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.     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

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.     

ARIMA时间序列模型和BP神经网络组合预测在铁路客座率中的应用

首先利用python3.5对铁路客座率原始数据进行预处理,然后利用ARIMA时间序列和BP神经网络进行单一的模型预测,得出单一预测模型的均方误差.在组合预测求解时,先求出ARIMA时间序列模型的误差向量E_1和BP神经网络的预测误差为E_2,由于这两种预测方法是相互独立的,因此误差向量E_1和E_2线性无关且组合预测误差向量为E=(E_1,E_2),得出组合预测平方和的形式为J-W~TEW,然后根据组合预测误差平方和最小的原则来确定权值w_1,w_2,最后求解凸二次规划问题得到权值并求出组合预测模型和均方误差.通过比较单一模型预测和组合预测的均方误差,得出结论:组合预测模型的精确度高于单一预测模型的精确度.     

基于Bass-BP组合模型的微信扩散研究

微信扩散具备非线性变化特征,仅采纳单一预测算法无法有效描述微信扩散的规律.因此,提出了Bass-BP扩散组合模型.首先利用经典Bass模型对微信数据进行初步预测,再利用BP神经网络对Bass模型预测结果进一步非线性逼近.结果表明,Bass-BP组合模型相较于Bass经典模型和BP神经网络这两种单一的预测模型,具有更好的预测效果.     

基于EWT-PSO-SVM误差校正组合模型的中国股市预测研究

鉴于股市预测的复杂性.遵循"先分解后集成"的总体建模思路.文章基于EWT分解算法和SVM支持向量机模型.同时结合PSO粒子群优化算法和误差校正组合预测方法,构建了一种中国股票市场建模及预测的EWT-PSO-SVM误差校正组合预测模型.先基于EWT算法将原始价格序列分解成若干分量,再根据频率将其重组成高、中、低频3个分量,对它们分别建立PSO-SVM误差校正组合模型.最后集成各个分量的预测结果.与其他预测模型相比较,文章所构建预测模型的MSE、MAE、MAPE、RMSE、Theil不等系数、确定性系数DC和方向性指标DS 7个指标均优于其他基准预测模型,MCS检验结果同样表明本文构建模型的预测性能最优.稳健性检验结果进一步证实了文章构建的模型预测性能所具备的稳健性.     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

不同优化方法的混沌-RBF神经网络模型对大白菜短期价格预测的结果比较

以2008年1月21日至2012年5月13日的大白菜日度零售价格为研究对象,结合混沌理论和神经网络技术在处理非线性问题上的优势,尝试构建了一般混沌-RBF神经网络模型、基于遗传算法优化的混沌-RBF神经网络模型和基于粒子群算法优化的混沌-RBF神经网络模型,并比较其不同的优化算法对于大白菜价格短期预测精度是否有提高.研究结论显示:基于粒子群算法优化的混沌-RBF神经网络模型在拟合效果和预测精度上均明显好于其他两种混沌-RBF模型.这也显示了混沌神经网络技术在大白菜价格短期预测领域中具有广泛的应用前景.     

基于改进CS优化BP神经网络的降水量预测模型

针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.     

基于EEMD-Elman-Adaboost的中美股票价格预测研究

针对股票价格序列高度非正态、非线性、非平稳等复杂特征,文章以Elman神经网络为基础,引入集合经验模态分解(EEMD)与Adaboost算法,对中美股票的日收盘价进行预测。首先,利用EEMD算法将样本分解为多个本征模函数分量和1个残差分量。其次,用Adaboost算法优化Elman神经网络,对各个分量进行预测。最后,将各分量预测结果进行求和,作为最终预测结果。研究结果表明:EEMD-Elman-Adaboost模型对中美股票价格预测的均方根误差、平均相对误差、平均绝对误差均比现有的BP、Elman、EMD-Elman、EEMD-Elman模型小,新组合模型融合了EEMD、Elman神经网络、Adaboost算法的优点,具有更强的泛化能力和跟随能力。     

基于改进PSO-BP神经网络的贮存可靠性预测

贮存可靠性是军事储备质量监测的重要环节,科学准确地预测贮存可靠度是现代化军事评估的必然要求。针对历史贮存数据,建立可靠度与年限的贮存可靠性预测模型,采用进化策略改进粒子群算法(PSO)优化BP神经网络进行贮存可靠性预测。通过数据扩充提高样本质量和数量,应用改进后的PSO算法优化BP神经网络的初始权值和阈值,提高网络的泛化能力。PSO算法较好的全局搜索能力与BP网络很强的局部搜索能力相结合,能够避免早熟现象,提高算法的收敛速度及预测精度。实验结果表明,改进的PSO-BP网络模型比PSO-BP和BP神经网络获得更好的预测性能。     

数据挖掘在房地产价格预测中的应用研究

通过基于数据挖掘理论的粗糙集和神经网络的研究,用属性约简算法约简并提取了影响房地产价格的主要指标因素,对降维后的数据进行网络学习和训练,最后用训练好的的网络检验测试样本.方法使学习训练的速度和识别率提高了,为房地产价格预测提供了一种更为有效和实用的新途径.     

Thermal behaviour prediction utilizing artificial neural networks for an open office

This study investigates a neural network-based non-linear autoregressive model with external inputs (NNARX), a non-linear autoregressive moving average model with external inputs (NNARMAX), and a non-linear output error model (NNOE) to predict the thermal behaviour of an open-plan office in a modern commercial building. External and internal climate data recorded over one summer, autumn and winter season were used to build and validate the models. The paper illustrates the potential of using these models to predict room temperature and relative humidity for different time scales ahead (30 min or 2 h ahead). The prediction performance is evaluated using the criteria of goodness of fit, coefficient of determination, mean absolute error and mean squared error between predicted model output and real measurements. To obtain an optimal network structure (avoiding overfitting) after training, a pruning algorithm called optimal brain surgeon (OBS) was used to remove unnecessary input signals, weights and hidden neurons. The results demonstrate that all models provide reasonably good predictions but the NNARX and NNARMAX models outperform the NNOE model. These models can all potentially be used for improving the performance of thermal environment control systems.     

三种生成神经网络拓扑结构的方法在股票、商品价格预测中的应用及结果比较

对比了三种不同神经网络模型的生成方式:传统神经网络生成模型,遗传算法训练神经网络模型,以及在第二种方式训练参数的基础上,再使用传统神经网络优化生成模型.论文使用上述三种方法对代表性股票和商品价格进行拟合并预测,通过预测结果准确性和稳定性的比较发现:引入遗传算法后的神经网络在样本内的拟合误差有所降低,而第三种方法在样本外有最低的预测误差和最优稳定性.     

改进型LOBNN & AR-GARCH模型在股票预测中的应用

为实现对股票价格的短期预测,本文在Laguerre正交基神经网络 (LOBNN)模型的基础上,提出了一种新的组合预测模型来预测短期股价的变化。该模型先通过改进LOBNN模型的权值求解算法,用以增强模型的通用性。接着在其基础上设计新的迭代算法,进一步提高模型的预测精度,进而得到新的LOBNN模型。之后将股价数据分别代入AR-GARCH模型和改进后的LOBNN模型,得到输入数据的两组预测值。最后通过不同的权重来组合两种预测结果,生成最终股价的预测结果。文末的仿真结果表明该组合模型在预测精度与通用性上较原始模型有较大的提升,是一种高效的预测模型。     

Auxiliary model based parameter estimation for dual-rate output error systems with colored noise

The dual-rate sampled-data systems can offer better quality of control than the systems with single sampling rate in practice. However, the conventional identification methods run in the single-rate scheme. This paper focuses on the parameter estimation problems of the dual-rate output error systems with colored noises. Based on the dual-rate sampled and noise-contaminated data, two direct estimation algorithms are addressed: the auxiliary model based recursive extended least squares algorithm and the recursive prediction error method. The auxiliary model is employed to estimate the noise-free system output. An example is given to test and illustrate the proposed algorithms.     

Prediction of multivariate chaotic time series via radial basis function neural network

In this article, a new multivariate radial basis functions neural network model is proposed to predict the complex chaotic time series. To realize the reconstruction of phase space, we apply the mutual information method and false nearest‐neighbor method to obtain the crucial parameters time delay and embedding dimension, respectively, and then expand into the multivariate situation. We also proposed two the objective evaluations, mean absolute error and prediction mean square error, to evaluate the prediction accuracy. To illustrate the prediction model, we use two coupled Rossler systems as examples to do simultaneously single‐step prediction and multistep prediction, and find that the evaluation performances and prediction accuracy can achieve an excellent magnitude. © 2013 Wiley Periodicals, Inc. Complexity, 2013.     

基于ARMA模型的股价分析与预测的实证研究

利用ARMA模型对招商银行(600036)的股票日开盘价(2010/10/13-2011/4/8)数据进行分析,并预测出未来3天(2011/4/11-2011/4/13)的股票开盘价数据.与实际数据相对照,模型预测误差小,说明ARMA模型非常适合于短期预测.     

基于二次优化BP神经网络的期货价格预测

针对BP算法存在的不足,结合神经网络、遗传算法和主成分分析的优点,提出基于二次优化BP神经网络的期货价格预测算法.初次优化采用主成分分析法对网络结构进行优化,第二次优化采用自适应遗传算法对网络参数进行优化,将经过二次优化后建立的BP神经网络模型用于期货价格预测.经仿真检验,用新方法建立的模型对期货价格进行预测,在预测的精度和速度方面都优于单纯BP神经网络模型.