CPI数据预测计算的ANFIS模型结构探讨

依据CPI经济序列数据确定性混沌原理,探讨自适应神经模糊推理系统模型构造,并给出此类混沌数据列预测的ANFIS系统结构形式,进行CPI经济序列数据预测.并用实例拟合、预测数据证明:ANFIS模型是一种精度较高的混沌数据序列预报系统.为CPI数据预测提供了一种计算方法.     

基于时间序列分析的北京地区PM2.5浓度研究

基于中国环境监测总站公布的实时空气质量监测数据, 利用时间序列模型对PM2.5指标的数据进行了平稳性、纯随机性检验, 同时进行了模型阶数、未知参数估计以及模型显著性检验与优化. 最终在此基础上建立了指标预测的数学模型, 并对未来三天的PM2.5浓度值进行预测. 进一步地, 基于向量自回归(VAR)模型, 对北京市万寿西宫站PM2.5数据进行相关性分析, 研究空气中污染物O_{2}、NO_{2}、CO、O_{3}、PM10与PM2.5的动态影响关系. 研究发现当天的PM2.5浓度会受到前几天PM2.5、PM10、O_{3}、SO_{2}等污染物浓度的影响,其中PM10对PM2.5的影响最为明显且持续时间最长, O_{3}、SO_{2}对PM2.5浓度的影响在二、三期最为明显.     

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.     

基于多元Hamacher-ANFIS的股票价格预测

应用减法-模糊聚类算法、多元Hamacher算子以及自适应神经模糊推理系统(ANFIS)提出了一种中国股票市场价格建模及预测的多元Hamacher-ANFIS模型.首先多元Hamacher算子与ANFIS相结合,对ANFIS种各规则的隶属度测度机制和规则参数更新机制进行了修正,建立基于减法-模糊聚类的多元HamacherANIFS模型;再从沪深两市各选取了总市值最大的5支股票,计算出它们在同一时间段的历史波动率,并以此为依据得到模型对该股票预测性能的权重;最后运用减法-模糊聚类算法初始化模型参数,对每个数据组进行5重交叉检验,并根据之前得到的权重计算出模型关于检验集的综合R2值.实验结果证明,与现有方法相比,该模型增强了对复杂目标函数的学习能力,提高了对股票价格的预测精度.     

低噪声水平混沌时序的预测技术及其应用研究

研究含有噪声的混沌时序的除噪及其重构技术,基于除噪混沌数据的预测技术及其应用．应用混沌时序的奇异值分解技术对混沌时序的噪声进行了剥离,将混沌时序的相空间分解成为值域空间和虚拟的噪声空间,在值域空间内重构了原混沌时序,并在此基础上,确立了非线性模型的阶,利用所提出的非线性模型对时序进行了预测研究工作,研究结果表明,该非线性模型具有很强的函数逼近能力,所采用的混沌预测方法对相应的实际问题有着一定的指导意义．     

复杂系统中混沌排斥子的动力学特性分析及应用研究

研究了由一类复杂系统排斥子所生成的时间序列的分形特征、分维值,利用相空间重构理论对排斥子所生成的混沌时序数据进行了重构．研究了时序数据的零均值处理、傅立叶滤波对预测结果的影响,研究了预测样本值的选取对预测的相对误差、预测长度影响等相关问题．结果表明:该模型对于这类排斥子所生成的时序数据建模和预测都具有实用性,且混沌排斥子样本数据的零均值处理对预测结果有一定的量的改变,但对排斥子样本数据进行Fourier滤波处理会降低预测的精度,这对于复杂系统排斥子的研究有着较为重要的理论和实际意义．     

基于非线性混沌时序动力系统的预测方法研究

主要研究由混沌时序所确定的非线性动力系统的预测方法．研究了非线性自相关混沌模型的结构,模型阶数的确立技术．将神经网络和小波理论相结合,研究了小波变换神经网络的结构,给出了小波神经网络的学习方法;提出了一种新的基于小波网络的参数辨识方法．该方法可以有选择地提取时序中的不同的时间、频率尺度,实现原时序的趋势或细节预测．通过对混沌时序进行预处理,并比较预处理后的预测结果,得到了一些有益的结果:用非线性自相关混沌模型采用小波网络对模型参数进行辨识,其辨识的准确程度较高,用该模型对混沌时序(包括含有噪声)的预测比较有效．     

基于LSTM模型的北京首都国际机场路面交通拥堵预测

机场是一个空地交通系统,机场地面交通的预测不同于一般城市道路具有其特殊性。本研究以北京首都国际机场为研究对象,基于2016年8月1日-2017年7月31日空地交通小时数据,预测辖区内58条道路小时级别的拥堵延时指数,为相关部门的管理提供依据。与传统的基于自身序列的预测模型相比,本研究将航空因素引入地面交通拥堵预测模型中,结果显示航空因素对于机场地面交通的预测具有重要影响,证实了机场地面交通预测的特殊性。与线性模型ARIMA和VAR模型相比,深度学习算法LSTM模型具有更好的预测精度。     

基于区域房价的空间自回归模型平均

文章是基于模型平均的方法对我国重点省会城市月度房价数据的空间自回归模型的拓展研究.通过一定的宏观经济解释变量和房价数据,构建区域房价的空间自回归模型,并在基于MMA准则的模型平均框架下,将不同的候选模型组合进行房价预测.对比经典空间自回归模型的预测,基于模型平均的MMA, SAIC和SBIC的预测有更高的精确度和更好的稳定性.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.     

基于Keras的LSTM模型在空气质量指数预测的应用

为了高精度预测空气质量指数(AQI),针对大气环境复杂多变性、不确定性,以2014年至2017年的太原市空气污染物监测数据为基础,首先采用python3.5.2中的相关性分析函数对污染物与AQI指数进行了相关性分析,然后建立基于深度学习库Keras(一种高层神经网络API)的长短期记忆循环神经网络(LSTM)模型,对太原市空气质量指数(AQI)进行仿真预测.实验结果表明:模型的均方根误差为4.875,具有预测精度高、范围广等优点,为大气污染防治工作提供了科学合理的理论依据和新的预测方法.     

空气中PM2.5问题的研究

主要研究空气污染中的PM2.5扩散问题.首先利用相关分析法讨论了PM2.5与SO_2,NO_2,CO,PM10,O_3的相关性,建立线性回归方程;然后建立一维的反应扩散方程,预测PM2.5浓度变化,并定量与定性分析西安市空气污染状况;再建立高斯烟羽模型,对持续高浓度PM2.5扩散情形进行拟合,并对污染物扩散范围进行预测,得到重度污染以及可能安全区域;最后通过建立最优化模型,得到较有经济效益的空气治理方案.     

城市道路短时交通流量预测

结合BP神经网络模型和自回归求和滑动平均(ARIMA)模型对城市道路交通短时区间流量进行预测.影响交通流的因素有很多,难以一一量化,但这些因素都可以由线性自相关结构和非线性结构结合线性组合得到.而BP神经网络对非线性关系有很好的拟合效果,ARIMA模型则具有良好的线性拟合能力.在训练模型时,先用ARIMA模型拟合训练集,与原始数据作差得到一组残差;用BP神经网络模型拟合残差;将两个模型结合得到组合模型.将2017年7月1日7:00到2017年7月1日18:00期间,贵阳市某个路口断面所采集的过车数据作为训练集,建立ARIMA模型和BP神经网络模型以及组合模型,预测2017年7月1日18:00到2017年7月1日19:00的短时交通流.过车数据统计时间间隔为5min,则训练集共有有效数据132组,测试集的有效数据为12组.分别用三类误差分析指标比较三个模型的拟合、预测效果,结果显示组合模型的预测效果比两个模型单独使用的预测效果更准确.     

基于时序分解的自适应在线学习电力负荷预测算法研究

传统的机器学习方法无法捕捉到电力负荷需求的不确定性以及动态变化规律.本文将最新提出的隐马尔可夫模型在线学习算法应用于电力负荷预测研究,充分提取历史数据中的不确定性特征和动态变化规律,并结合分解算法,更精确利用数据中的动态变化特征,从而提高预测精度.算法基于隐马尔可夫概率预测模型,在获得新样本时对模型进行在线更新,适应最新数据;利用STL时序分解算法对负荷数据进行分解,使具有不同不确定性和动态变化规律的分量分离开,再分别使用在线学习算法对不同特征的分量进行预测,构造电力负荷预测组合算法.基于三个公开电力负荷数据集的测试结果表明,相比于单一的在线学习模型,本文提出的组合算法提高了预测精度,预测相对误差最高减少了27%.     

低维混沌时序非线性动力系统的预测方法及其应用研究

主要研究由低维混沌时序所确定的非线性动力系统的预测方法及其应用。在国外学者研究工作的基础上,应用一种非线性混沌模型在相空间内对时序进行重构工作,先通过改进的最小二乘方法来估计模型的参数,满足一定精度后,再采用最优化方法来估计模型的参数,并用所求得的混沌时序模型在其相空间内对时序的未来值进行预测。给出了非常有代表性的实例对文中模型和算法进行验证。结果发现采用该算法能较准确地求得模型的参数,在相空间中对混沌时序进行预测,将传统方法中的外推变成了相空间中的内插,及选取最佳的模型阶数等工作都能增加预测的准确程度,且混沌时序不可能进行长期的预测。     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显...     

哈尔滨市冬季PM_(2.5)与影响要素的相关分析

运用相关性分析方法,研究哈尔滨市PM_(2.5)质量浓度与主要空气污染物及气象因素之间的相关关系.建立PM_(2.5)与影响其质量浓度变化的因素的单因变量的偏最小二乘回归分析(PLS1)模型,模型拟合良好,由模型知CO是导致PM_(2.5)质量浓度升高的主要因素.运用通径分析方法,研究解释变量对因变量的直接影响、通过其他解释变量对因变量的间接影响以及各解释变量的对因变量的协同作用.结果表明,各解释变量对PM_(2.5)质量浓度变化的总作用从大到小依次为:CO、PM_(10)、NO_2、风速、湿度、SO_2.     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

基于时间序列的长沙市PM2.5的统计分析

通过对长沙市2015年AQI检测指标数值PM2.5与SO_2,NO_2,PM10,CO,O_3间相关性进行分析,得到PM2.5与SO_2,NO_2,PM10,CO间存在正相关关系,与O_3间为负相关关系.后建立自回归移动平均模型(ARMA)对长沙市2015年的PM2.5进行短期预测,得到最优模型为ARMA(3,2).最后对长沙治理PM2.5提出相关建议.     

京津冀地区大气严重污染的主要影响因素分析

采用2014年中国30个地区的PM2.5年均浓度、大气污染排放以及相关污染产能等数据,运用描述性统计与主成分分析等方法,分析地区污染产能与污染排放之间的相关关系.探讨京津冀地区PM2.5年均浓度居高不下的主要原因,以及该地区严重大气污染的主要影响因素.研究表明,大气污染具有典型的传输性特征.因此,京津冀地区需要进一步加强区域联防联控,采取更有针对性的治理措施,才能显著改善气质量,使大气污染治理工作取得更加明显的成效.