基于小波分解和ANFIS模型的CPI统计数据预测

介绍应用小波分析理论解决时间序列统计数据的测量误差消除问题,实例证明借助离散小波分解与重构手段,可有效地从误差干扰的统计数据序列中提取统计数据的原始特征.完成CPI经济序列数据预测,为CPI统计数据的误差消除引入一种有效方法.     

一个关于线性模型结构变化预测的推断

利用统计诊断的一些思想，从Bayes预测理论的角度分析线性模型中的结构变化．考察两相回归模型其中诸yi是观察值，凡是回归变量的已知向量（p×1）,Oj（j＝1，2）是未知参数向县（p×1），是未知参数，诸εi是相互独立的．m是未知参数称为变点．我们主要对m感兴趣．实际上，在模型（1．1）中的统计推断之前，我们不知道哪个参数变化．本文结合统计诊断的一些思想和Dayes观点，利用基于条件预测奇异诊断（以下简记为CPDD）和Kullback-Leibler散度两种方法，来研究线性模型的结构变化．这些方法不限于任何条件，且能找出哪些参数变化；哪…     

基于改进的BP神经网络中国CPI运行预测研究

加强和改善宏观调控,保持价格平稳运行,促进经济持续健康发展是经济工作的重中之重.鉴于BP神经网络模型具有很好地模拟非线性系统的优点,对BP神经网络模型进行了新的改进,在对权值和阈值进行修改时加入了动量项α,并根据以往两次金融危机前后中国CPI运行具有较高相关性的特点,以1997年和2008年两次金融危机集中爆发前后数年数据为基础,运用该模型对中国CPI指数运行进行了拟合,并以2011年为例对中国CPI指数进行了预测,结果与实际运行数据基本一致,预测效果很好.此方法可为改进价格预测,加强价格调控提供重要借鉴意义.     

我国城乡居民CPI的影响因素与预测研究

基于“中国统计年鉴”公布的最新数据,研究我国城乡居民消费价格指数(CPI)与各类CPI的相关性,利用MLR和GM(1,N)模型,对我国城乡居民CPI与各类CPI进行数据拟合,对比分析两模型的实效性和差异性.同时利用高斯模型建立城乡CPI的时间序列预测模型.结果表明:1) MLR和GM(1,N)模型都具有很高的预测精度;2)城乡CPI关于时间的高斯预测模型也具有很好的拟合优度决定系数.最后在模型结果分析基础上给出相关政策及建议.     

基于ARIMA模型与神经网络模型的股价预测

了解并掌握股价运行的规律是许多投资者和学者所关注的领域,采用了ARIMA模型和BP神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测,并对比了两模型的预测精度,结果表明两种预测模型都达到比较理想的预测精度和短期预测可行的效果.     

基于神经网络模型的合肥市“十五”时期主要经济总量的预测

本应用BP人工神经网络模型对合肥市“十五”时期主要经济总量进行 了预测,并对结果进行了讨论。     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.     

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.     

以混沌理论为基础的神经网络预测方法

我国证券市场股价波动表现出特有的混沌性质，具有局部随机与整体秩序相容的特征。本以2002年每隔十秒的上证指数高频数据为例，以混沌理论为基础。从原始序列中构造出若干个新的时间序列，运用神经网络法进行预测。预测结果表明，此方法能够较好地预测股票的走势，有望在股票交易中应用。     

基于灰色神经网络模型的水质预测应用研究

将灰色模型和神经网络模型进行组合建立灰色神经网络模型,分别用灰色模型、神经网络模型和组合模型对永定河流域官厅水库断面的水质检测指标DO的浓度值进行模拟预测.结果表明,组合预测模型的模拟预测精度高于两种单一模型的预测精度.     

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。     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

神经网络汛期降水短期气候预测模型

用1960-2005年每年5-9月安徽宣城7县(市)平均降水量作为预报对象,在对应降水前期逐月74项大气环流特征量资料、500hPa月平均高度场和月平均海温场资料中选取因子.采用主分量分析方法构造网络学习矩阵,降低矩阵维数,提高网络预测模型泛化性能.建立的神经网络汛期降水短期气候预测模型对历年样本拟合精度高,试报效果较好,可在气候预测业务中使用.     

基于ARIMA和BP神经网络组合模型的能源消费预测

在单一的ARIMA模型预测的基础上,提出了一种基于ARIMA模型和BP神经网络组合模型,并以广西区1981至2016年的能源消费数据为例,结果表明组合模型的预测精度要优于单一的模型,故利用组合模型对广西区未来能源消费的预测更加有效.     

基于遗传算法和半参数回归的神经网络集成股市预测研究

股票时间序列预测在经济和管理领域具有重要的应用前景,也是很多商业和金融机构成功的基础.首先利用奇异谱分析对股市时间序列重构,降低噪声并提取趋势序列.再利用C-C算法确定股市时间序列的嵌入维数和延迟阶数,对股市时间序列进行相空间重构,生成神经网络的学习矩阵.进一步利用Boosting技术和不同的神经网络模型,生成神经网络集成个体.最后采用带有惩罚项的半参数回归模型进行集成,并利用遗传算法选择最优的光滑参数,以此建立遗传算法和半参数回归的神经网络集成股市预测模型.通过上证指数开盘价进行实例分析,与传统的时间序列分析和其他集成方法对比,发现该方法能获得更准确的预测结果.计算结果表明该方法能充分反映股票价格时间序列趋势,为金融时间序列预测提供一个有效方法.     

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.     

融合系统聚类与BP神经网络的世界碳排放预测模型研究

针对碳排放指标的复杂性与多样性,利用系统聚类对世界碳排放指标进行筛选;然后运用BP神经网络对世界碳排放量进行预测.结果表明运用系统聚类方法分析碳排放指标,简化了BP神经网络输入层,使网络训练得到较快实现,相比传统BP神经网络预测方法具有更高的精度,为碳排放预测及其它相关预测提供了一种新的、可供借鉴的方法.