利用季节指数修正指数平滑预测值对公路客运量进行预测

利用季节指数修正指数平滑预测值对公路客运量进行预测纪跃芝（吉林工学院基础部，长春１３００１２）公路客运量的预测，按时间长短分为短期、中期和长期预测．短期预测是制定年度、季度运输生产计划的基础，而中期（３—５年）和长期预测是制定企业经营运输方针、企业技...     

消费者信心指数与CPI分类指数的动态分析

针对消费者信心指数(CCI)与CPI、CPI分类指数构建了长期自回归分布滞后模型和短期误差修正模型.实证结果表明,一方面,CCI和CPI、各个CPI分类指数之间不仅存在时滞性的长期均衡关系,而且存在短期调整特征.另一方面,CPI和CPI分类指数与CCI的动态特征存在显著差异.因此,在分析CCI对价格预测作用时,在关注CPI和CPI分类指数的同时,也需要关注CCI与CPI分类指数的长期均衡和短期调整的时滞性,以便更好地发挥CCI预测经济走势的先行指标功能.     

时间序列指数平滑模型新体系及算法

本文提出了动态平滑参数的概念，由此建立了一类不需选取平滑初值、带有动态平滑参数的指数平滑新模型体系，包括差分一指数平滑模型；又以预测误差平方和SSE最小为目标，构造了优选并自动生成最佳平滑参数使平滑模型得以优化的最速下降算法，增强了指数平滑模型对时间序列的适应能力．从而较完整的解决了指数平滑预测中，平滑参数靠经验确定且为静态、平滑初值难以确定并易导致预测偏差等问题．     

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。     

医院统计需求预测方法研究

本文从医院管理实际出发，研究和探索了时间顺序预测，因果预测和预报性预测这三种分别适用于短期，中期和长期的科学预测方法。它在我国医院管理中具有实际的指导意义。     

基于卡尔曼滤波的期货价格期限结构模型

为准确对商品期货合约进行定价和预测,本文在短期-长期模型的基础上,提出以短期偏离、中期偏离和长期均衡为状态变量的三因素模型。本文根据状态变量的假设建立相关微分方程,并推导出模型的解,再运用卡尔曼滤波和极大似然法得到模型的参数和状态变量。最后,通过比较多种误差统计量证明,本文的短期-中期-长期模型的拟合与预测能力优于短期-长期模型。     

非线性组合预测人民币汇率变动方法研究

本文利用神经网络中的反向传播算法 (BP算法 ) ,结合组合预测模型的思想 ,得到一种非线性组合预测方法。通过对人民币长期汇率的五种模型计算、比较分析 ,以及对一产品市场行情分析 ,说明我们提出的非线性组合预测是一种有效的预测分析工具 ,适合于象人民币汇率制定等需综合多种理论来分析的问题。     

多因子概率综合长期预测模型

对危害农作物生长的病虫害进行预测预报，其预报一般分短期、中期、长期、补充和警报五种．发布５日以外，１０日以内的病虫预报称为短期预报．发布１０日以外，一个月以内的病虫预报称为中期预报．发布一个月以外病虫发生趋势的预报（包括年预报）称为长期预报．本文提出一个年预报的模型．它是在笔者从事三年多的病虫预报实践中组建出来的．利用这个模型，对安徽省蒙城县小麦粘虫一代工龄幼虫的发生密度预测获得成功，历史准确率达９２． ８６％．对该县８８年幼虫密度也给出了预报．     

考虑气象因素的短期负荷预测模型研究

短期负荷预测是针对未来一天到数天各时段的负荷预测的研究,是电力系统负荷预测工作的一项重要内容.针对传统神经网络预测模型应用于短期负荷预测的缺陷,改进了多角度数据分析和组织策略,选择不同年份相近历史日作为相似日,通过最小二乘支持向量机填补确实数据,利用聚类算法预测相似日的短期负荷;同时通过灰度关联算法,考虑气象因素作用下的短期负荷预测模型.实例证明:通过建立与负荷数据相适应的数学模型,对负荷数据进行分析与预测,通过气象因素修正预测模型,可以获得更精确的负荷数据预测.     

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.     

基于指数Laplace损失函数的回归估计鲁棒超限学习机

实际问题的数据集通常受到各种噪声的影响,超限学习机(extreme learning machine, ELM)对这类数据集进行学习时,表现出预测精度低、预测结果波动大.为了克服该缺陷,采用了能够削弱噪声影响的指数Laplace损失函数.该损失函数是建立在Gauss核函数基础上,具有可微、非凸、有界且能够趋近于Laplace函数的特点.将其引入到超限学习机中,提出了鲁棒超限学习机回归估计(exponential Laplace loss function based robust ELM for regression, ELRELM)模型.利用迭代重赋权算法求解模型的优化问题.在每次迭代中,噪声样本点被赋予较小的权值,能够有效地提高预测精度.真实数据集实验验证了所提出的模型相比较于对比算法具有更优的学习性能和鲁棒性.     

指数平均Bezier曲线族

利用指数平均族与Bezier曲线结合定义了指数平均Bezier曲线族．首先研究了指数平均族，阐述了指数平均族的单调性和正规性，其次由Bernstein函数定义得到n次s阶指数平均Bernstein函数，讨论了它与函数f之间的关系，最后，研究指数平均Bezier曲线族的性质，讨论了它的升阶，de casteljan算法，分割定理等．     

卷烟行业的敏捷销售

本提出了一种基于客户需求的敏捷销售的概念。建立了在尽量满足客户需求以及尽量使企业运输资源浪费、库存、加班费用最少的要求下。以企业获得最大利润为目标的销售计划制定模型。结合实例采用基因算法进行模型求解，计算结果说明了该模型的有效性和可行性，论证了实现敏捷销售的可能性。     

动力系统实测数据的Lyapunov指数的矩阵算法

Lyapunov指数l是定量描述混沌吸引子的重要指标,自从1985年Wolf提出Lyapunov指数l的轨线算法以来,如何准确、快速地计算正的、最大的Lyapunov指数l_max便成为人们关注的问题,虽有不少成功计算的报导,但一般并不公开交流.在Zuo Bingwu理论算法的基础上,给出了Lyapunov指数l的具体的矩阵算法,并与Wolf的算法进行了比较,计算结果表明:算法能快速、准确地计算(主要是正的、最大的)Lyapunov指数l_max.并对Lyapunov指数l的大小所反应的吸引子的特性进行了分析,并得出了相应的结论.     

定数截尾场合下混合指数威布尔分布的参数估计

混合指数威布尔分布是寿命数据分析中一个重要的统计模型.但是利用传统的矩法估计,极大似然估计等估计模型的参数比较困难.应用ECM算法,研究了混合指数威布尔分布在定数截尾数据场合下的参数估计问题,并以数值模拟验证用ECM算法来估计混合指数威布尔分布在定数截尾数据场合下的有效性.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

改进型LOBNN & AR-GARCH模型在股票预测中的应用

为实现对股票价格的短期预测,本文在Laguerre正交基神经网络 (LOBNN)模型的基础上,提出了一种新的组合预测模型来预测短期股价的变化。该模型先通过改进LOBNN模型的权值求解算法,用以增强模型的通用性。接着在其基础上设计新的迭代算法,进一步提高模型的预测精度,进而得到新的LOBNN模型。之后将股价数据分别代入AR-GARCH模型和改进后的LOBNN模型,得到输入数据的两组预测值。最后通过不同的权重来组合两种预测结果,生成最终股价的预测结果。文末的仿真结果表明该组合模型在预测精度与通用性上较原始模型有较大的提升,是一种高效的预测模型。     

我国货币乘数增长的数理分析和货币乘数预测

对货币乘数运动规律的认识以及货币乘数的预测直接关系到国家货币政策的制定.从货币乘数决定因素入手,结合实证观察和数理分析,从数学上严格证明了货币乘数趋势性增长的原因是总准备金率和通货比率的长期下降趋势,说明货币乘数的增长是金融工具创新和金融制度创新共同作用的结果.发现货币乘数的短期波动直接受基础货币的影响,依此建立的货币乘数预测方程,不仅提高了对货币乘数长期趋势性预测的准确性,而且较为准确地预测了货币乘数的季节波动性.因此,中央银行在制定金融规划的时候,应把基础货币变动对货币乘数的影响考虑在内,以更好地实现操作目标向中介目标的传导.     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.