基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GA-BP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。     

基于ARIMA模型的我国大宗农产品价格指数预测

以2006年6月至2015年12月我国大宗农产品价格指数月度时间序列作为研究对象.构建ARIMA(1,1,1)模型对我国大宗农产品价格指数进行了拟合和预测,并对模型拟合效果和预测准确度进行了检验,效果均良好.预测结果表明,从长期变化趋势看,我国大宗农产品价格指数上涨是大势所趋.从短期变化趋势看,大宗农产品面对较大的价格下行压力.     

岩土工程位移时间序列的组合预测研究

将组合预测方法用于岩土工程位移时间序列预测.结合实际观测数据,分别建立位移时间序列预测的GM(1,1)模型、Verhulst模型和趋势曲线模型.采用极小误差法确定各单一模型的权重,建立组合预测模型.应用表明,组合预测的精度高,为岩土工程位移预测提供了一种实用、可靠的方法.     

基于ARMA模型的中国农产品价格的分析与预警

采用ARMA模型,对中国农产品生产价格指数(1979-2010)时间序列进行了建模分析.结果表明,ARMA(5,1)模型是平稳的且是可逆的.对2011-2013的中国农产品生产价格指数GPIFP进行了短期预测.预测结果分别是112,102和108.采用ARMA模型进行农产品生产价格指数的分析与预测,能较好地反映其动态变化,对促进我国农产品价格市场和谐发展具有重要的参考价值.     

基于逆模糊数的模糊时间序列预测的新方法

Song和Chisson于1993年提出模糊时间序列预测理论.虽然至今已经提出许多模糊时间序列预测模型,但是迄今为止尚未给出预测未知年数据的模糊时间序列预测模型.提出基于逆模糊数的模糊时间序列预测的新方法该模型对广西大学已知的2001~2012年的注册数进行预测分析,平均预报误差率比相关文献的方法有所改善.还对广西大学未知的2013年和2014年注册数进行预测研究.方法是短期预测的一种模糊时间序列预测方法.     

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.     

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.     

基于最小二乘法的GM(1,1)模型在我国猪肉产量预测中的应用研究

猪肉产量受诸多因素影响,因此数据波动性大,并且具有小样本性及贫信息等特点.本文采用基于最小二乘法的GM(1,1)模型对我国未来几年内猪肉产量进行了短期预测.首先,介绍了GM(1,1)模型;然后,通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性,建立基于最小二乘法的GM(1,1)模型;其次,结合2008至2014年我国猪肉产量数据建立预测模型;最后,使用2014年数据对模型的可靠性进行验证,基于最小二乘法的GM(1,1)模型的预测结果更加接近实际值.预测结果显示未来3年中国猪肉产量将持续增加.该模型为其他相关预测提供了理论依据,也便于我国对未来猪肉产品市场进行宏观调控,维持猪肉市场平衡,避免猪肉价格波动风险.     

基于ARIMA的基金组合绩效成长性的预测

对投资机构而言,准确预测其投资组合的成长性能够为其未来的组合管理提供有效参考.ARIMA时间序列模型能够针对具有时间序列属性的数据进行预测.选取三只债券型基金组成投资组合A并计算其组合指数,以中信标普全债指数为参考,通过ARIMA时间序列模型预测投资组合A的组合指数与中信标普全债指数的差额来预测投资组合A的成长性.     

基于组合模型的武隆景区长期游客流量预测

由于某景区经营权回购需进行景区游客量长期预测。为克服长期预测的不确定性,我们采用基于旅游地环境容量的LOGISTIC模型和考虑客源地旅游需求的回归迭代模型进行组合预测。前者包含旅游地的环境容量限制参数,主要基于供给制约因素结合时间序列数据进行预测。后者主要从客源地的人均收入、价格水平、价格弹性和收入弹性进行预测。然后整合两模型进行组合预测,对两种预测结果进行加权得到组合预测游客流量,很好地解决了集成旅游地环境容量、"申遗"前后与高速公路通车前后游客量变化、游客时间序列规律、客源地人均可支配收入、旅游地吸引力和旅游地生命周期等众多因素进行长期预测的问题。预测结果作为政府部门经营权回购中补偿额确定的主要依据,已被采用。     

广东省能源消费的ARIMA模型预测分析

对1985-2008年广东省能源消费总量数据序列进行分析,建立了ARIMA(2,2,2)模型,检验结果表明,该模型对原始数据序列有较好的拟合效果,模型的预测效果良好,可用于短期外推预测.     

基于支持向量回归机的黄金价格短期预测

针对黄金价格时间序列的特点,首先结合马尔可夫决策思想对数据集进行相空间重构处理,然后利用支持向量机技术建立黄金价格走势的短期预测模型,最后对上海黄金交易所AU9999的预测结果表明所建模型可以有效地进行黄金价格的短期预测.     

基于逆模糊数的模糊时间序列预测的新方法北大核心

Song和Chisson于1993年提出模糊时间序列预测理论．虽然至今已经提出许多模糊时间序列预测模型,但是迄今为止尚未给出预测未知年数据的模糊时间序列预测模型．提出基于逆模糊数的模糊时间序列预测的新方法该模型对广西大学已知的2001-2012年的注册数进行预测分析,平均预报误差率比相关文献的方法有所改善．还对广西大学未知的2013年和2014年注册数进行预测研究．方法是短期预测的一种模糊时间序列预测方法．     

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软件运行结果显示,XGBoost时序模型比经典的时间序列预测模型ARIMA模型、BP神经网络模型、贝叶斯时序模型具有更高的预测精度.在此基础上,运用XGBoost时序模型对我国2019-2023年的GDP进行短期预测,研究结果显示,未来5年我国GDP依然保持持续稳定增长趋势.     

加权几何平均变权组合预测方法及其应用

加权几何平均组合预测模型是一种常用的非线性组合预测方法.为了提高加权几何平均组合预测模型的预测和拟合精度,给出了一类加权几何平均变权重组合预测方法.最后将该变权组合预测模型应用于我国天然气产量的预测.计算结果表明加权几何平均变权重组合预测模型在时间序列数据的预测中具有一定的优势.     

基于预测精度的多目标组合预测优化模型研究

考虑了组合预测精度的数学期望和预测精度的标准差这两个指标 ,建立了多目标规划组合预测最优化模型 ,并给出其数学规划的解法 .最后进行实例分析 ,结果令人满意 .该模型能反映不同时间序列预测方法有效性     

最优组合预测的短期气候预报建模研究

以预报量序列建立均生函数短期气候预报模型及根据500hPa月平均高度场预报因子分别建立的BP网络模型、回归预报模型为基础,用"误差绝对值和最小"作为最优准则,建立月平均降水量的短期气候组合预测模型.采用线性规划方法计算得到组合预测模型的各权系数,对这种短期气候组合预测模型的预报能力进行了分析研究,结果表明,该组合预测模型的预报精度优于各子方法,具有很好的应用价值.     

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.     

基于时间序列分析方法的伊犁州GDP的预测研究

基于时间序列理论,以伊犁州1978年至2014年来生产总值为基础数据,利用Eviewes8.0软件对数据进行处理分析,并对模型进行显著性检验,综合各种条件确定最终时间序列回归模型,对伊犁州未来三年的生产总值做出预测,为伊犁州党委、政府制定相关经济政策和发展战略提供科学依据.     

基于ARMA模型的共享单车的投放预测与管理

共享单车作为城市公共交通的有效补充,对其使用情况进行预测能为共享单车管理部门的投放和统一管理提供依据.采用时间序列分析的方法,对城市某一公共场所共享单车的使用情况进行了观察记录,对所获得的序列X-user进行时间序列分析的方法建立了序列ARMA模型.根据所建立的ARMA模型对共享单车的使用情况进行了短期的预测,预测的结果与实际观察的结果具有较高的拟合度,验证了模型具有较好的预测效果.