基于动态隶属度的模糊时间序列在我国居民消费水平预测上的应用

准确预测我国居民消费水平对促进经济持续协调发展具有重大的理论和现实意义。根据1952～2013年我国居民消费水平数据,本文提出了一种基于动态隶属度的模糊时间序列预测方法。首先对数据聚类并模糊化处理得到隶属度序列;然后再对隶属度序列进行时间序列分析建模得到预测值;紧接着对其去模糊化实现我国未来三年居民消费水平的预测;最后,将预测结果与传统时间序列方法预测结果相比较,新方法的预测平均绝对误差(MAE)、均方误根差(RMSE)较传统时间序列方法分别减少了23和28。结果表明,本文的预测方法相对于传统时间序列预测方法具有较高的预报精度,可用于居民消费水平的预测。     

基于直觉模糊化的广义模糊时间序列预测模型

本文在传统广义模糊时间序列预测模型数据模糊化的基础上,引入直觉模糊集理论对其进行扩展。首先,在隶属度和非隶属度函数中增加犹豫度因子对样本数据进行直觉模糊化,更加细腻的反映数据不确定性本质。然后,用记分函数描述样本数据对模糊集的隶属情况,简化模型的复杂度。随后以传统广义模型为框架,构建基于直觉模糊化的广义模糊时间序列预测模型。最后利用典型的Alabama大学入学人数为实验数据,对比分析本文建立模型与传统广义模型的预测结果,验证直觉模糊化的广义模糊时间序列模型的可行性和优越性。     

基于ARIMA-LSTM组合模型的原油产量时序预测研究

针对现阶段油田产量预测中所出现的一些预测效果不理想的问题,开展了对全国原油产量的时序预测研究.针对全国原油2011-2020年产量所呈现出来的特点,采用一种基于时间序列自回归移动平均模型(ARIMA)结合长短期记忆网络(LSTM)组合模型的预测方法.首先,运用时间序列ARIMA模型的建模思想,对全国原油产量进行初步预测,再通过LSTM训练拟合残差并进行预测.最后将LSTM的预测结果补偿到初步预测结果中,得到组合预测值.组合模型预测结果显示,预测结果比较可靠,对预估原油产量具有一定的参考价值.     

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.     

涉农企业信用评价动态指标隶属度向量判别研究

对涉农企业信用评价中的动态指标的隶属度向量进行判别研究.首先借鉴X-12-A砒MA季节调整法的思想对信用数据进行剥离,构建一种过程连续性的动态信用指标;其次通过时间序列三指数平滑模型对动态信用数据的变化进行预测,得到动态信用指标隶属度向量;再次,结合熵权-AHP法确定的权重,确定动态信用指标的综合隶属度向量;最后实证检验了方法在企业信用评价中应用的有效性.     

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。     

基于季节性RBF神经网络的月度市场需求预测研究

本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度;借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略;利用计算机程序搜索,确定最优参数;通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.     

基于终端滑模模糊神经网络的电力系统负荷频率控制研究

针对区域互联电力系统受到风电及负荷扰动后,系统频率会出现大幅度波动问题,提出一种基于终端滑模模糊神经网络的多区域互联电力系统负荷频率控制(LFC)方法。在分析单一区域电力系统有功输出特性的基础上,建立计及多区域有功输出的互联电力系统负荷频率控制模型。采用自适应逆控制,有效的解决系统响应和扰动抑制的矛盾。将终端滑模模糊神经网络引入自适应逆系统,构建模糊神经网络辨识器,利用终端滑模在有限时间内可实现无静差跟踪的特点,进一步提高神经网络的辨识能力。仿真结果表明所设计的基于终端滑模模糊神经网络的自适应逆系统,不仅可以得到好的动态响应,还可以使风电及负荷扰动减小到最小。     

基于PSOGSA-LSTM模型的长江经济带空气质量指数预测研究

本文以长江经济带100个地级及以上城市的空气质量指数(AQI)为研究对象,选取了六大污染物和11个影响空气质量指数的气象因子作为影响因素。针对空气质量相关数据的特性,将粒子群算法和万有引力算法结合的混合算法(PSOGSA)与长短期记忆(LSTM)神经网络进行组合,建立PSOGSA-LSTM组合预测模型,对模型的预测精度进行了三个方面的检验,并与传统的LSTM模型的预测结果进行比较,最后将其应用于长江经济带100个城市未来7天的空气质量指数预测。研究结果表明,PSOGSA-LSTM模型相比传统的LSTM模型具有更高的预测精度和较强的稳定性。     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

LSTM的季节性注意力及在文本情感分类中的应用

长短期记忆网络(LSTM)在序列建模中存在梯度消失的情况,其降低了模型在时序预测任务尤其是中长期多步预测中的精度,同时降低了模型对于序列上下文中关键信息的注意力.梯度消失的根本原因在于LSTM的门控记忆机制对在循环层反向传播的梯度失去控制,故考虑对循环层的门控单元结构进行调整,并专门对于含有特定成分(如季节成分)的序列进行训练使改进后LSTM模型在序列预测任务中具备针对季节性成分的注意力.文章研究在LSTM模型的基础上采用将已有的单支路的遗忘门调整为具有双支路的季节门,并引入输入序列的极差作为划分支路的选通器的方法,改进得到季节型LSTM (S-SLTM).经实验,在英文电影评论IMDB的文本二分类情感分析中,单层的S-LSTM较单层LSTM的预测准确率提升了9.8%.     

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.     

基于相似度证据理论的模糊时间序列模型的研究

为了提高模糊时间序列模型的预测效果,利用证据理论在处理不确定信息和信息融合方面的优越性,利用贴近度作为证据之间的相似度,对模糊规则进行合成,形成基于相似度的证据理论的多因素模糊时间序列模型.方法在支持证据"与"运算的合成和对冲突证据的比例分配上,充分考虑了证据的权重.最后,通过实例的比较研究验证模型的有效性.     

基于时间序列法的国税月度收入预测模型研究

研究了基于时间序列方法的国税月度收入预测. 通过采用Box-Jenkins的ARIMA模型, 结合国税月度收入数据, 分析并提出了一套针对月度税收收入的预测研究框架, 包括对税收预测模型的拟合、检验、预测、评价、动态修正等主要环节的处理方法. 在该研究框架的指导下, 以增值税、海关代征税和营业税为例, 对2006年各月的税收收入进行了模拟预测, 月度税收收入预测的平均相对误差分别控制在5.47\%, 8.63\%和2.37\%. 最后给出了在实际应用中动态修正税收预测模型的建议, 并简要讨论了时间序列方法在税收预测中面临的问题.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。     

以直觉模糊熵改进权重的模糊数据关联算法

针对多中心点的观测数据存在不确定性的问题,首先将观测数据和预测数据进行直觉模糊化,然后利用直觉模糊熵改进直觉模糊集的数据权重,再计算直觉模糊集之间的加权距离以获得观测与预测数据的隶属度,最后依次搜索最大隶属度实现观测与预测的关联.通过实例将改进的直觉模糊C-均值聚类(IFCM)算法应用于数据关联计算,计算结果表明,存在模糊观测数据情况下,可以比较好的处理距离的权重信息,并得到更好的处理结果,实例证明算法是可行的.     

金融区间序列分析及其预测的初步评价

金融市场中的实际观测数据,除随机性外往往还带有模糊性,这样的观测数据通常以观测区间的形式给出,例如,当我们谈及某日的上证指数时,其观测值总是在最低点与最高点之间波动。观测值的这种不确定性来自于多重隶属现象,而非随机现象,我们称这种不确定性为模糊性。不确定性问题通常含有两种意义上的分类:一类是随机不确定性,人们依靠概率统计方法进行处理;另一类是非随机性的不确定性,即为模糊性问题,通常利用模糊集合理论来进行研究。本文将在模糊数学理论基础上,利用回归分析方法,构建模糊金融时间序列模型,并利用FLP(模糊线性规划)方法来估计模型的未知参数。为了合理评价拟合效果,我们将根据测量模糊集合间的择近原则,给出利用样本平均贴近度来评价模型拟合效果的一个准则。实证研究将讨论金融模糊时间观测序列的建模、参数估计,并对模型的实际拟合效果和预测效果做初步评价。