基于灰色关联分析统计组合预测精度评价

灰色关联分析目的是寻求系统各因素之间的重要关系,而灰色关联度是灰色关联分析的基础,其算法基本思想是根据行为序列曲线几何形状的相似性来确定序列之间联系的紧密性.文章尝试将这一基本思想应用于同样单项预测模型所构成的不同组合预测模型预测精度的评价.通过构建组合预测方法预测精度评价指标体系,利用灰色关联分析方法给出了组合预测模型预测精度的评价.最后通过应用实例进行了分析,结果表明:该评价方法客观准确,可操作性强.     

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.     

组合预测模型预测精度的贴近度评价法

一组单项预测模型在不同的准则下,建立的组合预测模型一般是不同的.为了比较这些组合预测模型的预测精度,文章引入了组合预测模型点预测精度的数量指标,从而得到了组合预测模型的点预测精度向量.根据这些点预测精度利用算术平均最小贴近度,给出了组合预测模型预测精度的评价.实例分析结果表明:该评价方法客观准确,可操作性强.     

融合分解集成和深度学习的金融时间序列预测模型

由于金融时间序列具有高度非线性、不稳定性等特点，单一预测模型的预测精度受限。文章将集成经验模态分解（EEMD）技术和长短期记忆网络（LSTM）相结合，同时融入麻雀搜索算法（SSA）优化神经网络参数，构建了EEMD-SSA-LSTM混合预测模型。首先将该金融时间序列进行EEMD分解，其次将分解所得的各IMF分量与残差项输入到SSA优化后的LSTM网络进行逐个预测，最后通过累加得到最终预测结果。以上证指数价格为研究对象进行实证分析，结果表明，所提出的混合预测模型的MAPE、RMSE、MAE分别为0.0122、0.3278、0.2681，具有更高的预测精度与适用性。     

基于支持向量机回归的房地产单指标预测

对时间序列预测常用的方法进行了比较,结合房地产自身的特点确定用支持向量机回归来对房地产单项指标进行预测;分析了支持向量机回归和时序相空间重构的基本原理;建立了支持向量机预测模型,结合武汉市的实际数据进行了实证分析,并和BP神经网络的预测结果进行比较,表明用支持向量机预测模型进行房地产单项指标预测精度更高。     

基于技术分析、基本面分析和深度学习的股价预测

文章从深度学习技术角度出发,将技术分析指标、基本面分析指标与混合循环神经网络模型相结合构建新型股价预测模型,并提出滚动样本预测评价法检验股价预测模型的长期有效性。研究发现,相较于以往研究模型,基于LSTM模型和GRU模型构建的混合循环神经网站模型能更有效地提取技术分析指标和基本面分析指标的数据特征,从而给出预测个股股价的最优网络结构;该混合循环神经网络模型在长期预测上具有更高的预测精度。     

含有时间幂次项的新GM模型建模参数特性研究

为提升灰色预测模型的精度,在GM(1,1)模型相关研究成果基础上构建了一种含有时间幂次项的灰色预测模型,讨论了该模型参数在系统特征序列经数乘变换前后的量化关系及数乘变换对该模型建模精度的影响程度.研究结果表明:新模型的建模精度与系统特征序列的数乘变换无关.研究结论认为,利用数乘变换可在不改变建模精度前提下简化新模型的建模过程,提高其建模效率.     

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性.研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能.     

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。     

基于时间序列分析方法的连续性抽样调查研究

针对连续性抽样调查中如何利用过去各期的调查信息来提高现期抽样估计精度的问题，引入时间序列分析方法，分别考虑连续性抽样调查中重复样本和重叠样本等不同情况，建立了不同情况下的时间序列模型，利用成熟的时间序列分析方法给出了总体特征的线性组合估计量。由于时间序列分析方法能够充分利用以往各期的调查信息，从而能够给出精度更高的估计量。     

我国农村居民口粮消费的组合预测

随着农村人口向城镇转移以及农村居民收入的增长,我国农村居民口粮需求逐年下降.预测农村居民口粮消费量不仅有助于把握农村居民消费结构的变动轨迹,而且对指导粮食生产也有重要的意义.文幸针对单一的预测模型可能存在的问题,利用时间序列和线性回归的组合模型对近30年我国农村居民口粮消费量进行了拟合.通过比较单一预测模型和组合预测模型的精度发现:相对于单一的预测模型,组合预测模型预测精度较高.利用组合预测模型,文章预测未来10年我国农村居民的口粮消费量会继续下降.     

天然气消费量自组织数据挖掘预测研究

文章通过分析天然气长期消费的影响因素及变化特点,认为天然气消费量和影响因素时间序列均存在一个或多个相似期;运用自组织数据挖掘的相似体合成预测方法构建天然气消费量预测模型,并通过北京地区天然气消费量预测进行模型精度检验,结果验证运用自组织数据挖掘的相似体合成方法进行天然气消费预测是科学可行的。     

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。     

基于时间序列的GM(1,1)预测模型及应用

GM(1,1)是较常用的时间序列预测模型.文章在借鉴运用时间序列和GM(1.1)预测模型的理论基础上,实证研究了京津冀地区国际旅游人次数的发展趋势.笔者根据2000-2008年京津冀国际旅游人次数的原始时间序列数据,通过GM(1,1)模型对各因素进行关联度分析,并对原始数据进行生成处理,形成有较强规律性的新数据序列,然后建立相应的微分方程模型,预测了2009-2013年京津冀国际旅游人次数的未来发展趋势,也再次验证了GM(1,1)预测模型是建模精度等级为二级的合格模型.     

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.     

在线预测的灰色支持向量回归方法

文章采取灰色系统和支持向量机相结合的方法,从预测精度和计算代价两方面讨论了经济时间序列数据的在线预测模式,提出了灰色自适应在线支持向量回归预测模型。两个经济时间序列的试验结果表明：该模型以稍高的计算代价能获得预测精度的明显提高,在选取合适灰色建模数据长度下,预测时间能迅速减少。     

面向偏斜数据的压缩季节性预测模型及应用

面向短时间序列的季节性预测方法能更为准确的抓住数据特征,提高预测精度.文章首先在分析目前常见的面向短时间序列的季节性预测方法的基础上,推出新的Lemon-Krutchkoff季节性预测模型,以解决偏斜分布数据预测精度不高的难题;并通过两套实际销售数据对新旧模型进行实验比较,以证实新模型在处理大噪声偏斜数据上的优势.     

一种新的非等间隔灰色预测模型

文章分析得出传统非等间隔GM(1,1)模型模拟序列并非GM(1,1)模型的指数序列,因此导致其应用范围不及GM(1,1)模型。建立模拟序列为指数序列的非等间隔GM(1,1)模型,线性组合背景值的建立使得模型满足无偏性。以实例数据验证了新的非等间隔灰色预测模型对非等间隔近似指数序列拟合具有更高的精度,拓广了灰色理论的应用范围。     

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。     

基于混沌神经网络算法的CPI预测

文章针对CPI时间序列的非线性特征,运用混沌理论对其相空间进行了重构,并求出其最大Lyapu nov指数大于零,从而判断CPI时间序列的混沌特性,利用混沌BP混合算法(CBP)构建了CPI预测模型。结果表明,该模型在6个月内具有较高的精度。