基于函数型非参数方法的气温数据预测分析

基于函数型非参数核回归估计的方法分析安徽省1955年至2010年月度平均气温数据,建立函数型非参数回归模型,并对2010年气温数据进行实证研究.同时,与经典的非参数回归模型的预测结果相比,本文方法的预测均方误差明显优于经典的非参数回归方法,体现出函数型非参数模型的优越性.     

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.     

基于支持向量回归和核岭回归对血糖值预测的对比分析

为了对比支持向量回归(SVR)和核岭回归(KRR)预测血糖值的效果,本文选择人工智能辅助糖尿病遗传风险的相关数据进行实证分析.首先对数据进行预处理,将处理后的数据导入Python.其次,为了使SVR和KRR的对比结果具有客观性,使用了三种有代表性的核方法(线性核函数,径向基核函数和sigmod核函数).然后,在训练集上采用网格搜索自动调参分别建立SVR和KRR的最优模型,对血糖值进行预测.最后,在测试集上对比分析SVR和KRR预测的均方误差(MSE)和拟合时间等指标.结果表明:均方误差(MSE)都小于0.006,且KRR的MSE比SVR的小0.0002,KRR的预测精度比SVR更高;而SVR的预测时间比KRR的少0.803秒,SVR的预测效率比KRR好.     

基于不同核函数的非参数与参数利率模型的国债定价

以上海证券交易所的国债回购利率数据为样本,本文采用两种不同核函数:高斯核和抛物线核对非参数利率期限结构模型进行估计.结果显示:短期利率的密度函数是非正态的,扩散过程的漂移函数和扩散函数都是非线性的,高斯核比抛物线核对扩散函数拟合更平滑.然后,给出了基于非参数和参数利率模型的国债定价的方法,并对非参数利率模型、Vasicek模型、CIR模型、多项式样条静态模型进行国债定价预测比较与分析.     

随机缺失相依函数型数据的非参数核回归估计

针对函数型非参数回归模型,基于相依数据场合,研究了模型中响应变量随机缺失的回归算子核估计问题.在一定的条件下,采用Kolmogorov熵得到了核估计量的几乎一致完全收敛速度.     

具有高斯过程误差的函数型线性模型的统计诊断

提出了具有高斯过程误差的函数型回归模型的几种诊断方法.在此模型中,首先,在样条基的基础上,推导了回归系数函数的估计.随后,证明了数据删失模型和均值漂移模型的等价性.然后,研究了三种诊断方法,即残差分析、Cook距离和似然距离来诊断异常和强影响数据.最后,通过一个模拟例子和一个实例来阐述方法的有效性.     

一种基于在线训练的交通信息实时预测快速算法

对于实时交通信息预测,预测精度与预测时间效率始终是一对难以解决的矛盾.重点研究如何提高预测时间效率问题.以精确在线支持向量回归算法(AOSVR)为基础,提出了基于云模型的sigmoid核函数简化计算方法,建立了改进的AOSVR交通信息实时预测模型.该模型应用于实际的交通流实时预测,预测结果表明,由于简化了计算,以损失较小回归精度的代价,显著提高AOSVR模型预测效率.     

基于反余弦函数变换的灰色预测模型研究

提出了反余弦函数变换方法,证明了这种变换是级比压缩变换,能够提高序列光滑度,可以保持序列凹凸性,不会增大还原误差,满足数据变换的构造准则.通过具体算例表明,基于反余弦函数变换的GM(1,1)模型的预测精度优于传统GM(1,1)模型和基于幂函数变换的GM(1,1)模型,说明了该变换的有效性.     

语言数据的自回归模型及其在上证综指预测中的应用

专家对金融证券市场的感知和判断是一相对重要的信息资源,应在系统建模中结合实际数据加以适当吸收和利用。本文给出基于随机模糊结合方法的一类移动平均自回归模型,并将其用于上证综指月度数据的趋势预测中。由于专家的感知或判断通常以语言形式表达,而语言通常具有模糊性特征。基于模糊随机变量对此类语言数据定义其均值、方差、协方差以及误差标准化过程,并得到模型在一种集间距离下的最小二乘估计及其渐近性质。给出了该模型在上证综指预测中的实证结果,其表明本文的自回归模型不仅较好地适用于语言数据环境并给出良好的模糊值预测结果,而且同时带来对原始股价序列的较准确预测结果,其精度对比基于实际数据的自回归模型的预测结果有显著提高。     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于改进的支持向量回归机的金融时序预测

金融市场是一个复杂、演化、非线性的动态变化的系统.金融数据往往带有噪声,非平稳且时常是混沌的.本文基于时序数据的先验知识——近期数据对于预测未来走势提供了更多的信息,对于传统的支持向量机的回归模型做出了一定的改进,即对于近期的数据预测错误施以更严重的惩罚,构建了改进的支持向量回归机模型.使用该改进模型对中国股票市场指数时间序列进行了预测,结果显示,本文改进的模型较之传统的支持向量回归机模型和神经网络模型有较好的预测效果.     

基于偏最小二乘变换与Kriging模型的全局优化方法

针对传统Kriging模型在多变量(高维)输入全局优化中因超参数过多而引发收敛速度慢,精度低,建模效率不高问题,提出了基于偏最小二乘变换技术和Kriging模型的有效全局优化方法.首先,构造偏最小二乘高斯核函数;其次,借助差分进化算法寻找满足期望改进准则最大化条件的新样本点;然后,将不同核函数和期望改进准则组合,构建四种有效全局优化算法并进行比较;最后,数值算例结果表明,基于偏最小二乘变换的Kriging全局优化方法在解决高维全局优化问题方面相比于标准的全局优化算法在收敛精度及收敛速度方面更具优势.     

基于灰色关联分析的支持向量机的铁路货运量预测研究

采用基于灰色关联分析的支持向量机对铁路货运量进行预测.首先利用灰色关联分析法对影响铁路货运量的因素进行分析处理,然后利用基于高斯核函数的支持向量回归机建立了铁路货运量预测模型.通过分析预测结果可以发现,经过灰色关联分析后的支持向量机模型对复杂的铁路货运量数据有较好地处理能力,且预测相对误差较小.特别地,由于支持向量机的适应性,该模型具有较高的泛化能力,对影响因素较为复杂,样本数量小的预测问题可以提供一定参考.     

基于高斯过程函数型回归模型的日最高气温研究

极端天气是目前社会热点问题.利用高斯过程函数型回归对北京,上海等10个城市近年来夏季日最高气温进行整体建模.选取城市地理位置信息作为均值函数解释变量,时间和降雨信息作为高斯过程协方差结构解释变量,充分利用模型能够同时捕捉均值和协方差结构的优势,解决多地区日最高气温的整体建模和同步预测问题.研究表明,高斯过程函数型回归模型在随机预测,外延预测,k步预测,以及对于训练数据集以外城市的预测均有较好的效果,且优于一般的函数型数据模型.     

基于可调权重距离的最小一乘回归方法

不同时期数据对因变量的影响权重不同,若不考虑数据的时间特性而构建回归模型,可能不一定得到最佳的回归模型.针对经济领域中数据时间跨度大,样本少以及可能存在异常点的特点,提出基于可调权重距离的最小一乘回归方法.建立了可调权重距离的权重系数确定方法,并给出基于MATLAB的模型求解方法.通过某船舶使用费用预测的应用,表明通过方法构建的模型具有更高的精度,值得借鉴.     

基于3σ准则的分段拟合及其GARCH修正模型

在金融时间序列中,一组金融序列可被视为由不同时间段的分段函数拟合连接而成.利用3σ准则确定分段函数的临界点,并根据AIC准则及调整后R2对分段点进行验证,从而分段点把数据分割成两部分.对两序列分别用合适的函数进行拟合,并用ARMA-GARCH模型对残差序列进行修正.由上证综合指数数据的实证分析结果表明:3σ准则能很好地检索出临界点,同时建立的分段函数模型预测效果要优于ARMA与EGARCH模型,以及ARMA-GARCH模型的引入对模型的精确度有所提高.所介绍的方法简单易懂、便于操作、精度高,为金融投资者和学者提供参考价值.     

台风致洪灾害的广义模糊熵模型研究

根据台风致洪灾害系统的复杂性、不确定性以及模糊性等特点,构造灾情指数与致灾源指数,建立基于模糊聚类下的灾害风险熵模型,讨论灾害风险熵与灾害的致灾源、灾情的相关程度;对灾害风险熵进行核密度估计,根据估计曲线的峰值讨论中小尺度灾害与极端灾害各自概率分布情况。通过研究灾情与各致灾源的Kullback-Leibler距离,讨论各灾情指标与致灾源分布贴近程度;运用三种不同的回归方法对台风致洪灾害的风险熵进行回归分析,建立基于支持向量机的非线性组合回归模型。结果表明,灾害风险熵与致灾源因子、灾情有较高的负相关性;所构建的组合回归模型的回归效果较三个单项回归有显著提高。     

基于加权损失函数下广义指数预报因子模型的汇率预测

本文提出在加权损失函数下构建汇率预测的广义指数预报因子模型。该方法首先选取有限个不同滑动参数构造指数预报因子,同时基于绝对值损失和平方损失的提出加权损失函数作为变量筛选的准则,然后在该准则下将指数预报因子进行线性组合,建立汇率预报的广义指数预报因子模型。本文最后用英镑/美元单周汇率数据与文献中的一些已有方法做比较,实证分析表明本文提出的方法在汇率预测效果上有较大改进。     

删失数据回归误差项的非参数密度估计的一致相合性(英文)

回归误差项是不可观测的. 由于回归误差项的密度函数在实际中有许多应用, 故使用非参数方法对其进行估计就成为回归分析中的一个基本问题. 针对完全观测数据回归模型, 曾有作者对此问题进行了研究. 然而在实际应用中, 经常会有数据被删失的情况发生, 在此情况下, 可以利用删失回归残差, 并使用核估计的方法对回归误差项的密度函数进行估计. 本文研究了该估计的大样本性质, 并证明了估计量的一致相合性.     

基于区域房价的空间自回归模型平均

文章是基于模型平均的方法对我国重点省会城市月度房价数据的空间自回归模型的拓展研究.通过一定的宏观经济解释变量和房价数据,构建区域房价的空间自回归模型,并在基于MMA准则的模型平均框架下,将不同的候选模型组合进行房价预测.对比经典空间自回归模型的预测,基于模型平均的MMA, SAIC和SBIC的预测有更高的精确度和更好的稳定性.