智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显示,XGBoost时序模型比经典的时间序列预测模型ARIMA模型、BP神经网络模型、贝叶斯时序模型具有更高的预测精度.在此基础上,运用XGBoost时序模型对我国2019-2023年的GDP进行短期预测,研究结果显示,未来5年我国GDP依然保持持续稳定增长趋势.     

ARIMA(p,d,q)与GM(1,1)模型在洪涝灾害预测中之比较研究——以广东省做实证分析

运用经济时间序列ARIMA(p,d,q)模型与GM(1,1)模型对广东省的洪涝灾害进行了预测.研究结论显示,所建立的ARIMA(p,d,q)模型能够较好的对洪涝灾害进行预测,模型可以运用到各种主要气象灾害风险预测与管理中,但所建立的GM(1,1)模型虽然具有很好的精度,但预测效果并不好.这充分体现了模型选择在预测过程中的重要性.     

Lee-Carter模型的理论分布和区间预测

死亡率预测是人口预测、长寿风险度量以及寿险公司产品定价和风险管理的基础。在死亡率预测模型中,Lee—Carter模型被广泛采用,但关于Lee-Carter模型的理论分布函数、期望和方差等分布特征,并没有专门的研究。本文在文献研究的基础上,对Lee-Carter模型进行了完整的理论研究,给出了完整的Lee-Carter模型理论分布和区间预测表达式,为相关研究提供了可靠的理论依据。同时,对传统的Lee-Carter预测区间估计方法和文中给出的区间预测估计方法进行了对比研究,发现使用传统Lee-Carter预测区间估计方法得到的预测区间较窄,对长寿风险存在低估,在预测时间较短时,这种低估更严重。     

基于ARIMA与信息粒化SVR组合的股指预测研究

对于证券市场投资者而言,基于合理假设准确预测资产价格未来发展方向与趋势关乎投资成败。本文通过构建一个基于ARIMA与信息粒化SVR的组合预测模型,对股票市场指数价格和收益变化的趋势进行预测。实证研究结果表明:基于ARIMA与信息粒化SVR组合的股指预测模型相较于传统时间序列模型而言,在预测精度和效度方面有较大提升,能够在一定时间周期内对股票等风险资产的价格波动区间进行较为可靠地预测,但目前还只能大致确定时间序列波动的区间范围而不能精确地预测具体点位。未来仍需结合其他预测模型和预判技术进一步深入研究,以有效提升股指趋势预测的准确性和实际指导性。     

ARIMA模型与ARCH模型在香港股指预测方面的应用比较

由于香港金融市场易受政治或投机等因素的影响而使股价波动呈现出不确定性 ,而ARCH模型又善于描述这种不确定性 ,因而本文试图将ARCH模型和ARIMA模型在香港股指预测方面的应用进行对比 ,以期为投资者选择模型进行预测时提供参考     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

基于神经网络的我国猪肉年度消费需求量预测研究

主要运用神经网络对中国猪肉年度消费需求量的预测问题进行了研究.首先对畜产品预测方法进行了综述,对神经网络预测原理进行了介绍,然后分别建立GM(1,1)、ARIMA模型、GRNN神经网络模型,GA-GRNN神经网络模型模型对猪肉消费量进行了预测,最后对模型进行了集成.结果表明,优化后的GA-GRNN模型预测误差率显著降低,集成模型在稳定性和精度方面均比较理想.     

基于ARIMA和LSSVM的非线性集成预测模型

针对复杂时间序列预测困难的问题,在综合考虑线性与非线性复合特征的基础上,提出一种基于ARIMA和最小二乘支持向量机(LSSVM)的非线性集成预测方法.首先采用ARIMA模型进行时间序列线性趋势建模,并为LSSVM建模确定输入阶数;接着根据确定的输入阶数进行时间序列样本重构,采用LSSVM模型进行时间序列非线性特征建模;最后采用基于LSSVM的非线性集成技术形成一个综合的预测结果.将该方法用于中国GDP预测取得的结果,与单独预测方法及流行的其他集成预测方法相比,预测精度有了较大的提高,从而验证了方法的有效性和可行性.     

基于ARIMA和BP神经网络组合模型的能源消费预测

在单一的ARIMA模型预测的基础上,提出了一种基于ARIMA模型和BP神经网络组合模型,并以广西区1981至2016年的能源消费数据为例,结果表明组合模型的预测精度要优于单一的模型,故利用组合模型对广西区未来能源消费的预测更加有效.     

基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.     

经济政策不确定性与我国股市的波动率预测

经济政策的不确定性对金融市场的价格波动具有重要影响.通过建立一系列已实现极差波动率异质自回归模型族,运用滚动时间窗的样本外预测方法,分析了我国经济政策不确定性对沪深300指数波动率的预测作用.一方面,模型信度集合检验结果表明,我国的经济政策不确定性指数能显著提高对股市波动率的预测能力;另一方面,基于经济价值评价法的检验结果也表明,在不同长度的预测区间上(1、5、10和20天),加入中国经济政策不确定性指数的波动率模型比未加入该指标的其他模型获得了显著更高的投资组合经济价值,且这种提升效果在不同的投资者风险厌恶水平下具有稳健性.     

基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

基于时间序列的多因素耦合下GDP预测研究——以伊犁州为例

以时间序列分析相关理论为基础,首先介绍了ARIMA模型和VAR模型的建模过程,然后构造ARIMA模型对伊犁州直GDP进行预测,再考虑进出口总额、社会消费品零售额、工业和建筑业、社会固定资产总额等因素的耦合效应,构造VAR模型对伊犁州直GDP进行预测,最后对两种方法做对比分析,结果显示,VAR模型预测精度较高,误差较小,经济含义明确,预测的GDP结果可为伊犁州党委、政府制定相关经济政策和发展战略提供一定的科学依据.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

复杂系统中混沌排斥子的动力学特性分析及应用研究

研究了由一类复杂系统排斥子所生成的时间序列的分形特征、分维值,利用相空间重构理论对排斥子所生成的混沌时序数据进行了重构．研究了时序数据的零均值处理、傅立叶滤波对预测结果的影响,研究了预测样本值的选取对预测的相对误差、预测长度影响等相关问题．结果表明:该模型对于这类排斥子所生成的时序数据建模和预测都具有实用性,且混沌排斥子样本数据的零均值处理对预测结果有一定的量的改变,但对排斥子样本数据进行Fourier滤波处理会降低预测的精度,这对于复杂系统排斥子的研究有着较为重要的理论和实际意义．     

基于干预分析的黄金日交易价格时序模型

黄金既关乎国家的战略利益,又关乎老百姓的切身利益,研究黄金价格的变化规律具有重要意义.观察2012年10月1日到2013年8月6日黄金的日交易开盘价发现,在4月中旬和6月下旬黄金价格突然大跌,这期间两次外部事件的发生可以为金价下跌作解释.将两次外部事件作为干预变量,对这段时间的黄金日交易价格建立干预时序模型.经分析这两次干预影响不能只用常规的四种基本类型来描述,它们还具有二次函数的形式.引入具有二次函数形式的干预影响,以提高估计和预测的精度.通过对比发现,干预时序模型不仅在拟合过去而且在预测未来黄金价格方面,都比经典的ARIMA模型精确.