基于灰色预测模型的广州市城镇生活垃圾清运量预测

基于灰色预测理论,分别用GM(1,1)模型、分数阶GM(1,1)模型和新陈代谢GM (1,1)模型对广州市2015-2019年城镇生活垃圾清运量数据进行建模、检验和比较,结果表明新陈代谢GM(1,1)模型预测精度最高.预测2020-2024年广州市城镇生活垃圾清运量仍呈现长的趋势,在2024年将会突破1000万吨.     

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模型的我国稀土需求统计及预测分析

以我国1978-2012年稀土需求量数据为样本,运用ARIMA模型对我国"十二五"末稀土需求量进行预测分析.预测结果表明2013-2015年我国稀土需求量总体上将持续增长,到2015年我国稀土需求总量将达到8.27万吨(REO),与2012年相比,年复合增长率为8.48%.预测具有较高的拟合精度,拟合值与观测值具有较好的一致性.通过对我国稀土需求量进行预测以期为政府制定相关行业政策提供决策依据.     

基于GM-Markov模型的京津冀区域物流需求量的预测

利用2009-2014年京津冀三地的货运量,通过灰色预测模型中的GM(1,1)预测模型分别对京津冀三地2015-2017年的货运量进行预测,经过后验差比值和小误差概率检验,得出采用该模型的预测精度为优.同时采用Markov模型对灰色模型进行修正,构建出了新的GM-Markov模型,采用新模型分别对京津冀三地2015-2017年的货运量进行预测,将前后模型预测的结果与实际值进行比较,得出采用GM-Markov模型比单纯的运用GM(1,1)预测模型预测的结果更为精确.最后,利用GM-Markov模型分别对京津冀三地2018-2022年的物流需求量进行了预测,得出了京津冀三地货运量未来的变化趋势.     

基于ARIMA模型对海南省社会消费品零售总额的预测

对海南省社会消费品零售总额进行预测,对于了解海南省社会消费品零售总额的发展态势,为有关部门作出决策提供科学的依据,具有重大的现实经济意义.选取1999年到2014年的海南省社会消费品零售总额的数据来建立ARIMA(1,3,2)模型,2012年到2014年的实际值与预测值的相对误差5%以内,拟合效果良好,说明采用ARIMA模型预测海南省社会消费品零售总额是可行的,预测数据可靠.最后对海南省2015-2018年的社会消费品零售总额进行预测.     

中国碳排放灰色预测

中国碳排放问题成为世界关注的焦点问题.预测中国未来碳排放有助于实现2020年的碳减排目标.选取2002-2009年中国碳排放数据,通过灰色GM(1,1)模型,对中国碳排放进行了短期预测.模型检验结果表明:预测精度为二级,关联度、均方差比值和小误差概率均为一级,预测结果与实际值出入较小,到2015年中国碳排放量将超过三十二亿吨碳,"十二五"期间二氧化碳减排形势严峻.针对研究结果,提出发展低碳经济,提高能源效率和发展非化石能源来降低碳排放的策略.     

基于EEMD-Elman-Adaboost的中美股票价格预测研究

针对股票价格序列高度非正态、非线性、非平稳等复杂特征,文章以Elman神经网络为基础,引入集合经验模态分解(EEMD)与Adaboost算法,对中美股票的日收盘价进行预测。首先,利用EEMD算法将样本分解为多个本征模函数分量和1个残差分量。其次,用Adaboost算法优化Elman神经网络,对各个分量进行预测。最后,将各分量预测结果进行求和,作为最终预测结果。研究结果表明:EEMD-Elman-Adaboost模型对中美股票价格预测的均方根误差、平均相对误差、平均绝对误差均比现有的BP、Elman、EMD-Elman、EEMD-Elman模型小,新组合模型融合了EEMD、Elman神经网络、Adaboost算法的优点,具有更强的泛化能力和跟随能力。     

基于混合模型的原油价格混沌预测方法

针对原油现货价格的非线性和时变性特征,提出一种小波变换结合Elman神经网络和广义自回归条件异方差(GARCH)模型的混沌预测方法。首先利用小波变换将原油现货价格序列分解和重构成概貌序列和细节序列。其次对概貌序列和原油期货价格序列进行相空间重构,建立Elman神经网络的混沌时间序列模型预测概貌序列的未来值;同时以细节序列为历史数据,构建GARCH模型预测细节序列的未来值;最后将概貌序列和细节序列的未来值求和作为最终的预测值。实验证明该方法能够提供更准确的预测结果。     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

基于马尔可夫模型的我国农业产值结构预测

利用马尔可夫模型对我国农业产值结构的预测问题进行了研究,并给出了其状态转移概率矩阵的估算模型与优化方法,应用此模型依据1999-2009年我国农业产值结构的统计数据,预测了农、林、牧、渔各业的产值结构.预测结果表明,该方法对农业产值结构的平均拟合误差为3.08%.用2010-2011年农业产值结构数据进行检验预测,结果表明模型可以有效地提高农业产值结构的预测精度.最后,用模型对2012-2015年我国农业产值结构进行了预测.     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．     

基于三类模型的四大银行股票收益率预测研究

运用时间序列分析的预测方法,对四大银行的股票日对数收益率序列进行拟合与预测分析,分别构建ARMA模型、GARCH模型以及ARMA-GARCH组合模型,通过模型比较,实证分析表明:在拟合效果上,ARMA-GARCH模型的拟合优度优于ARMA模型和GARCH模型;在预测效果上,ARMA模型的预测效果最优,ARMA-GARCH模型次之.     

苎麻纤维细度测试与分析的灰色模型

基于灰色系统理论的灰色建模应用于试验数据的相关分析 ,比基于数理统计的回归分析在实际应用中由于所需样本容量较小而具有明显的优点 ,特别对贫信息系统适用 .从而可避免在回归分析中因样本容量太小而致使回归方程的误差不可预测的弊端 .鉴于上述原理 ,本文采用灰色系统理论建立了苎麻纤维Tex数 Y与投影宽度 X之间的灰色 GM( 1 ,2 )模型 ,并进行了误差分析 .利用此模型探索了通过测定苎麻纤维投影宽度来计算其 Tex数的方法 .为生产工艺控制、产品质量检验和监督提供了一种简便而科学的办法 .     

Short-term prediction of wind power using EMD and chaotic theory

Due to the strong non-linear, complexity and non-stationary characteristics of wind farm power, a hybrid prediction model with empirical mode decomposition (EMD), chaotic theory, and grey theory is constructed. The EMD is used to decompose the wind farm power into several intrinsic mode function (IMF) components and one residual component. The grey forecasting model is used to predict the residual component. For the IMF components, identify their characteristics, if it is chaotic time series use largest Lyapunov exponent prediction method to predict. If not, use grey forecasting model to predict. Prediction results of residual component and all IMF components are aggregated to produce the ultimate predicted result for wind farm power. The ultimate predicted result shows that the proposed method has good prediction accuracy, can be used for short-term prediction of wind farm power.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

基于ARMA模型的股价分析与预测的实证研究

利用ARMA模型对招商银行(600036)的股票日开盘价(2010/10/13-2011/4/8)数据进行分析,并预测出未来3天(2011/4/11-2011/4/13)的股票开盘价数据.与实际数据相对照,模型预测误差小,说明ARMA模型非常适合于短期预测.