基于GA-SVR算法的淀粉价格预测研究

近年来我国淀粉产业迅速发展,给相关企业带来了巨大经济效益的同时,由于其情况复杂,致使相关企业无法正确掌控淀粉价格的走势,也造成了大量的经济损失.因此,寻找一种科学的、高效的淀粉价格预测方法已成为当务之急.将遗传算法(GA)与回归型支持向量机(SVR)相融合,建立了GA-SVR淀粉价格预测模型.对2003-2011年淀粉价格进行仿真预测,结果表明,模型的决定系数和均方误差均优于其它方法,验证了模型的有效性与优势.     

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ARIMA和LSSVM的非线性集成预测模型

针对复杂时间序列预测困难的问题,在综合考虑线性与非线性复合特征的基础上,提出一种基于ARIMA和最小二乘支持向量机(LSSVM)的非线性集成预测方法.首先采用ARIMA模型进行时间序列线性趋势建模,并为LSSVM建模确定输入阶数;接着根据确定的输入阶数进行时间序列样本重构,采用LSSVM模型进行时间序列非线性特征建模;最后采用基于LSSVM的非线性集成技术形成一个综合的预测结果.将该方法用于中国GDP预测取得的结果,与单独预测方法及流行的其他集成预测方法相比,预测精度有了较大的提高,从而验证了方法的有效性和可行性.     

基于浮动周期的动态煤炭价格预测模型

煤炭是我国基础能源化工原料,实现对其价格的精准预测,对工业发展有着重要的意义.主要运用主成分分析法对煤炭价格影响因素进行了动态筛选,并且通过浮动调整历史数据的使用周期,优化煤炭价格预测结果,建立了基于浮动周期的动态煤炭价格预测模型.最后,运用真实的煤炭价格数据,将提出的方法与现有的预测方法进行比较,相关的实证结果表明,...     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

基于GRNN模型的鲜猪肉市场日度价格预测与实证研究

应用广义回归神经网络(GRNN)模型对上海市某区菜市场2011.3.1-2014.3.25期间鲜猪肉的日度价格(合计732组数据)进行建模预测研究,用逐步减小光滑因子值的办法确定其合理值范围.建模结果表明:训练样本、检验样本和测试样本(简称三类样本)的均方根误差和平均绝对误差非常接近,模型具有较强的泛化能力,绝大部分三类样本的误差都在土0.33元范围内,最大相对误差都小于3%,平均百分比相对误差小于0.45%,预测未来10日鲜猪肉价格的最大绝对误差为0.14元,最大相对误差为0.82%,平均百分比相对误差为0.44%,表明建立的GRNN模型具有很好的鲁棒性、可靠性和较高的预测精度,可用于上海市某区菜市场鲜猪肉日度价格的实际预测,为政府和有关物价部门进行市场调控提供决策依据.     

基于二维时间序列模式提取的中国猪肉价格波动研究

猪肉价格的预测关乎到消费者和生产者的利益,因此受到广泛关注.基于数据挖掘中关联规则的理念,提出基于二维时间序列模式提取的猪肉价格波动预测方法,并对猪肉日价格数据进行了预测实验,结果表明该模型的有效性.     

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。     

利用少量样本集成吸毒人员预测模型的方法

为了从潜在吸毒人员中准确的锁定嫌疑个体,首先甄选样本并利用改进的特征缩放方法得到组合升维的基本样本集,然后对正样本进行过采样、负样本进行样本分片,修正了正、负样本集的不均衡性,最后利用神经网络集成预测吸毒人员的模型,由正负样本集进行训练和验证,提出了基于查准率、准确率、召回率的三率判断法的评估模型并进行模拟验证,给出了相关政策建议.     

猪肉、牛肉、羊肉三者价格互动关系的分析——基于VAR模型

利用VAR模型和Granger因果关系检验,刻画我国猪肉价格、牛肉价格、羊肉价格之间的互动关系,结果表明:从长期来看牛肉、羊肉和猪肉价格波动的最主要因素在于其自身的波动;羊肉价格对牛肉价格的影响程度大于猪肉价格的影响程度;牛肉对羊肉价格的影响大于猪肉价格对羊肉价格的影响;猪肉价格与牛肉价格互为Granger原因,牛肉价格与羊肉价格互为Granger原因;牛肉价格与猪肉价格呈现反向关系,据此可通过调控相关肉类价格稳定肉类市场价格.     

基于一种新的分解-集成模型的我国猪肉年度需求量预测研究

根据我国猪肉消费量的特点,建立了一个新的我国猪肉年度消费需求量预测的分解-集成模型.首先,为了预测我国猪肉消费需求量,根据全国猪肉农村和城市猪肉消费量的不同特点,将我国猪肉消费需求量分解农村和城市猪肉消费量.其次,根据GANN和WNN时间序列模型,建立了一个综合集成预测模型,分别对我国农村和城市的猪肉消费量进行了预测.最后,将农村和城市猪肉需求量的预测结果进行集成,得到全国猪肉需求量.为了验证所提出方法的有效性,将其与其他常用预测方法进行了对比,实证研究结果表明,提出的集成预测模型在我国全国猪肉消费需求量预测上取得了较好的效果.     

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。     

基于软件测试的软件缺陷预测模型

通过对某武器系统软件测试所得缺陷数据与软件规模之间关系的分析,建立了基于软件测试的软件缺陷预测模型.通过本项研究,可以在武器系统软件研制的初期阶段对软件可能含有的缺陷数量和缺陷等级进行预测,为软件研制过程的质量保证活动策划提供依据.     

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。     

灰色预测模型在石油化工原料价格预测中的应用

以2012年9月至2013年8月某化工原料(CB原料)的周平均市场价格数据为研究对象,应用灰色预测理论,建立GM(1,1)预测模型,预测了2013年9至11月共三个月12组该化工原料的周市场价格数据,从定量分析角度研究了其市场价格的变化呈增加趋势,并对模型的灵敏性进行了分析,研究结果可辅助石化企业在采购化工原料过程中提供采购决策.     

基于errors-in-variables的预测模型及其应用

预测是统计学实际应用的一个主要方面,多元线性回归预测是一种很好的方法,广泛地应用在各种实际领域,但其局限性及不足也是明显的。本文以一种新的观点认识数据,即认为变量的观测里均含有误差,同时认为不应删除经慎重选择进来的解释变量。为此,本文提出了一种新的多元预测方法———多元线性EIV预测。本文还考虑了新预测模型的一个实例应用,并从相对偏差上与多元回归预测进行了比较,从而揭示了多元线性EIV预测的先进性及较好的预测精度。     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

基于最大信息系数的软件缺陷预测模型

在软件缺陷预测的回归建模中,由静态代码提取的类层面度量元(特征)以及由方法聚合(sum、avg、max、min)到类的特征往往较多,使用传统的特征选择方法(如AIC、BIC)通常先要确定了模型,不同的模型选出的特征集差异较大,且模型的可解释性差.最大信息系数MIC (maximal information coefficient)是Reshef等~([4])提出的度量两个连续变量之间相互依赖程度的一个指标,且有基于观测数据的计算办法.本文基于软件缺陷个数与各特征的MIC度量先选择特征,再对所选特征进行了适当的幂次变换,最后使用主成分泊松和负二项回归建模.本文实验基于NASA的KC1的类层面数据集,采用了m×2交叉验证的序贯t-检验来对两模型的性能差异的显著性进行检验,模型性能评价指标采用FPA、AAE、ARE.实验结果表明:1)基于MIC选出的特征主要是sum、avg、max三种聚合模式特征,与AIC、BIC方法有明显的差异;2)对特征做适当的幂次变换在多数模型下可以改善其性能;3)对特征做幂次变换后,做主成分分析与因子分析可以得到两个明显的因子,其一个因子正好对应avg与max聚合模式的特征集,另一个因子正好对应sum的聚合模式特征集,使得模型具有较好的可解释性.综合实验的各项指标可以得出,sum、avg、max三种聚合模式对软件缺陷预测有显著作用,且基于MIC所选特征而构造的模型是有优势的.