基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

ARIMA时间序列模型和BP神经网络组合预测在铁路客座率中的应用

首先利用python3.5对铁路客座率原始数据进行预处理,然后利用ARIMA时间序列和BP神经网络进行单一的模型预测,得出单一预测模型的均方误差.在组合预测求解时,先求出ARIMA时间序列模型的误差向量E_1和BP神经网络的预测误差为E_2,由于这两种预测方法是相互独立的,因此误差向量E_1和E_2线性无关且组合预测误差向量为E=(E_1,E_2),得出组合预测平方和的形式为J-W~TEW,然后根据组合预测误差平方和最小的原则来确定权值w_1,w_2,最后求解凸二次规划问题得到权值并求出组合预测模型和均方误差.通过比较单一模型预测和组合预测的均方误差,得出结论:组合预测模型的精确度高于单一预测模型的精确度.     

基于粒子群的模糊神经网络的短时交通流量组合预测

为了进一步提高短时交通流量预测的精度,提出了一种粒子群算法的模糊神经网络组合预测模型,模糊神经网络融合了神经网络的学习机制和模糊系统的语言推理能力等优点,弥补各自不足,将自回归求和滑动平均(ARIMA)和灰色Verhulst模型进行初步预测,并将两种初步预测的结果作为模糊神经网络的输入,构建基于改进模神经网络的组合预测模型,在此基础上进行训练和预测,其中模糊神经网络的相关参数由改进粒子群来优化,利用本方法来对南京市汉中路短时交通流量进行预测,结论表明:方法充分发挥了单一模型的优势,比单一的预测模型更加精确,是短时交通流量预测的一个有效方法。     

基于遗传神经网络的风电功率预测

针对基于单一BP神经网络的风电功率预测模型的不足,提出了一种基于遗传算法优化的神经网络风电功率预测模型.模型采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.试验结果表明,基于遗传算法优化的神经网络可以提高风电功率预测的精度,其性能优于基于单一BP神经网络模型的风电功率的预测.     

基于灰色神经网络模型的水质预测应用研究

将灰色模型和神经网络模型进行组合建立灰色神经网络模型,分别用灰色模型、神经网络模型和组合模型对永定河流域官厅水库断面的水质检测指标DO的浓度值进行模拟预测.结果表明,组合预测模型的模拟预测精度高于两种单一模型的预测精度.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

大连水产品冷链物流需求影响因素分析及其预测

提出了一种基于GM(1,1)和BP神经网络的组合预测模型.首先对传统GM(1,1)模型的背景值进行改进,再利用改进的GM(1,1)模型和BP神经网络模型各自的优势分别预测冷链物流需求量的线性主体部分和非线性残差部分,然后将二者进行加和,并通过MATLAB对大连水产品冷链物流需求量进行仿真预测.结果表明,与单一的预测模型相比,该组合模型具有更高的预测精度,使预测结果更接近实际情况.     

基于ARIMA-DGM-BP组合模型的喀什地区GDP预测

组合模型的预测效果一般优于单一模型的预测效果.利用ARIMA模型,DGM(1,1)模型以及BP神经网络构建ARIMR-DGM-BP组合预测模型,给出了建立该组合模型的基本思路.利用喀什地区2000-2018年GDP的相关数据资料,建立了ARIMR-GM-BP和ARIMR-DGM-BP组合模型并对预测的效果进行了统计分析,结果表明ARIMR-DGM-BP组合模型的预测效果优于ARIMR-GM-BP组合模型.最后运用本文的组合预测模型对喀什地区2019-2021年GDP进行预测.     

区域经济发展智能预测方法

分析了影响区域经济发展的各种因素,指出由于这些因素相互制约、相互影响,使得传统的经济预测方法越来越难以胜任区域经济发展预测的需要.论述了核方法在处理非线性、不确定性和不精确性数据上存在的优势,建立了基于核方法三种经济预测模型,并将这三种预测模型与其它两种预测方法一起,对区域经济的发展进行组合预测.最后,采用数据融合的方法将各个体模型的预测结果进行集成,作为最终的输出.实际的结果表明,基于核方法的组合预测技术能取得较为理想的预测效果.     

陕西省畜牧业总产值组合预测模型研究基于Shapley值

依据组合预测模型理论,利用2006-2016年陕西省畜牧业总产值的数据,分别建立了畜牧业产值的一元回归模型、BP神经网络模型、三次指数平滑模型和基于Shapley值的组合预测模型,得到各模型的预测精度分别为7.38%、4.46%、3.50%和2.90%,可见组合模型的拟合精度低于各单一模型,拟合效果好.为此,利用所得模型对2017-2025年陕西省畜牧业总产值进行了预测.     

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.     

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.     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

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.     

基于模糊聚类分析的小波神经网络模型在径流预测中的应用

提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集类别变量特征值与观测值之间的局部预测模型,并设计了特征值分类识别器,自动搜寻相适应的局部网络模型进行预测.通过西南某水库2011年日平均入库来流的计算实例对简单小波神经网络预测模型和所建的基于FCM与小波神经网络的预测模型进行了比较,结果较为满意.     

模糊处理变结构神经网络日负荷预测方法研究

对于受不确定因素影响的日电力负荷,首次提出了基于模糊分类规则的变结构神经网络负荷预测模型,考虑从两方面改进预测精度,一个方面是通过模糊分类规则,使过去的负荷数据分为不同气候特征,选用同类特征数据进行预测,另一方面是通过神经网络变结构优化,确定最优网络和最优拟合逼近,从而得到最优的预测结果,这种新方法同时考虑了天气因素的影响和神经网络的最优确定,因此,较大提高了日负荷预测的精度。     

Improved pollution forecasting hybrid algorithms based on the ensemble method

In a new fine particle concentrations forecasting model, the Hampel identifier outlier correction preprocessing detects and corrects the outliers in the original series. Empirical wavelet transform method decomposes the corrected series into a set of subseries adaptively, and each subseries are used to train the Stacking ensemble method. In the Stacking ensemble forecasting method, the outlier robust extreme learning machine meta-learner combines different Elman neural network base learners and outputs the forecasting results of different subseries. Different forecasting subseries are combined and then reconstructed by inverse empirical wavelet transform reconstruction method to get the final forecasting fine particle concentrations results. It has been proved in the study that the model proposed in the study has better accuracy and wide applicability comparing to the existing models.     

Neural network approach to forecasting of quasiperiodic financial time series

A novel neural network approach to forecasting of financial time series based on the presentation of the series as a combination of quasiperiodic components is presented. Separate components may have aliquant, and possibly non-stationary frequencies. All their parameters are estimated in real time in an ensemble of predictors, whose outputs are then optimally combined to obtain the final forecast. Special architecture of artificial neural network and learning algorithms implementing this approach are developed.     

正权重组合预测模型及其在经济中的应用

介绍了组合预测的方法,并利用最优组合和递归方差倒数方法对组合预测方法进行改进;提出通过GMDH方法首先对影响经济预测模型的各变量进行筛选然后再建立回归模型、神经网络模型等单项预测模型的思想;最后结合GMDH方法建立的时间序列模型,建立正权重组合预测模型．     

新组合模型在光电功率预测中的应用

为提高光伏预测要求的精准性,文章提出一种新算法将神经网络和ARMA算法改进组合,构成NEW ARMA-BP模型算法.以某30兆瓦的光伏电站采集的输出功率为输入样本,基于ARMA和BP神经网络算法在Matlab环境下依次搭建了相应的预测模型,预估光伏短期输出量.采用"误差正态检验图"判断基于两种不同算法的误差水平,依据两种单模型预测误差,运用所提出的新方法计算权值并获得新的预测值.基于Matlab的仿真结论验证了组合预测在光伏输出预测领域的适用性.