基于逆模糊数的模糊时间序列预测的新方法北大核心

Song和Chisson于1993年提出模糊时间序列预测理论．虽然至今已经提出许多模糊时间序列预测模型,但是迄今为止尚未给出预测未知年数据的模糊时间序列预测模型．提出基于逆模糊数的模糊时间序列预测的新方法该模型对广西大学已知的2001-2012年的注册数进行预测分析,平均预报误差率比相关文献的方法有所改善．还对广西大学未知的2013年和2014年注册数进行预测研究．方法是短期预测的一种模糊时间序列预测方法．     

基于逆模糊数的模糊时间序列预测的新方法

Song和Chisson于1993年提出模糊时间序列预测理论.虽然至今已经提出许多模糊时间序列预测模型,但是迄今为止尚未给出预测未知年数据的模糊时间序列预测模型.提出基于逆模糊数的模糊时间序列预测的新方法该模型对广西大学已知的2001~2012年的注册数进行预测分析,平均预报误差率比相关文献的方法有所改善.还对广西大学未知的2013年和2014年注册数进行预测研究.方法是短期预测的一种模糊时间序列预测方法.     

基于不动点的模糊时间序列模型

模糊时间序列在解决模糊性和不确定性数据方面表现出明显的优势.为了提高模型的预测精度,将数学理论中不动点理论与时间序列模型相结合,提出了分式函数、逆分式函数、预测函数的定义,并且证明了预测函数值收敛定理.在这些理论基础上,建立了一种基于不动点的模糊时间序列模型,进一步完善了模糊时间序列理论.预测结果表明,该模型具有预测精度较高、理论完整、鲁棒性强、应用范围广的特点.     

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明, CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.     

基于模糊Adaboost算法的支持向量回归机

针对单一支持向量回归机预测精度不十分良好的问题，结合Adaboost算法以及引入隶属函数，提出了一个基于模糊Aaboost算法的支持向量回归机模型。将该模型应用于金融时间序列预测问题的实验表明，预测精度有一定的提高，从而说明了该模型的有效性和可行性。     

基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测

应用基于Box-Jenkins方法的时间序列分析技术,对青南高原的四个典型地区1961-2005年降水量序列进行ARMA建模分析:验证了四地区年降水量序列的时间序列特性,研究并选择了这些序列的最佳ARMA模型,本文也通过模型对未来降水量进行了预测.模型实证分析的结果表明:在青藏高原降水量时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

基于动态隶属度的模糊时间序列在我国居民消费水平预测上的应用

准确预测我国居民消费水平对促进经济持续协调发展具有重大的理论和现实意义。根据1952～2013年我国居民消费水平数据,本文提出了一种基于动态隶属度的模糊时间序列预测方法。首先对数据聚类并模糊化处理得到隶属度序列;然后再对隶属度序列进行时间序列分析建模得到预测值;紧接着对其去模糊化实现我国未来三年居民消费水平的预测;最后,将预测结果与传统时间序列方法预测结果相比较,新方法的预测平均绝对误差(MAE)、均方误根差(RMSE)较传统时间序列方法分别减少了23和28。结果表明,本文的预测方法相对于传统时间序列预测方法具有较高的预报精度,可用于居民消费水平的预测。     

基于支持向量机的区间模糊数时间序列预测

研究了区间模糊数时间序列的预测方法.首先将区间模糊数序列转换为等量信息的精确数序列,然后对精确数序列建立支持向量机回归模型,通过还原公式,得到区间模糊数序列的拟合值和预测值.最后给出了数值实验,实验结果表明方法有效可行,且比ARMA回归模型以及灰色模型的预测精度更高.     

一种新的昆虫神经网络预测预报方法

昆虫预测预报是植物保护中的一个困难问题．本文首先从系统的观点出发，分析了影响昆虫种群密度的主要因素；在研究传统时间序列模型共性的基础上，给出了广义时间序列模型；提出了一种新的昆虫预测模式—神经网络预测预报方法；用此方法对棉田害虫烟蓟马进行了预报，数值结果表明这是一种很好的预测预报方法，预测精度较其它方法都有很大提高．     

基于模糊GM(1,1)模型的时间序列预测

提出了一种模糊GM(1,1)预测模型,即FGM(1,1)模型,该方法是在GM(1,1)模型中引入模糊成员函数,通过模糊成员函数对时间序列数据进行模糊化,达到数据优化选择,实现历史数据"重近轻远"的预测效果.仿真结果表明所提出的预测方法有效可靠,为提高预测精度提供了新的途径.     

一种基于季节指数的灰色马尔科夫气温预测模型

提出一种根据气温历史数据的年际周期性和季节性变化规律建立的基于季节指数的灰色-马尔科夫气温预测模型.模型将纵向与横向分析相结合方法运用到气温预报之中,通过季节指数修正气温的横向季节性变化,再用灰色模型进行预测,最后通过马尔科夫进行误差修正.实例运用中,对广州市的2000年月平均气温进行预测,在与历史数据的对比中表明,模型预测结果较为准确,可靠性较好.并讨论说明该模型也可推广到其他具有周期特征的非平稳时间序列的预测中,并大大提高预测精度.     

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

基于麻雀搜索算法和广义回归神经网络的玉米产量预测

针对新疆北部地区在玉米生产过程中存在的水肥利用率低下问题,提出一种基于麻雀搜索算法和广义回归神经网络模型的玉米产量预测方法,以探索水肥因素与玉米产量间的非线性关系,可为优化新疆北部地区春播玉米灌溉制度及水肥配饰方略提供理论指导.该方法采用36组既有玉米生产数据,通过广义回归神经网络技术建立模型,使用麻雀搜索算法对关键参数进行优化,降低了人为因素对模型超参数选择的影响.该模型用于新疆灌溉中心试验站的玉米产量预测仿真实验,证明该模型预测性能良好,相较于传统模型,在学习速度、预测精度及鲁棒性上具有优势,可有效预测新疆北部地区春播玉米产量.     

基于逆模糊数的模糊时间序列模型的农机总动力预测方法

提出一种改进的基于逆模糊数的新模糊时间序列预测模型.应用模型研究辽宁省农机总动力预测问题,比一元线性回归模型,二次移动平均模型,指数曲线模型,灰色理论GM(1,1)模型等4种模型和它们的组合模型的平均预测误差率AFER都有较大改善,是值得推荐的一种时间序列预测方法.     

基于灰模型的区间模糊数时间序列预测

研究了基于灰模型的二元区间和三角模糊数时间序列的预测方法.目前以GM(1,1)模型为代表的灰色预测模型只适用于精确数序列.改进了GM(1,1)模型的定义型方程中的参数形式,使方程能适用于几类常见区间模糊数序列.接着,基于区间模糊数的计算准则,分别具体给出了二元和三角模糊数GM(1,1)模型(BIFGM(1,1)和TFGM(1,1))的预测过程.模型对于区间模糊数的界点序列的发展系数进行了加权平均处理,以此保证了区间模糊数序列发展态势的整体性.最后进行了实例应用,验证了模型的有效性.     

ARIMA模型在新疆巴州梅毒疫情预测中的应用

搜集2008-2014年新疆巴音郭楞蒙古自治州(简称巴州)梅毒月发病数据,采用时间序列分解方法(Time Series Decomposition methods)探讨该地区梅毒月发病率的季节性,建立ARIMA(0,1,1)(1,0,1)_(12)时间序列模型,模型预测值的动态趋势与实际发病率基本吻合,平均绝对百分比误差MAPE=17.36,具有较高的预测精度,可以较好的预测短期内梅毒的变化趋势,为梅毒的预防控制措施提供可靠依据.     

基于模糊GJR-GARCH模型的波动率估计

基于模糊数学和模糊时间序列分析理论,在模糊GARCH与GJR-GARCH模型的基础上建立模糊GJR-GARCH模型,并用遗传算法估计了该模型的参数。实证发现沪深两市的收益波动率具有明显的非对称性,相对于普通的GARCH、GJR-GARCH和模糊GARCH模型,模糊GJR-GARCH模型能更好的处理收益率的波动群聚性、时变性和非对称性,具有更好的估计精度。     

基于一阶预测有效度的IGOWLA算子模糊组合预测方法

文章针对预测对象具有模糊性的组合预测问题，用三角模糊数表征问题的特征信息，引入诱导广义有序加权对数平均(IGOWLA)算子的概念，以基于模糊信息的一阶预测有效度作为精度指标，建立基于一阶预测有效度的IGOWLA算子模糊组合预测的最优化模型，并通过实例分析说明了该模型能显著提高预测精度。     

非线性时间序列的投影寻踪学习网络逼近

本文研究非线性自回归模型投影寻踪学习网络逼近的收敛性,证明了在L^k(k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近非线性自回归模型,给出基于投影寻踪学习网络的非线性时间序列模型建模和预报的计算方法和应用实例,对太阳黑子数据,山猫数据及西安数据进行了拟合和预报,将其结果与改进BP网和门限自回归模型相应的结果进行比较,结果表明基于投影寻踪学习网络的非线性时间序列的建模预报方法是一类行之有效的方法。     

一种混合的模糊时间序列预测模型

随着理论与应用的需要,对模糊时间序列模型的研究和应用越来越深入。提出从论域的划分和模糊规则的提取两个方面对传统模型进行改进。模型首先采用自动聚类的方法对论域进行划分,并在此基础上建立具有权重的模糊规则;然后,利用粒子群算法对模型进行优化,进一步提高预测精度;最后,将Alabama大学入学人数作为本模型的实验数据。实验结果表明该模型是可行的,其预测结果明显优于参照预测模型。