成分数据的组合预测

成分数据是一类具有复杂性质的数据,特别是它的预测研究在管理学与经济学中占有很重要的地位.组合预测则是近年来在预测中应用比较广泛的一种方法,它能够充分利用单预测模型的信息,提高预测精度,增强预测的稳定性,且具有较高的适应能力.本文首次把组合预测方法应用到成分数据的预测分析中,基于成分数据的一些基本性质,利用组合预测得到了较好的预测结果.     

基于CEEMDAN-MR-PE-NLE多频优化组合模型的碳金融市场价格预测

鉴于碳金融市场价格预测的复杂性,遵循"分解"、"重构"、"预测"、"集成"的总体建模架构,构建了CEEMDAN-MR-PE-NLE多频优化组合预测模型.先基于CEEMDAN算法对原始碳价序列进行分解,然后采用CCI贡献度指数和E-C进化聚类算法以及Lempel-Ziv复杂度指数对分量进行重构,进而得到高频分量、低频分量和趋势分量,利用PSO-ELM粒子群优化的极限学习机预测模型对三个重构分量分别进行预测,最后采用非线性集成算法将重构分量的预测结果进行集成,得到最终的碳价预测结果.五种模型预测效果评价指标和MCS检验均表明:与基准模型相比,构建的预测模型性能最优,DM稳健性检验结果也进一步证实了构建的预测模型的稳健性.     

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标,也是度量外汇风险的方法之一,汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征,准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性,本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法,对数据进行分解集成和建模,提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下：首先,采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项;然后采用支持向量回归(SVR)的方法对本征模态函数进行预测,并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时,使用差分自回归移动平均模型(ARIMA)预测趋势项;最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。     

基于小波分解的工程材料价格组合预测方法

为准确地估计工程材料价格在建设期内的变化情况,考虑到材料价格时间序列具有长期性、周期性和波动性的特点,本文建立了ES-BPANN模型对其进行预测.在预测模型中,引入小波变换方法对价格序列进行分解,针对每个分量的实际特征建立相应的独立预测模型,并综合每个子模型的预测情况作为最终预测结果.选用福州市2007-2017年C25现浇混凝土信息价进行实例验证,结果表明本文模型的预测精度高于单一预测模型,能够为工程投标报价方案制定提供一定指导.     

基于成分数据的河北省用水结构组合预测

针对用水结构这一成分数据,采用球坐标变换,灰色模型与指数平滑模型相组合,Aitchison距离最小确定权重,构建了河北省用水结构组合预测模型.研究表明,构建的组合预测模型能够较好的反映用水结构的变化特征,拟合精度较单一预测模型有明显改善.应用该模型对河北省用水结构进行预测,可为区域水资源管理和高效利用提供科学参考依据.     

非负权重最优组合预测方法的基本理论研究

本文从三个方面研究了非负权重最优组合预测方法的基本理论，给出了一种解决三阶非负权重最优组合预测问题的简捷方法。     

基于PCA-GM-BP神经网络的猪肉价格预测分析

针对猪肉价格上下波动呈非线性关系和影响因素复杂等难以预测的问题,提出了基于PCA-GM-BP神经网络预测模型对猪肉价格进行有效预测.以2010年1月-2018年12月的月度价格数据作为样本,共计108组数据,利用PCA对影响猪肉价格变化的12种因素进行降维处理,选用对猪肉价格的主要累积贡献率超过96％的5个主成分,构建...     

基于VMD-ELM的农产品期货价格分解集成预测模型

为了捕捉农产品市场期货价格波动的复杂特征,进一步提高其预测精度,基于分解集成的思想,构建包含变分模态分解(VMD)和极限学习机(ELM)的分解集成预测模型。首先,利用VMD分解的自适应性和非递归性,选择VMD将复杂时间序列分解成多个模态分量(IMF)。其次,针对VMD分解关键参数模态数K的选取难题,提出基于最小模糊熵准则寻找最优K值的方法,有效避免模态混淆和端点效应问题,从而提升VMD的分解能力。最后,利用ELM强大的学习能力和泛化能力,对VMD分解得到的不同尺度子序列进行预测,集成得到最终预测结果。以CBOT交易所稻谷、小麦、豆粕期货价格作为研究对象,实证结果表明,该分解集成预测模型在预测精度和方向性指标上,显著优于单预测模型和其它分解集成预测模型,为农产品期货价格预测提供了一种新途径。     

基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

组合预测模型在农产品价格短期预测中的应用——以苹果为例的实证分析

以我国苹果批发市场价格为研究对象,利用2006年7月7日至2012年3月30日期间的300个周数据作为分析样本,通过对时间序列的平稳性、趋势性、季节性、异方差等数据特征进行统计检验,筛选出双指数平滑模型、Holt-Winters乘法模型、ARIMA(1,1,4)模型为我国苹果市场价格短期预测的适用模型,以此为基础,以误差平方和最小为最优准则建立了组合预测模型.经对未来3期的苹果市场价格开展预测,结果表明,组合预测的精度要高于单项时间序列模型,组合预测方法完全适用于农产品市场价格的短期预测.     

一种基于局部回归的多尺度碳市场价格预测模型研究

碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。     

乘子法在确定组合预测非负权系数中的应用

研究非负权系数约束下的最优组合预测问题.应用乘子法来确定组合预测中的非负权系数.实例表明:这一方法是可行的、有效的.     

非负权重近似最优组合预测的简明算法研究

在极限理论及其前人对非负权重最优组合算法研究的基础之上,提出了一种求解非负权重近似最优解的简明算法,并进行了实例分析,结果令人满意,验证了该方法的实用性和有效性.     

关于非奇异线性变换依赖于方向的分解

本文给出了ｎ（ｎ≥３）维欧氏空间Ｅｎ上非奇异线性变换Ｆ依赖于任意给定的Ｐ（１≤Ｐ≤ｎ—２）个正交方向的分解，进而证明了Ｆ依赖于上述Ｐ个正交方向的ｎ（ｑ＝ｎ—Ｐ）个准主向的存在．作为上述结果的应用，我们推导出了处于均匀变形的物体中任意平面内至少存在两个互相正交的应变主方向，以及该物体内应变能密度在上述线性变换的任意一个准主基下可表为５个实数的函数．     

基于数据驱动的非完整移动机器人运动控制的研究

智能车辆驱动控制系统和转向控制系统是一个典型的多输入多输出的强耦合系统,当系统老化、轮胎磨损或是电池电压不稳定的情况模型难以精确建立.基于数据驱动原理,直接利用实测的速度以及舵机角度等信息,辨识控制器的参数,从而避开模型辨识的过程,简化控制器设计,提高控制精度.仿真结果表明,方法具有较好的控制效果和较强的扰动抑制能力.     

基于网络搜索信息的多模态数据驱动航空客流集成预测

为了对机场旅客吞吐量进行更高精度的预测,提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先,采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选,合成综合搜索指数。其次,利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列,依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息,分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测,而低频序列采用自回归分布滞后模型进行预测,最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现,该组合预测新方法能显著提高预测的精度,并表现出较好的鲁棒性。     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

基于非正态分布的投资组合VaR分解

在阐述了投资组合边际VaR、成分VaR和增量VaR之间相互关系的基础上,给出了资产收益率服从非正态分布下投资组合分解的一种新方法,结果发现它与正态方法下投资组合分解的结论一致,并结合实证研究验证了结论的正确性.     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

集成时序分析与形态理论的证券价格预测方法

在证券价格预测中如何将已有的技术分析方法和现代统计学理论相结合，寻求价格运动规律存在的统计支持，获得更直接的实证，成为近年来证券价格预测的课题之一．本文提出一种利用ARMA模型和形态理论进行组合预测股票价格的方法，计算实例表明了这种组合方法预测能力相对于单一的预测方法有明显的优越性，更具有实际意义0。