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.     

基于XGBoost-LSTM模型的多特征股票价格预测研究

为探寻股票价格规律,提出XGBoost与LSTM组合的股票价格预测模型,选取恒瑞医疗股票2000年10月18日上市至2022年9月1日所有交易日的交易数据为实证分析对象.首先,建立单特征与多特征LSTM模型分别对股票价格进行预测;其次,构建XGBoost模型以进一步实现预测并将预测结果作为新变量输入到多特征LSTM模型;然后,使用LSTM模型在新数据集上进行建模;最后,对比分析表明多特征LSTM模型预测效果优于单特征预测,XGBoost-LSTM预测模型效果优于多特征LSTM预测,说明本文提出的方法能进一步提升预测效果,对投资者有一定参考价值.     

基于LSTM神经网络的沪深300指数预测模型研究

将LSTM用于沪深300指数的股价预测中,并在通用变量开盘价、收盘价、最高价、最低价的基础上新加入了日成交量与日成交额,以此来预测第二日的最高价,获得了比较好的预测效果,并与SVR模型和Adaboost模型预测作对比,LSTM获得的测试集RMSE要更低.接着,用SVR、Adaboost和LSTM进行岭回归集成,即,先用训练集对这三种模型进行训练,然后用训练数据进行测试,将它们的测试结果作为自变量,以相应的真实第二日最高价作因变量,进行岭回归,再对测试集数据做出预测,得到测试集的RMSE进一步降低;再者,查看回归方程发现SVR系数为负,与因变量呈负相关关系,进一步选取Adaboost和LSTM两种模型在训练集上的预测结果做自变量,相应的真实第二日最高价作因变量,再次进行岭回归,得到测试集的RMSE再次降低,进一步验证了回归集成算法的有效性,可以为广大投资者做买卖决策时提供重要的参考价值.     

区间值时间序列预测效果测度研究

传统的区间时间序列有效性度量方法在处理具有同等水平绝对误差的不同区间信息时具有一定的局限性,为了更全面的反映区间值时间序列的预测效果,本文基于区间的相对位置,提出了包含可信度,有效度,趋势误差和动态相关性指标等在内的多个预测效果测度。本文首先就传统的区间值预测效果测度进行了梳理和定性分析,就不同位置的预测区间所体现的预测效果及其测度进行了分析和定义。为从整体上对多个区间值预测结果进行调整和优化,提出区间值组合预测方法,并基于所构建预测效果测度构建最优化模型确定组合预测各单项方法的权重,结合上证综合指数的实例表明所提方法的可行性和合理性。     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测

预测大停电事故造成的损失负荷,对电网的调度和安全运行有十分重要的参考意义.首先用绝对值法和相对值法分别对停电事故的损失负荷数据进行处理,利用ARMA模型对两种停电事故损失负荷数据序列进行预测,对比两种数据序列的预测结果,发现采用相对值法的预测精度更高,此外采用相对值法对数据进行处理还能消除电网发展对数据分析产生的影响,使预测结果更符合电网实际.为进一步提高预测的精度,提出了将ARMA模型和BP神经网络模型相结合的组合模型,并将其用于停电事故的损失负荷预测,通过与其他方法的预测结果及实际事故数据的比较分析,验证了该组合模型的有效性.最后采用相对值法的组合模型对2017年的损失负荷进行了预测,预测结果可为停电事故的规模等级划分及事故风险预警提供依据.     

基于预测精度的多目标组合预测优化模型研究

考虑了组合预测精度的数学期望和预测精度的标准差这两个指标 ,建立了多目标规划组合预测最优化模型 ,并给出其数学规划的解法 .最后进行实例分析 ,结果令人满意 .该模型能反映不同时间序列预测方法有效性     

基于CNN-BiLSTM模型的PM2.5浓度预测方法

针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM_2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM_2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM_2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

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．     

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。     

考虑复杂搭接关系的灰色网络计划模型

将复杂搭接关系引入灰色网络计划模型,并对搭接关系组合进行了分析.其中,活动持续时间与搭接时距都为灰数且服从三角白化权函数分布并使用核和灰度形式表示,在时间参数计算中引用基于论域的灰度计算法则以解决核与灰度加减运算结果与原灰区间不符的问题,并改进基于相对核与精确度的灰数排序方法以适应本模型考虑白化权函数的情况,同时将关键...     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.     

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AE-LSTM改进模型的高龄人口死亡率预测

高龄人口死亡率预测是长寿风险度量和管理、养老金成本和债务评估的基础.基于高龄人口死亡率数据特征,本文建立一个AE-LSTM改进模型对高龄人口死亡率进行预测.首先利用AE模型从高龄人口死亡率数据提取潜在时间因子,把它作为LSTM模型的输入变量,然后通过解码得到高龄人口死亡率预测值.同时,选取我国大陆1994–2018年60–89岁高龄人口死亡率作为样本数据进行实证分析.研究结果表明,AE-LSTM改进模型较传统的人口死亡率CBD模型预测精度有显著提高,且预测结果呈现较强鲁棒性.     

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.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

多元Copula-GARCH模型及其在金融风险分析上的应用

针对传统风险分析模型的不足,结合Copula技术和GARCH模型,提出了多元Copula-GARCH模型。指出该模型不仅可以捕捉金融市场间的非线性相关性,还可以得到更灵活的多元分布进而用于资产投资组合VaR分析。在详细探讨了基于Copula技术的资产投资组合的MonteCarlo仿真技术的基础上,运用具有不同边缘分布的多元Copula-GARCH模型,对上海股市进行了研究,结果证实了所提模型和方法的可行性和有效性。     

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.