时间序列分析在金属价格预测中的应用

与回归分析不同,时间序列分析不是根据与其它变量的因果关系来预测一个变量的未来变化,而是根据该变量自身过去的规律来预测其未来的变化.这与实际中价格信息的复杂性特征具有较好的符合关系.作者在Intnet网上查取了伦敦金属交易所(LME)镍金属从1998年1月到2001年5月共41个月的月平均现金参与价值数据41个,用其中的前37个数据进行时间序列分析,得到了AR(3)模型,用最小二乘法和Yule-Walker法预测后五个数据,得到了较好的效果.因此在价格信息分析与预测中使用时间序列分析理论和方法具有广阔的应用前景.     

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BP神经网络模型的中国石油需求预测研究

石油需求量预测对编制石油产业发展规划具有重要意义。为了合理预测中国石油需求量,将1965—2014年中国国内生产总值、人口数量、产业结构及技术进步4个分量作为输入向量,石油需求量数据作为输出向量,建立中国石油需求预测的BP神经网络模型,利用Matlab软件的神经网络工具箱对BP神经网络模型反复训练,发现当隐含层节点数为17、学习率为0.1、训练次数为8次、训练精度为0.001时得到的效果最好。最后运用所确定的BP神经网络模型对2015—2024年中国石油需求数据进行了预测。     

基于CEEMD-Elman-Adaboost组合模型的国际原油价格预测研究

针对国际原油价格序列的高度非线性、非平稳性和时变性等复杂特征,提出用互补集合经验模态分解(CEEMD)和Elman-Adaboost神经网络的组合模型对Brent原油价格序列进行预测。首先,利用CEEMD将Brent原油价格序列分解为10个IMF分量和1个残差分量;其次,将各分量序列以滑动窗口的形式训练数据,利用Adaboost算法优化的Elman神经网络对各个分量进行预测;最后,将各个分量的预测结果进行求和得到Brent原油价格序列的最终预测结果。实证结果表明:该方法对Brent原油价格序列预测的均方根误差、平均相对误差、平均绝对误差均比PSO-BP、CEEMD-PSO-BP、EEMD-Elman、CEEMD-Elman模型小,新组合模型是一种预测精度更高、更有效的预测方法。     

灰色神经网络模型在猪肉价格预测中的应用

本文针对猪肉价格波动的特点，利用灰色神经网络模型（CGNN）对猪肉价格进行预测。CGNN模型是对同一已知时间序列，采用不同的GM（1，1）改进模型得到的预测结果使用神经网络进行组合，将每个灰色预测结果“串联”起来，融入神经网络之中，发挥每个灰色预测模型的优点，从而得到更为精确的预测值的方法。     

软计算与硬计算融合的中国石油需求预测

近年来,随着我国经济的高速增长,石油作为重要的战略资源,在经济发展中发挥着越来越重要的作用。运用软计算和硬计算相融合的方法对我国2004—2015年的石油需求进行了预测。首先介绍了软计算和硬计算融合的串联模式,然后构建了影响我国石油需求(石油消费量)的主要指标,即国内生产总值(GDP)、人口总量、能源消耗量和居民消费水平。通过分析这些指标的数据特征,得出它们随时间的推移呈现增长的趋势。根据这一结论,运用软计算和硬计算融合中的串联模式,用硬计算中的龚珀资(Gompertz)增长曲线预测法来预测影响石油需求的4个指标以及石油需求量2004—2015年的值。在这些数据的基础上,再用软计算中的BP人工神经网络,对我国2004-2015年的石油需求量进行了预测。最后通过对HC和SC预测的石油需求量进行加权平均,得到了最终的预测结果。     

基于误差校正的ARMA-GARCH股票价格预测

针对时间序列预测和简单回归预测各自的侧重点不同,综合两者优点,对股票价格进行预测。首先将股价数据转换成对数收益率,利用ARMA-GARCH模型对收益率序列建立模型,对上证指数股票价格进行初步预测;然后建立回归模型对GARCH模型误差中未被解释的成分进行分析和拟合,利用回归模型预测的误差对GARCH模型预测结果进行校正。在选择回归模型变量时,引入变量间的相关性分析筛选合适的影响因子,利用主成分分析方法提取影响因子中包含的信息,实现对解释变量的降维,获取具有代表性的综合指标,以提高建模精度。实例研究证明该方法对于上证指数股票价格预测较为准确。     

金融危机背景下我国城乡消费需求特征与趋势

采用ELES（扩展的线性支出系统）模型,同时采用时间序列数据和截面数据对我国近几年城乡消费需求结构进行分析,并对未来几年的消费需求特征与趋势进行预测,最后结合我国国情,提出金融危机背景下提高消费需求的建议。     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法，把公司管理上的数据看成一个非平稳的时间序列，利用小渡函数将该时间序列分解到不同的频率通道上，然后将分解后的信号当作近似的平稳时间序列，用一些传统的统计方法进行预测，同时对中国足球彩票若干期的销售量数据进行了处理和预测，并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

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.     

供给侧改革下物流需求组合预测技术研究

通过分析供给侧结构改革下现代物流市场需求对经济活动的意义,找到单一需求预测技术的偏差,指出指数平滑法和神经网络法于实际预测应用中的不足,提出精确度较高的物流市场需求预测新思路,构建新的组合预测模型。通过实例仿真验证基于神经网络法的组合预测技术在物流市场需求预测中的实际价值。     

二维小波变换在虹膜特征提取中的应用研究

本文提出了一种采用canny变换来提取虹膜特征,并用小波神经网络来进行分类的虹膜检测识别的新方法。该方法结合了小波神经网络作为一种新的分类方法,它很好地改进了识别精度,同时提高了系统的性能。一个简洁并且能快速训练的算子Adaboost也将在小波神经网络中给出介绍。实验结果表明,应用该算子进行分类识别时,识别率为100%,该方法具有很高效的可行性。     

基于模糊神经网络的城市公园休闲满意度测评——以济南市泉城公园为例

依托Beard和Ragheb休闲满意度测量简表,采用问卷调查法和因子分析法构建了城市公园休闲满意度测评指标体系,使用Matlab软件中的模糊神经网络算法测评山东省济南市泉城公园休闲满意度,并进行测评指标的重要性—绩效分析（IPA）。使用模糊神经网络算法对济南泉城公园休闲满意度测评的结果与实际情况基本吻合,该方法在城市公园休闲满意度测评研究中具有可行性;模糊神经网络测评结果显示:济南泉城公园受访者对其休闲体验总体持“满意”态度,对公园休闲的放松体验持“比较满意”态度,而对公园休闲的教育功能、心理体验、社交功能、审美功能和身体满意度同样持“满意”态度;IPA结果显示:公园休闲的教育和放松满意度各指标均需要继续保持,身体满意度全部指标需后续改进。     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

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。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点，提出采用三层BP小波神经网络构造故障诊断模型，对油泵进行故障监测和诊断。该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理，对油泵多种常见故障取得了满意的诊断效果，不仅具有特征自动提取以及较强的自学习和自适应功能，而且操作维护简便。研究结果表明：信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径；对油库安全维护与故障诊断具有重要意义。     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

阻力墙参数对转向节锻件充填影响的神经网络分析

为研究阻力墙结构参数对转向节锻件长叉充填的定量影响,设计了广义回归( GR)人工神经网络模型。用“舍一法”训练了模型,并采用3个样本对模型进行预测检验,散点表明预测值和实验值拟合较好。统计学指标为：均方误差M1为0. 898 0,相对均方误差M2为0.167 0%,拟合分值V为1.973 9,说明人工神经网络具有较高的预测精度。最后用 神经网络分析阻力墙关键参数对锻件长叉充填的定量影响,结果表明：长叉侧边桥部宽度和阻力墙斜度的增加对长叉充填作用不明显;阻力墙间隙的加大不利于长叉充填;阻力墙宽度对长叉充填的影响呈抛物线关系,先增大后减小,存在一个极大值。GR人工神经网络模型能够定量预测各阻力墙参数对长叉充填的影响。     

电弧炉电极系统双模控制策略研究及应用

针对交流电弧炉电极控制系统具有非线性时变、多变量、强耦合及存在随机干扰的特点,采用基于最近邻聚类方法的径向基函数(RBF)神经网络快速学习算法,通过实时在线辨识,建立电弧炉电极系统的精确逆模型并用于控制,实现了将具有强耦合特性的多变量输入/输出(MIMO)系统解耦成单个独立的伪线性对象,并提出一种基于RBF神经网络逆控制与比例微分(P/D)控制相结合的双模控制策略。应用结果证实了该控制策略具有快速适应对象和过程变化的能力及较强的鲁棒性。