基于小波分解和ANFIS模型的CPI统计数据预测

介绍应用小波分析理论解决时间序列统计数据的测量误差消除问题,实例证明借助离散小波分解与重构手段,可有效地从误差干扰的统计数据序列中提取统计数据的原始特征.完成CPI经济序列数据预测,为CPI统计数据的误差消除引入一种有效方法.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

自适应神经模糊推理系统在交通污染物浓度预测中的应用

城市交通带来的废气排放已经成为城市大气污染的主要来源之一。交通污染问题的成因和机理较为复杂,变化规律具有较强非线性和周期性特征。将自适应神经模糊推理系统(adaptive neuro fuzzy inference system,ANFIS)应用于交通污染物浓度时序数据预测时呈现出良好的泛化能力。本文以长沙市CO小时浓度数据为研究目标,通过分析CO浓度时序数据的自相关性、偏自相关性,以及交通流对CO浓度的时滞性影响,确定ANFIS预测模型的输入变量。结果表明,相较于传统的时间序列预测模型以及机器学习模型,ANFIS模型预测结果具有更高的精度,能够对交通环境污染进行预测及预警,为防止城市灾害性大气污染事件发生奠定理论研究基础并提供有效决策支持。     

基于混沌最小二乘支持向量机的时间序列预测研究

为了对这种具有非线性特性的时间序列进行预测,提出一种基于混沌最小二乘支持向量机.算法将时间序列在相空间重构得到嵌入维数和时间延滞作为数据样本的选择依据,结合最小二乘法原理和支持向量机构建了基于混沌最小二乘支持向量机的预测模型.利用此预测模型对栾城站土壤含水量时间序列进行了预测.结果表明,经过相空间重构优化了数据样本的选取,通过模型的评价指标,混沌最小二乘支持向量机的预测模型能精确地预测具有非线性特性的时间序列,具有很好的理论和应用价值.     

短时交通流混沌预测模型的比较研究

短时交通流预测是实现交通流诱导的关键技术之一.针对目前短时交通混沌预测模型预测结果差异较大的问题,归纳了4种基于混沌理论的短时交通流预测模型:RBF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究.应用4种预测模型对几个典型的非线性系统进行预测,验证了算法的准确性.然后用这4种预测模型对微观实测交通流的时间序列进行实证分析.仿真结果表明,4种预测模型对典型混沌时间序列具有很好的预测效果;而对实测交通流预测,其预测精度和稳定性较差,但可以满足实时交通流预测的需要.     

我国城乡居民CPI的影响因素与预测研究

基于“中国统计年鉴”公布的最新数据,研究我国城乡居民消费价格指数(CPI)与各类CPI的相关性,利用MLR和GM(1,N)模型,对我国城乡居民CPI与各类CPI进行数据拟合,对比分析两模型的实效性和差异性.同时利用高斯模型建立城乡CPI的时间序列预测模型.结果表明:1) MLR和GM(1,N)模型都具有很高的预测精度;2)城乡CPI关于时间的高斯预测模型也具有很好的拟合优度决定系数.最后在模型结果分析基础上给出相关政策及建议.     

混沌时间序列的2阶预测模型

为了克服传统预测方法对混沌时间序列预测精度不高的缺点,提出一种新的基于1阶预测模型(1-OP)和信息融合理论的混沌时间序列2阶预测模型(2-OP).首先根据相空间重构理论建立2个1阶预测模型,然后根据融合估计原理建立2阶预测模型.最后利用Lorenz和Mackey-Glass时间序列对该模型进行验证,结果表明,2阶预测模型对多变量和单变量混沌系统都是有效的.     

基于多元Hamacher-ANFIS的股票价格预测

应用减法-模糊聚类算法、多元Hamacher算子以及自适应神经模糊推理系统(ANFIS)提出了一种中国股票市场价格建模及预测的多元Hamacher-ANFIS模型.首先多元Hamacher算子与ANFIS相结合,对ANFIS种各规则的隶属度测度机制和规则参数更新机制进行了修正,建立基于减法-模糊聚类的多元HamacherANIFS模型;再从沪深两市各选取了总市值最大的5支股票,计算出它们在同一时间段的历史波动率,并以此为依据得到模型对该股票预测性能的权重;最后运用减法-模糊聚类算法初始化模型参数,对每个数据组进行5重交叉检验,并根据之前得到的权重计算出模型关于检验集的综合R2值.实验结果证明,与现有方法相比,该模型增强了对复杂目标函数的学习能力,提高了对股票价格的预测精度.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

基于改进的BP神经网络中国CPI运行预测研究

加强和改善宏观调控,保持价格平稳运行,促进经济持续健康发展是经济工作的重中之重.鉴于BP神经网络模型具有很好地模拟非线性系统的优点,对BP神经网络模型进行了新的改进,在对权值和阈值进行修改时加入了动量项α,并根据以往两次金融危机前后中国CPI运行具有较高相关性的特点,以1997年和2008年两次金融危机集中爆发前后数年数据为基础,运用该模型对中国CPI指数运行进行了拟合,并以2011年为例对中国CPI指数进行了预测,结果与实际运行数据基本一致,预测效果很好.此方法可为改进价格预测,加强价格调控提供重要借鉴意义.