基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

集成随机森林和支持向量机的商业银行财务困境预测研究

提出了一种基于随机森林和支持向量机的集成模型来预测商业银行财务困境.结果表明,一方面,与多层感知神经网络相比,支持向量机可以更有效地作为集成学习模型的基分类器,虽然多层感知器神经网络在以往的研究中更多地被用于基分类器.另一方面,与现有的bagging、dagging、multiboost、adaboosting、random subspace等集成学习算法相比,该模型的预测性能明显提高.另一个关键发现是,利用银行业、宏观经济状况和国际金融风险变量补充银行层面的脆弱性,可以显著提高模型在商业银行财务困境预测中的表现.     

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.     

基于组合预测模型的广东省第三产业产值预测

首先分析了影响广东省第三产业发展的主要因素,指出由于上述因素相互制约、相互影响,导致第三产业的发展呈现出高度的非线性特征,并使得单一的预测模型在预测效果和泛化能力方面难以胜任.在此基础上,提出了基于神经网络集成的组合预测模型,对广东省第三产业的发展进行预测,阐述了算法的基本原理和数据处理流程,实证分析表明:基于神经网络集成的组合预测模型要比单一预测模型的预测精度高.     

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.     

基于支持向量机的武器系统参数费用模型

在武器系统分析中,建立武器参数费用模型时,首先要挑选特征参数,这里采用R ough理论中的知识约简方法选择武器的特征参数;利用支持向量机建立了参数费用模型;给出了实例和解决此问题的支持向量机源程序.通过实例与线性回归法和神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.     

基于支持向量机的区间模糊数时间序列预测

研究了区间模糊数时间序列的预测方法.首先将区间模糊数序列转换为等量信息的精确数序列,然后对精确数序列建立支持向量机回归模型,通过还原公式,得到区间模糊数序列的拟合值和预测值.最后给出了数值实验,实验结果表明方法有效可行,且比ARMA回归模型以及灰色模型的预测精度更高.     

基于改进的支持向量回归机的金融时序预测

金融市场是一个复杂、演化、非线性的动态变化的系统.金融数据往往带有噪声,非平稳且时常是混沌的.本文基于时序数据的先验知识——近期数据对于预测未来走势提供了更多的信息,对于传统的支持向量机的回归模型做出了一定的改进,即对于近期的数据预测错误施以更严重的惩罚,构建了改进的支持向量回归机模型.使用该改进模型对中国股票市场指数时间序列进行了预测,结果显示,本文改进的模型较之传统的支持向量回归机模型和神经网络模型有较好的预测效果.     

基于回归分析的机场拥挤预测问题研究

及时有效的预测机场拥挤状态并辅助机场管理部门采取相应缓解拥挤的措施,将有助于提高机场的服务质量和运行效率.提出了利用回归分析的方法对机场拥挤问题进行研究.利用已有的历史航班数据挖掘出与机场拥挤最为相关的因素,并将其作为预测变量来预测响应变量.使用到两种回归分析方法即:普通最小二乘回归(OLS)和支持向量回归(SVR).使用历史数据来训练模型,并将这两种训练模型用于真实数据集上做测试,且取得较好的预测效果.实验结果证明该方法在机场拥挤预测问题上的可用性和有效性.     

基于支持向量机的混沌时间序列模型在房产价格指数预测中的应用

针对房产价格指数的预测问题,建立了混沌时间序列的支持向量机的非线性预测模型.首先运用Cao氏法进行相空间重构,并利用改进型小数据量法计算最大的Lyapunov指数,分析上海房产价格指数时间序列的混沌特性.然后以最小嵌入维数作为支持向量机的输入节点,建立房地价格指数的预测模型.实例表明,该方法能较好地处理复杂的房地产数据,具有较高的泛化能力和很好的预测精度.     

COVID-19 Epidemic Prediction Based on Deep Learning

In this paper, a multi-layer gated recurrent unit neural network (multi-head GRU) model is proposed to predict the confirmed cases of the new crown epidemic (COVID-19). We extract the time series relationship in the data, and the rolling prediction method is adopted to ensure the simple structure of the model and achieve higher precision and interpretability. The prediction results of this model are compared with the LSTM model, the Transformer model and the infectious disease model (SIR). The results show that the proposed model has higher prediction accuracy. The mean absolute error (MAE) of epidemic prediction in most countries (the United States, Brazil, India, the United Kingdom and Russia) is respectively 197.52, 68.02, 200.67, 24.78 and 123.50, which is much smaller than the prediction error of the SIR model, LSTM model and Transformer model. For the spread of the COVID-19 epidemic, traditional infectious disease models and machine learning models cannot achieve more accurate predictions. In this paper, we use a GRU model to predict the real-time spread of COVID-19, which has fewer parameters and reduces the risk of overfitting to train faster. Meanwhile, it can make up for the shortcoming of the transformer model to capture local features.     

基于RBM的神经网络时间序列预测

为了克服神经网络依赖初始化结果,泛化能力不强的缺点,提出一种基于受限玻尔兹曼机(RBM)的神经网络模型.利用无监督学习方法优化神经网络的初始权值和阈值,将RBM与神经网络融合起来,模型与时间序列神经网络做实验对比,结果表明,基于受限的玻尔兹曼机的神经网络模型优于神经网络预测模型,模型可以提高预测的精准度,具有一定的应用意义.     

基于统计方法的神经网络预测模型研究

与现有网络结构设计方法不同,本文将RBF网络解释为解释变量和被解释变量之间的一个非线性函数,基于RBF网络的学习动态特性提出2种修剪模型WRBF和TRBF。这两种模型根据参数显著性增加和删减节点,为网络结构设计提供了理论依据。对中国信贷序列预测的结果表明,这些模型能够识别外移、萎缩和衰减等冗余核函数,得到的精简网络具有最好的预测精度,对于提高货币政策前瞻性具有很好应用价值。     

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Pulic智力资本模型的上市公司财务危机预警研究

智力资本在知识经济时代对企业的发展至关重要.本文考察Pulic智力资本评测模型是否能够用于企业财务危机预警.首先基于2003年至2007年中国A股市场新增ST公司样本及配对样本的前三年数据对Pulic模型综合指标进行单变量分析证实了该模型的预警可行性,然后根据三项因素驱动指标分别运用多元判别、逻辑回归、神经网络和最小二乘支持向量机方法建立预警模型进行回判和外推.结果表明,Pulic模型在ST前两年具有较高的判断准确性,可以通过对智力资本的考察而预知企业未来的财务状况.     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.