基于CEEMD与GA-SVR的猪肉价格集成预测模型

为提高猪肉价格预测的准确性,结合互补集合经验模态分解(CEEMD)的分解能力和基于遗传算法的支持向量回归(GA-SVR)的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数(IMF)序列集;然后使用排序熵(PE)对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法(FFT)分解复杂度高的序列;再利用灰色关联度(GCD)对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.     

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.     

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。     

灰色预测模型算法的改进研究

为了解决固定模型预测时变系统容易出现较大误差的问题,提出模型更新算法,即采用将移动窗算法与传统灰色预测模型相结合的方法.通过在建模序列中删除一部分旧数据、纳入一部分新数据的方式递推更新预测模型,并分解数学模型所涉及的关键量ab从而简化递推数学公式;利用国家统计年鉴的统计数据验证上述方法的有效性.为了解决传统灰色预测模型建模长度选择的问题,而递推算法能在已知模型参数基础上通过简单计算获得新模型的各项参数,文章给出了详细的递推数学公式;另外对于最小建模长度L_(min)也进行讨论,认为L_(min)≥3,并给出证明.所改进算法提高灰色模型的预测精度,同时也为最优序列长度计算提供理论依据.     

基于SSA-LSSVM-KDE的农产品价格区间预测

为了更好地把控农产品价格波动的波动范围,提高预测精度,文章基于分解集成思想,提出一种基于奇异谱分析(SSA)、最小二乘支持向量机(LSSVM)与核密度估计(KDE)的区间预测组合模型,简称SSA-LSSVM-KDE模型.首先针对SSA方法中窗口维度难以确定的问题,引入Cao方法优化SSA最小嵌入的窗口维度,通过奇异值分解重构出多条分量;其次,选择学习能力强的LSSVM,将各分量作为LSSVM的输入,得到组合预测输出;最后利用B-样条基的最小二乘交叉验证法(B-spline-LSCV)优化KDE模型,估计组合预测输出的不同区间误差概率分布函数,得到给定置信水平下的最终预测区间.为了验证提出模型的有效性,对小麦现货价和玉米现货价进行区间预测,与四个单模型、三个组合模型和四个分布函数进行多种预测性能评价指标的对比,结果显示提出的模型在点预测和区间预测的精度都得到了明显的提高.     

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.     

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.     

EEMD、CEEMD算法与SVM在SST时间序列研究中的应用

海洋表面温度(SST)具有非线性、非平稳等特征,给处理和预测带来了很大的困难.将集合经验模态分解(EEMD)、改进的集合经验模态分解(CEEMD)与支持向量机(SVM)方法相结合,实现了对东北太平洋月平均海温距平序列(SSTA)的预测:首先应用EEMD或CEEMD方法将SST数据分解为多个本征模态函数(IMFs),然后应用SVM算法对各IMFs进行拟合、预测,最后对各IMFs预测结果叠加重构得到预测结果.EEMD-SVM和CEEMD-SVM数值模拟结果显示,预测最大误差小于0.25℃,并且CEEMD-SVM预测效果更好,为SST实际预测提供了参考.     

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。     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

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。     

基于上凸序列的GM(1,1)模型及其优化

针对GM(1,1)模型对上凸序列建模时会出现误差较大的情况进行了研究.首先分析了GM(1,1)对上凸序列建模时的残差变化规律,然后通过分析得出了残差变化规律的精确描述,同时证明了残差序列的几个性质定理.基于残差序列的性质定理提出了基于上凸序列建模的残差修正GM(1,1)模型.将新模型与多种改进的GM(1,1)模型进行对比,实证结果表明新模型具有很高的模拟预测精度,并且适用于一切上凸序列的建模.     

基于SSA的金融时间序列自适应分解预测

提出了分解预测的思想,通过SSA将序列分解成低频与高频两部分,分别采用最小均方(LMS)自适应自回归移动平均(ARIMA)与LMS自适应自回归(AR)模型进行预测,然后将两者叠加便可得原始序列预测值.同时,为了更好地捕捉序列局部突变,缩减预测延迟,提高预测精度,对EaLMS算法(基于误差调整的LMS算法)参数进行修正并...     

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。     

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.     

基于异常值检测的港口集装箱吞吐量预测模型

考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.