基于联系数的区间灰数预测模型

文章针对传统灰色预测模型仅适用于实数序列而无法进行区间灰数序列建模的缺陷,引入集对理论中的联系数,将区间灰数序列转化为联系数序列,利用联系数序列的同部和异部序列分别建立灰色预测模型,再将同部序列和异部序列灰色预测模型的模拟预测结果还原为区间灰数序列,从而得到了一种基于联系数的区间灰数预测模型。最后,通过实例说明了该方法。     

基于灰系统主成分的话题趋势预测模型

话题趋势预测影响因素众多,为了降低因影响因素多带来的计算复杂度,文章中利用主成分分析将多个可能相关的变量化为几个互不相关的主成分变量,并对这些不相关的变量运用GM(1,1)模型分别进行预测,并将预测之值代入GM(1,N)预测模型中,从而得到灰系统主成分话题预测模型,有效降低了热门话题预测的复杂度,最后实证了方法的可行性。     

基于Cramer法则的区间灰数预测模型参数优化方法研究

以改善区间灰数预测模型的模拟及预测性能为目的,对区间灰数预测模型的参数优化方法进行研究,应用Cramer法则推导了核序列GM(1,1)模型通用形式的参数无偏估计新方法,从理论上证明了新方法对非齐次指数核序列的模拟无偏性,并在此基础上构建了一种新的区间灰数预测模型;通过与优化前的区间灰数预测模型模拟精度进行比较,结果表明新模型具有更为优秀的模拟及预测性能。此研究成果对丰富和完善灰色预测模型方法体系与拓展灰色模型应用范围,具有积极意义。     

区间灰数几何预测模型的参数优化

面积序列及坐标序列的模拟精度是影响区间灰数几何预测模型性能的重要因素,文章通过克莱姆法则建立面积序列与坐标序列的灰色模型参数无偏估计新方法,在此基础上构建了一种新的区间灰数预测模型;最后通过与传统的区间灰数预测模型模拟精度进行了比较,结果表明新模型具有更为优秀的模拟性能.     

基于传递函数的产品价格预测模型

对多变量时间序列进行预测,单变量ARIMA模型和普通多元回归分析并不适用,这种情况下应用多变量ARIMA即传递函数模型是很好的选择。以一种受原油和原材料多种因素影响的合成化纤产品为例,说明利用传递函数模型对其价格进行预测的建模过程中,如何进行模型识别、参数估计及诊断的有关问题。     

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。     

基于神经网络的景气预测模型

为提高神经网络自回归预测模型的精度,文章构建了基于神经网络的景气预测模型.主要运用景气预测判断先行指标,以及其相对基准指标的先行期数,结合神经网络非线性适应能力、自适应能力强等特点,构建了基于RBF神经网络、广义回归神经网络、BP神经网络、Elman神经网络的四种景气预测模型.对比分析这四种基于神经网络的景气预测模型和神经网络自回归预测模型,发现基于神经网络的景气预测模型均取得良好的预测效果,其中,基于RBF神经网络的景气预测模型最佳.     

基于PSO-SVR的粮食产量预测模型

在粮食产量预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低.文章将支持向量机回归(SVR)与粒子群优化算法(PSO)相结合,提出了适用于小样本量学习的PSO-SVR粮食产量预测模型.实例结果表明,PSO-SVR模型预测误差率优于BP神经网络模型.     

基于MARKOV状态转移的寡头竞争企业市场占有率预测

学术界关于企业市场份额预测的研究成果非常多,但均存在假设前提不准确和方法过于繁琐等缺点。文章指出MARKOV状态转移方法适用于寡头竞争企业而不适用于垄断竞争企业,并建立了相应的预测模型。通过系统案例仿真分析,提出线性规划在时间序列数据中测算转移概率的作用,最后通过遍历性分析指出了企业投入决策过程中的问题。     

基于神经网络的非线性经济预测模型

经济系统从本质上呈现出非线性的内在机制,其发展过程中存在着自适应、自组织、协同作用和突变、奇怪引吸子与浑沌现象.     

基于SVM的藻类生长预测模型

近年来,人工神经网络因其强大的并行处理能力,任意函数逼近能力及自学习、自组织、自适应等特点而在许多领域得到广泛应用。但是,神经网络这种依     

基于小波分析的基金净值预测模型

基于小波分析提出了一种基金净值预测模型。此模型利用小波分析理论用改进的小波阈值去噪方法对基金净值数据进行去噪处理,再对经过去噪处理后得到的较为平稳的数据,利用计量经济学中时间序列自回归模型进行短期预测。研究证明：该预测模型能较好地预测基金净值的短期趋势,预测结果优于传统的基金净值预测模型。     

基于Elman神经网络的税收预测模型

一、引言税收预测是在充分分析影响税收收入因素的变化和相关税收历史资料的基础上,运用一定的预测理论、方法和模型,对未来税收收入的前景做出判断。科学、     

基于时间权重的回归预测模型

文章充分考虑新旧历史数据对预测结果影响程度不同,探讨并给出了确定时间权重应该满足的条件,且基于所给时间权重建立了基于时间权重的回归预测模型,在预测值和历史数据相对误差平方和最小的前提下推导了确定回归预测模型的参数确定公式.该模型更符合实际预测的情况,更具有实用性.     

基于Vague集的可信度预测模型

预测技术是现代企业管理中一种重要的辅助决策工具.作为一种管理手段,准确客观有效的预测结果能够指导和优化经营生产活动;作为一种辅助决策手段,能够帮助管理者选对方向.文章利用Vague集理论定义并证明了多项集成算子和运算法则,提供了一种优化的客观准确的获取可信度权重系数算法.并在文献[1]基础上构建了一种优化的基于可信度预测模型的解决方案.     

基于GMDH的小样本数据预测模型

对于样本数据少的情况,文章中利用SPSS曲线估计的方法选取三次曲线和二次曲线两种模型进行预测,同时用GMDH自回归模型进行分步预测,最后利用GMDH组合模型将三种模型进行组合预测。预测结果表明:GMDH自回归模型对于小样本数据的预测结果优于其他模型,效果更好、更稳定。     

基于SARIMA-GMDH的CPI组合预测模型

文章以2001年1月至2015年2月的我国CPI定基指数为样本数据,首先构建季节乘积SARIMA模型与GMDH自回归模型对CPI进行预测;然后通过自组织数据挖掘理论构建SARIMA-GMDH组合模型再次对CPI进行预测;最后通过模型拟合优度检验与预测能力分析综合评价这3个预测模型,探索各个模型预测效果的差异性,总结评价组合预测法在经济现象中的预测优势.