verhulst模型的最优组合模型,对四川省集装箱运输量进行具体预测分析,并展望四川省集装箱运输的未来发展。     

基于灰色关联度组合模型的能源消费预测研究

为了准确预测未来几年我国能源消费总量,基于灰色关联度建立了我国能源消费组合预测模型,并与传统GM(1,1)模型进行对比分析。结果表明:组合模型能有效降低平均相对误差,提高预测精度,非常适用于我国能源消费预测。     

基于迁移学习的LSTM互联网金融指数高精度预测方法

针对互联网金融指数高精度预测中数据量不足的问题,提出了基于迁移学习的LSTM方法。提出构建LSTM与全连接网络的组合模型,利用数据量充足的标准普尔500或沪深300指数对构建的网络进行预训练,得到较高精度的预训练模型;利用数据量有限的互联网金融指数对预训练模型进行迁移训练,提高模型对互联网金融指数预测的准确性。实证结果表明:(1)构建的组合模型能准确预测金融指数,MAPE值降低3.7%以上;(2)迁移学习能提升互联网金融指数预测的准确性,MAPE值降低0.5%左右;(3)与标准普尔500指数相比,沪深300指数与互联网金融指数相关性更强,迁移学习效果更优。本文提出方法解决了训练数据不足导致互联网金融指数预测准确度低的问题,可用于新型金融指数的高精度预测。     

基于最小偏差的林分生长组合预测模型及其应用

根据Bates J M 和Granger C W J 的组合预测方法的概念,提出了基于最小偏差的林分生长组合预测模型,并介绍了模型求解的方法.由实例证明,组合预测模型能大大地改善预测效果,是一个理想的模型,在应用上具有重要意义.     

基于机器学习的抗乳腺癌候选药物的分类预测

乳腺癌是目前世界上最常见致死率较高的癌症之一.通过选用机器学习中处理二分类预测问题的支持向量机(SVM)、K近邻算法(KNN)、随机森林(RF)、极端梯度提升(XGBoost)四种模型,运用每一种模型分别对给定的样本数据构建出化合物的ADMET(吸收Absorption,分配Distribution,代谢Metabolism,排泄Excretion和毒性Toxicity)五个指标的分类预测模型,对比选择出五个指标的预测准确率均在84%以上的XGBoost模型,最后对给定的化合物进行预测并得出化合物所对应的ADMET性质.结果表明,利用XGBoost模型进行分类预测的方法是有效的,对于抗乳腺癌药物的研发具有参考意义.     

小波去噪结合ARMA模型在电力设备故障率预测中的应用

针对电力设备故障率具有周期性、随机性和多变性等特点,提出小波相关性去噪算法与时间序列自回归滑动平均(ARMA)模型的电力设备故障率预测方法.将电力设备故障率数据进行小波相关性去噪,最大限度保留有效序列,把重构后的序列进行ARMA建模及预测,预测值与实际值进行比较.仿真结果表明,小波相关性去噪后的ARMA模型预测结果有较高的精度,实际故障率预测效果较好.     

不同借贷利率下投资组合的有效前沿

文章研究了不同借贷利率下投资组合的有效前沿,并运用我们自己创立的一种几何方法给出了该有效前沿的方程。首先把Markowitz模型的有效前沿用投资组合的权重向量表示出来,然后将不同借贷利率下的资本市场线(CML)也用投资组合的权重向量表示出来,再由CML的定义在Markowitz模型的有效前沿上分别求出不同借贷利率下资本市场线与Markowitz模型有效前沿的切点,同时也得到不同借贷利率下CML的斜率,这样我们就得到了不同借贷利率下投资组合的有效前沿。     

中国股市波动率预测——基于已实现EGARCH模型和已实现SVL模型的实证比较研究

通过采用上证综合指数数据,对已实现EGARCH(REGARCH)模型与已实现SVL(RSVL)模型在不同分布设定(正态分布、学生t分布与偏斜学生t分布)以及样本外阶段(预测总样本期、高波动期与低波动期)下的波动率预测表现进行实证比较研究。结果表明:在预测总样本期,REGARCH模型在3种分布下的样本外预测表现都优于RSVL模型,REGARCH模型在各分布下的样本外预测表现取决于选择的损失函数;在预测高波动期,其与预测总样本期具有相似的结论,但REGARCH模型在偏斜t分布下的预测表现最佳;在预测低波动期,其与预测总样本期的结论相反,即RSVL模型在3种分布下的样本外预测表现都优于REGARCH模型,RSVL模型在各分布下的样本外预测表现取决于选择的损失函数。     

福建省社会消费品零售总额的预测

以2004年1月至2010年12月福建省社会消费品零售总额月度数据为样本,建立了时间序列季节模型和单整自回归移动平均(ARIMA)模型,并分别应用它们对2011年各月的指标值进行了预测。在此基础上进行组合预测,得出了2011年1-12月福建省社会消费品零售总额的预测值。预测结果对更好地引导消费具有重要作用,模型建立的过程和方法能为相关研究提供借鉴。     

基于自适应滤波的日负荷预测新陈代谢模型

提出了对日负荷进行预测的新方法。基于自适应滤波算法进行预测,在预测过程中对原始数据进行新陈代谢处理,且根据预测日的属性对预测结果进行加权,并依据历史负荷中负荷的变动情况对结果进行校正,以求最佳预测效果。利用自适应滤波预测结果的残差建立时间序列的AR(p)模型,与自适应滤波模型形成组合模型,从而实现了短期电力负荷样本资料随时间变化而更新、样本量和计算量不增加而预测精度能得到保证的目标。与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。     

湍流乙烯扩散火焰中碳黑的数值模拟研究

以德国航空航天中心湍流乙烯扩散火焰为对象,基于k-epsilon湍流模型和稳态扩散火焰面结合假定概率密度函数(PDF)模型,研究了Moss-Brookes和Moss-Brookes-Hall碳黑模型中不同氧化组合方式以及碳黑成核速率常数C_α对碳黑浓度分布和温度的影响。其中,辐射模型基于球谐函数法(P1)和灰气体加权和模型(WSGG)。研究结果表明:在Moss-Brookes和Moss-Brookes-Hall碳黑模型中FJ-equilibrium、Lee-instantaneous两种氧化组合方式能够较好地预测乙烯扩散火焰的碳黑分布位置,默认的碳黑成核速率常数C_α会过高地预测碳黑浓度,随着C_α的减小碳黑浓度减小,修正碳黑成核速率常数C_α后能准确预测碳黑浓度和温度分布。     

投资组合动态VaR预测模型和预测精度评价

采用4种Backtesting检验方法,检验22个常态和时变投资组合动态VaR预测模型的风险预测精度,发现GJR_GPD_TV_Copula具有最高的投资组合风险预测精度,GJR_GPD_Copula的拟合、密度预测和组合风险预测精度都要高于GJR_SKST_Copula,且Copula模型的组合风险预测精度分别与拟合精度和密度预测精度存在较弱的正相关关系.     

基于多种模型组合的我国2015年人口总数预测

首先建立了线性回归模型、曲线拟合模型、指数函数模型、时间序列模型、灰色系统模型5个单一模型,就2001-2004年的人口数分别对这5个模型的预测结果进行了比较;然后考虑将这5种模型用5种组合方法组成新的组合模型来预测人口总数;最后对我国2005-2015年的人口总数进行了预测,预测结果为我国2015年人口总数为14.30亿。