基于MGWO-SVR的空气质量预测

空气质量指数预测可以为企业和社会工作提供指导.灰狼优化算法具有简单高效的特点,但是在后期迭代中容易陷入局部最优.针对灰狼优化算法的缺点,对其全局优化能力进行了改进,并用改进的算法对支持向量机回归算法(SVR)的参数进行寻优,建立了MGWO-SVR预测模型.最后以中国环境监测总站中太原市的数据为研究对象,分别用MGWO-SVR模型和SVR模型对太原市的空气质量指数进行了预测拟合实验.实验结果表明,MGWO-SVR模型可以有效预测空气质量指数,并比SVR模型有更高的预测精度.     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

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GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

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.     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

基于蚁群算法的灰色组合预测模型

分别利用灰色GM(1,1)模型、GM(1,1)优化模型和新息GM(1,1)模型建立三个单项预测模型,进一步建立了组合灰色预测模型,组合模型的权系数利用蚁群算法确定.最后给出了一个我国人口数量组合预测模型,计算结果表明,基于蚁群算法的灰色组合预测模型的拟合和预测精度要优于传统组合预测模型.     

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。     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.     

基于灰关联的GOM((p,q))(1,2)-BP神经网络模型及AQI预测

基于分数阶反向累加生成构建一种新的GM(1,2)模型,为使所构建模型能更好贴近和反映两个累加生成序列指标之间的真实关联关系,提出了基于不同序列采用不同累加阶数的GOM⁽(p,q))(1,2)模型.首先通过灰关联模型识别并筛选与特征序列关联度最大的相关因素序列,然后建立不同累加阶数的灰色模型,通过带压缩因子的粒子群优化算法求解模型最优阶数p和q,最后运用BP神经网络修正GOM⁽(p,q))(1,2)的模型值,构建GOM⁽(p,q))(1,2)-BP神经网络组合模型.模型应用于武汉市空气质量指数的预测,结果表明与单一模型相比,组合模型具有更好的性能和建模精度.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

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。     

基于高频波动率模型与R-vine copula的行业资产组合风险测度研究

相较于低频波动率模型,高频波动率模型在单资产的波动和风险预测中均取得了更好效果,因此如何将高频波动率模型引入组合风险分析具有重要的理论和现实意义。本文以沪深300指数中的6种行业高频数据为例,运用滚动时间窗技术建立9类已实现波动率异质自回归(HAR-RV-type)模型刻画行业指数波动,同时使用R-vine copula模型描述行业资产间相依结构,进一步结合均值-CVaR模型优化行业资产组合投资比例,构建组合风险的预期损失模型,并通过返回测试比较不同风险模型的精度差异。研究结果表明:将HAR族高频波动率模型引入组合风险分析框架,能够有效预测行业资产组合风险状况;高频波动率预测的准确性将进而影响组合风险测度效果,跳跃、符号跳跃变差以及符号正向、负向跳跃变差均有助于提高行业组合风险的预测精度。     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

灰色理论和BP神经网络在大学生就业信心指数预测中的应用

采用大学生就业信心指数来分析预测其就业信心是值得研究的问题.提出一种灰色理论和BP神经网络相结合的方法对大学生就业信心指数进行预测.首先对影响就业信心的主要因素建立不同的灰色模型,然后将每个灰色模型的预测值作为神经网络的输入,利用神经网络进行组合预测以作为其最终的预测值.结果表明组合模型的预测值相对误差更小,精度更高.     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GA-BP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。     

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.     

考虑模型相关性的组合预测过程中单项模型筛选研究

针对组合预测过程中单项模型筛选难以刻画模型之间相关性的问题,采用模糊测度和模糊积分来刻画模型的相关性,并对单项模型预测结果进行集成,进而提出一种考虑模型相关性的组合预测过程中单项模型筛选方法.采用2可加模糊测度来刻画不同模型之间的相关性,并利用Choquet积分依据模糊测度值,将单项模型的预测值集成起来,形成组合预测结果.在这个组合预测过程中,采用基于模糊测度定义的Shapley值和交互作用指标来对单项模型进行筛选.为了验证文章提出的考虑模型相关性的组合预测单项模型筛选方法的有效性,选择软件工程领域的软件成本估算问题进行算例分析,选择基于案例推理方法(CBR)、最小二乘回归(OLS)、支持向量回归机(SVR)、分类回归树(CART)、人工神经网络(ANN)等数据驱动模型作为软件成本组合预测过程中的单项模型.选择常用的Desharnias数据库来验证模型的有效性.实证结果表明文章提出的单项模型筛选方法是一种有效方法,经过筛选后的组合预测模型能有效提高软件成本估算的精度,此外,研究结果还表明组合估算过程中最重要的模型(Sharply值最大)并不是估算精度最高的模型,即单个模型的重要性与该模型的估算精度没有必然联系,说明传统的以单个模型估算精度为依据的组合预测模型存在着一定的缺陷.