加权几何平均变权组合预测方法及其应用

加权几何平均组合预测模型是一种常用的非线性组合预测方法.为了提高加权几何平均组合预测模型的预测和拟合精度,给出了一类加权几何平均变权重组合预测方法.最后将该变权组合预测模型应用于我国天然气产量的预测.计算结果表明加权几何平均变权重组合预测模型在时间序列数据的预测中具有一定的优势.     

基于关联面积的变权组合预测方法及其应用

变权组合预测方法是一种应用非常广泛的组合预测方法,它能够有效提高组合预测方法的预测和拟合精度.为了提高拟合精度,利用各个单项预测方法与原始数据序列在两个相邻时刻的关联面积以及关联度,给出了一种确定变权组合预测模型变权重系数的方法.最后利用该变权重的组合预测模型建立了新疆建设兵团城镇化发展水平的变权组合预测模型,结果表明这类变权组合预测方法具有较高的预测和拟合精度.     

成分数据相关系数的计算方法

成分数据具有非常复杂的数学性质,很多传统的统计分析方法对其是失效的,因此,在研究中必须采用特殊处理和专门技术.着重讨论了成分数据相关系数的计算方法,由于普通数据的相关系数计算方法只适用于两组单变量数据,而传统的典型相关分析又鉴于成分数据的特殊性质而不能直接使用,故结合logratio变换和典型相关分析技术,提出了一种针对成分数据的相关系数计算方法,成功地解决了这一问题.     

基于主成分分析与Fourier变换的动态投资组合

提出了一种将主成分分析与Fourier变换组合的资产投资组合方法.对于N个资产,首先利用主成分分析中第一主成分确定各资产的组合权重并建立投资组合,利用Fourier变换获得该组合残差的复合周期趋势,最后利用ARMA模型对趋势残差进行区间预测.为使资产保值,当组合股价达到最低点时,各资产以第一主成分对应权重进行组合建仓;当组合股价反向上升达到最高点时,则以第N主成分对应权重进行组合并调仓.在实证模拟方面,选取2016年1月4日-2018年6月8日全球股票主要指数的收盘价数据进行实证分析.模拟结果表明:基于主成分分析的投资组合在收益及资产保值方面表现更佳.     

基于随机森林模型的成分数据缺失值填补法

缺失数据处理是数据挖掘领域中进行数据预处理的一个重要环节,由于成分数据特殊的几何性质,传统的缺失值填补方法不能直接用于这种类型的数据.因此,对成分数据而言,缺失值的填补具有十分重要的意义.为了解决这个问题,本文利用了成分数据和欧氏数据之间的关系,提出了一种基于随机森林的成分数据缺失值迭代填补法,该方法的实施和评估采用模拟和真实的数据集.实验结果表明:新的填补方法可广泛应用于多种类型的数据集且具有较高准确性.     

截断指数威布尔-帕累托组合模型

使用组合模型模拟单峰厚尾型保险损失数据是非常有效的方法.鉴于在非寿险合约中一般都具有免赔条款的特征,构建一类截断指数威布尔-帕累托组合模型,讨论模型的相关统计性质,然后利用R语言对仿真数据进行参数估计及模型检验.最后,使用丹麦火险数据进行分布拟合,实证结果表明,截断指数威布尔-帕累托组合模型具有更优的拟合效果.     

基于人工智能的黄金价格非线性组合预测

黄金价格时间序列数据具有较强的非线性,在采用单模型对其预测时较多采用线性模型、非线性模型以及加入外生变量的非线性模型.但是,单一模型较难全面体现黄金数据的非线性特征,因此,预测效果不很理想.在利用线性方法进行模型组合时若被组合模型与原数据序列无线性关系,此时采用线性组合预测效果较差,甚至组合后的模型预测精度低于被组合的单模型精度.为充分发挥单一模型的优势,采用人工智能的方法建立非线性组合预测模型,模型可有效利用各模型特点,预测精度优于采用的各单一模型.     

岩土工程位移时间序列的组合预测研究

将组合预测方法用于岩土工程位移时间序列预测.结合实际观测数据,分别建立位移时间序列预测的GM(1,1)模型、Verhulst模型和趋势曲线模型.采用极小误差法确定各单一模型的权重,建立组合预测模型.应用表明,组合预测的精度高,为岩土工程位移预测提供了一种实用、可靠的方法.     

基于TFWPA算子的模糊优化组合预测模型及其应用

传统的组合预测中,预测对象往往是实数或区间数,实际上,三角模糊数则更能刻画不确定环境下复杂事物的某些量的特征。因此,本文提出一种预测信息为三角模糊数的模糊优化组合预测新方法。定义了两个三角模糊数的相对误差,同时考虑到预测数据之间的交叉影响,基于三角模糊加权Power平均(TFWPA)算子、三角模糊加权Power几何(TFWPG)算子和max-min准则,分别构建模糊优化组合预测模型。提出非劣性和优性组合预测的概念,证明所提模糊组合预测模型具有非劣性质。最后通过实例分析说明了该模糊组合预测方法的有效性,并对参数做了灵敏度分析。     

基于随机模糊参数预测烧结法氧化铝生产中碱液成分

针对来自许多实际过程中数据变化的多态不确定性,提出一类新的预测方法。为了反映数据的多态不确定性,设计了一种分段推断算法来对样本数据的分布函数进行推断,在假设总体服从一类模糊随机变量的条件下,由该方法得到总体的分布函数的解析式。基于这种预测方法,对烧结法氧化铝生产过程中碱液成分进行了预测。预测结果表明新方法具有广泛的应用价值。     

基于Lasso和支持向量机的组合预测及其应用

针对Lasso方法与支持向量机两者的联系与各自的优势,给出了基于Lasso与支持向量机的串联型、并联型和嵌入型三种组合预测,并将它们运用到我国粮食价格预测中.实证结果表明,与单一预测方法的预测结果相比,基于Lasso方法与支持向量机的串联型组合预测和嵌入型组合预测具有更高的预测精度.     

Bay of Bengal wave forecast based on genetic algorithm: A comparison of univariate and multivariate approaches

Prediction of significant wave height (SWH) field is carried out in the Bay of Bengal (BOB) using a combination of empirical orthogonal function (EOF) analysis and genetic algorithm (GA). EOF analysis is performed on 4 years (2005–2008) of numerical wave model generated SWH field, and analyzed fields of zonal (U) and meridional (V) winds. This is to decompose the space-time distributed data into spatial modes ranked by their temporal variances. Two different variants of GA are tested. In the first one, univariate GA is applied to the time series of the first principal component (PC) of SWH in the training dataset after a filtering with singular spectrum analysis (SSA) for effecting noise reduction. The generated equations are used to carry out forecast of SWH field with various lead times. In the second method, multivariate GA is applied to the SSA filtered time series of the first PC of SWH, and time- lagged first PCs of U and V and again forecast equations are generated. Once again the forecast of SWH is carried out with same lead times. The quality of forecast is evaluated in terms of root mean square error of forecast. The results are also compared with buoy data at a location. It is concluded that the method can serve as a cost-effective alternate prediction technique in the BOB.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

多维时序定阶方法对偏最小二乘回归模型预报精度的改进

运用时间序列多维自回归模型的定阶方法 ,解决了偏最小二乘回归模型中自变量的选择问题 .通过对我国财政收入的预报分析表明 ,这两种统计模型的结合使用 ,较大程度地提高了预报精度     

预测组合权重更新的过程控制及分析

源于与决策分析的相关性,预测组合已经逐渐形成了一个重要的研究领域。为此,本文引进EWMA技术对预测组合权重更新的过程进行控制,从而提出一种能够应用于实际且简单有效的EWMA赋权方法。这种赋权方法能够确定预测组合权重应该何时更新,而不是机械地更新预测组合权重。本文额外针对各种赋权方法在旅游预测组合模型中的预测性能(全面预测性能和总均方根误差)和预测效率(权重更新频率)进行了经验评估。结果显示:EWMA赋权方法的预测性能优于传统的赋权方法,并与CUSUM赋权方法相似,同时该赋权方法获得了最小的权重更新频率。综合考虑预测性能和预测效率,EWMA赋权方法相比于其他赋权方法在旅游实际应用过程中更具优势。     

基于CSO-SVR的气膜钢筋混凝土储仓主体结构施工成本预测研究

为了较准确的预测气膜钢筋混凝土储仓主体结构施工成本,提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR,利用CSO算法对SVR进行寻优得到全局最优解,从而得到具有最佳参数的支持向量回归机模型,通过气膜钢筋混凝土储仓主体结构施工成本数据预测仿真,结果显示:CSO-SVR模型预测精度高于PSO-SVR,GA-SVR,SVR,BPNN等方法,是预测气膜钢筋混凝土储仓主体结构施工成本的有效工具.     

Net demand prediction for power systems by a new neural network‐based forecasting engine

Integration of renewable generations, such as wind and photovoltaic, into electrical power systems is rapidly growing throughout the world. Stochastic and variable nature of these resources makes some operational challenges to power systems. The most effective way to tackle these challenges is short‐term prediction of their available powers. Despite various developed methods to forecast generation of renewable resources, still they have large errors, which may lead to under/over‐commitment of conventional generators in power systems. Prediction of net demand (ND), defined as electrical load minus renewable generations, can provide useful information for accurate scheduling of conventional generators. In this article, characteristics of the time series of electric load, renewable generations and ND are analyzed, and a new hybrid prediction strategy is presented for direct prediction of ND. The training mechanism of the proposed forecasting engine is composed of a new stochastic search method and Levenberg–Marquardt learning algorithm based on an iterative procedure and greedy search. The suggested prediction strategy is tested on different real‐world power systems and its obtained results are compared with the results of several other forecast methods and published literature figures. These comparisons confirm the validity of the developed forecasting strategy. © 2016 Wiley Periodicals, Inc. Complexity 21: 296–308, 2016     

基于IGRA-ISVD约减和RBF的森林火灾消防直升机需求预测模型

针对森林火灾消防直升机需求预测问题,提出了一种基于改进灰色关联分析(IGRA)和改进奇异值分解(ISVD)约简的径向基函数(RBF)神经网络预测模型.首先,基于既有研究梳理了森林火灾消防直升机需求预测指标体系;然后,在改进灰色关联分析和奇异值分解方法的基础上,分别对消防直升机需求预测数据信息进行属性约简和维度约简;最后,利用约简预测数据信息对RBF神经网络进行训练,进而构建消防直升机数量预测模型.案例分析和对比分析表明了本文所提方法的可行性和合理性.     

考虑消费动机和动态竞争的电影日需求预测模型

提出并验证考虑消费动机和动态竞争的电影日需求预测模型。考虑非粉丝及粉丝型的消费动机,构建电影消费两阶段过程模型;融合该模型和Bass模型,考虑竞争导致市场潜量的动态性,考虑映前被关注度、口碑、节假日对票房的影响,提出电影日需求预测模型。利用2016~2017年上映的电影数据验证该模型,并与Bass模型对比分析。结果显示,该模型预测效果优于Bass模型。因考虑竞争导致的动态市场潜量,考虑粉丝型消费者由续集效应及改编效应导致的动态市场潜量提升,该模型能显著提高预测准确度。利用映前被关注度和电影口碑数据,该模型能实现映前及上映早期的预测。该模型可推广至存在消费动机不同、市场动态竞争的其它短生命周期体验品的需求预测,是对Bass模型的改进。     

基于数据最优分区间相似度算法及应用

通过定义了一种基于数据最优分区间相似度算法,利用学习样本得单位相似度向量,并得各维数据的最优分区间.利用最优分区间得预测样本与学习样本的单位相似度向量,从而得预测样本的预测值.通过实例表明,算法所预测的结果相对误差可达百分位,并且本算法能应用到其它数据处理中,具有较广泛的通用性.