基于EMD-GRU的高速公路行程时间组合预测模型

考虑到高速公路行程时间影响因素繁多且行程时间序列非线性、非平稳特征显著,设计了基于经验模态分解和GRU神经网络的高速公路行程时间组合预测模型.首先,利用高速公路收费数据中车辆进出高速公路的时间信息获取路段行程时间序列;然后,利用经验模态分解算法,将复杂的行程时间序列分解为若干时间尺度不同、相对平稳的本征模态函数分量和残差分量;接着,使用GRU神经网络对各本征模态函数分量和残差分量进行预测与集成操作.实例分析表明:经验模态分解可有效提高LSTM、GRU神经网络的预测精度;在相同参数设置的情况下,GRU神经网络的预测精度优于LSTM神经网络.     

基于时间序列的混合神经网络数据融合算法

针对传统的数据融合算法对高噪声、大规模、数据结构复杂的时间序列数据融合性能较差的问题,该文提出了一种混合神经网络的数据融合算法(即SCLG算法).SCLG算法的思想是首先利用奇异谱分析算法对数据分解重构以达到去噪的目的;其次,通过深层卷积神经网络提取数据的空间特征和短期时间特征;然后,利用长短期记忆(LSTM)网络和门控循环单元(GRU)网络双层网络,进一步深度提取数据时间维度上的特征;最后,利用全连接网络综合主要信息输出最终的决策.通过SP&500和AQI数据集上的实验结果表明,该算法在融合性能及稳定性方面均优于DCNN、CNN LSTM、FDL数据融合算法.     

基于CNN-BiLSTM模型的PM2.5浓度预测方法

针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM_2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM_2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM_2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.     

改进LSTM网络对于时间有效性经济指标预测模型的研究

针对经济指标的预测,尤其是关于时间有效性的预测,具有重要的现实意义.通过筛选,得到对于起经济预测影响较高的指标.基于LSTM网络模型,对LSTM模型的初始权重及阈值进行了优化,提升了模型的经济预测效果.结合不同类型的灰度模型算法,重点体现时间有效性,进而构建新的组合灰度改进-BA-LSTM网络模型,将其用于经济指标的预测.利用其他三种不同的灰度模型和组合灰度模型分别结合效果更稳定的改进BA-LSTM模型对经济指标进行预测,实验结果证明,对比其他的经济预测模型,模型的精度更高,预测结果更准确,可以有效用于CPI和GDP等数据的预测,预测结果满足时间有效性要求,证明该模型的实用价值.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

结合长短时记忆网络和宽度学习的股票预测新模型研究

长短时记忆网络(LSTM)近年来广泛应用于股票预测中，其结构特点易陷入局部最优，从而影响预测精度。借鉴宽度学习系统(BLS)在时间序列预测上良好的逼近能力，本文尝试宽度学习与深度学习相结合。进一步地，针对股票序列不平稳特点，引入互补集成经验模态分解(CEEMD)进行降噪处理，提出CEEMD-LSTM-BLS(C-L-B)股票预测模型。选取农林牧渔行业股票价格，对新提出的模型进行实证研究。通过与基线模型、现有股票预测模型对比，证明了新模型在多个精度指标上都有明显提升。特别地，通过分别将C-L-B模型与不融入BLS的CEEMD-LSTM模型，对CEEMD分解后的分量预测结果进行对比发现：LSTM模型预测存在一定的误差，且越是拐点处，越是高频波动，预测误差越明显。而C-L-B模型中的BLS模块能够解决这类问题。当数据出现较大波动时，本文提出的新模型与现有模型相比，可以很好的解决拟合差、时滞等问题。     

基于门控递归单元神经网络的高速公路行程时间预测

为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.     

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

基于多分辨率分析的股票市场预测模型研究

采用多分辨率分析技术将深证成指收盘数据序列分解为多个子序列,然后采用神经网络技术对每个子序列分别建立预测模型,将各个预测结果叠加后得到最终预测结果.研究首先发现多分辨率技术可以有效提高预测模型的预测精度,表明分析我国股市波动时应该按照不同因素对股市影响大小及周期的差异分别研究,才能更有效分析股市运行状况及对其预测;其次结果表明不同类型神经网络预测模型预测性能差异明显,在选择股市预测模型的神经网络类型时应该注意其学习算法及收敛过程,以便能更好捕获股市变化规律.     

A Performance evaluation of neural network models in traffic volume forecasting

Forecasting traffic volume is an important task in controlling urban highways, guiding drivers' routes, and providing real-time transportation information. Previous research on traffic volume forecasting has concentrated on a single forecasting model and has reported positive results, which has been frequently better than those of other models. In addition, many previous researchers have claimed that neural network models are better than linear statistical models in terms of prediction accuracy. However, the forecasting power of a single model is limited to the typical cases to which the model fits best. In other words, even though many research efforts have claimed the general superiority of a single model over others in predicting future events, we believe it depends on the data characteristics used, the composition of the training data, the model architecture, and the algorithm itself.In this paper, we have studied the relationship in forecasting traffic volume between data characteristics and the forecasting accuracy of different models, particularly neural network models. To compare and test the forecasting accuracy of the models, three different data sets of traffic volume were collected from interstate highways, intercity highways, and urban intersections. The data sets show very different characteristics in terms of volatility, period, and fluctuations as measured by the Hurst exponent, the correlation dimension. The data sets were tested using a back-propagation network model, a FIR model, and a time-delayed recurrent model.The test results show that the time-delayed recurrent model outperforms other models in forecasting very randomly moving data described by a low Hurst exponent. In contrast, the FIR model shows better forecasting accuracy than the time-delayed recurrent network for relatively regular periodic data described by a high Hurst exponent. The interpretation of these results shows that the feedback mechanism of the previous error, through the temporal learning technique in the time-delayed recurrent network, naturally absorbs the dynamic change of any underlying nonlinear movement. The FIR and back-propagation model, which have claimed a nonlinear learning mechanism, may not be very good in handling randomly fluctuating events.     

基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.     

Time series forecasting with neural network ensembles: an application for exchange rate prediction

This paper investigates the use of neural network combining methods to improve time series forecasting performance of the traditional single keep-the-best (KTB) model. The ensemble methods are applied to the difficult problem of exchange rate forecasting. Two general approaches to combining neural networks are proposed and examined in predicting the exchange rate between the British pound and US dollar. Specifically, we propose to use systematic and serial partitioning methods to build neural network ensembles for time series forecasting. It is found that the basic ensemble approach created with non-varying network architectures trained using different initial random weights is not effective in improving the accuracy of prediction while ensemble models consisting of different neural network structures can consistently outperform predictions of the single ‘best’ network. Results also show that neural ensembles based on different partitions of the data are more effective than those developed with the full training data in out-of-sample forecasting. Moreover, reducing correlation among forecasts made by the ensemble members by utilizing data partitioning techniques is the key to success for the neural ensemble models. Although our ensemble methods show considerable advantages over the traditional KTB approach, they do not have significant improvement compared to the widely used random walk model in exchange rate forecasting.     

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题，目前已提出了多种模型对其进行预测。在此基础上，根据神经网络的非线性和良好的函数逼近特性，提出用基于BP神经网络的非线性组合预测（NN-NLCF）模型来预测海洋冰情灾害。结果表明，NN—NLCF模型与海洋冰情的非线性特性相契合，它综合利用了参与组合的多种预测模型的有效信息，因而能更客观地反映海洋冰情的发展趋势，预测结果更为稳健、精度更高，在其它自然灾害时序预测中具有一定的推广应用价值。     

基于ARIMA与信息粒化SVR组合的股指预测研究

对于证券市场投资者而言,基于合理假设准确预测资产价格未来发展方向与趋势关乎投资成败。本文通过构建一个基于ARIMA与信息粒化SVR的组合预测模型,对股票市场指数价格和收益变化的趋势进行预测。实证研究结果表明:基于ARIMA与信息粒化SVR组合的股指预测模型相较于传统时间序列模型而言,在预测精度和效度方面有较大提升,能够在一定时间周期内对股票等风险资产的价格波动区间进行较为可靠地预测,但目前还只能大致确定时间序列波动的区间范围而不能精确地预测具体点位。未来仍需结合其他预测模型和预判技术进一步深入研究,以有效提升股指趋势预测的准确性和实际指导性。     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.