小波分析在经济预测模型中的应用

经济信号也是一种时间序列 ,它和小波分析中的信号具有相同的特性 .因此 ,可将经济时间序列看成经济信号 ,应用小波进行实际经济分析和预测 .论文针对最小二乘法的不足 ,提出了多分辨回归分析处理经济数据分析的方法 .本文在建立宏观模型时 ,利用小波分析对经济数据进行预处理 ,获得能反映宏观变化趋势的低频信息 ,再用最小二乘法进行拟合和预测 ,通过对传统最小二乘法建立的模型的对比分析 ,结果表明 :本方法优于一般最小二乘法 .     

增长型经济变量的趋势时间序列预测模型

针对增长型外汇储备时间序列变化复杂性的特点,可以建立确定性趋势的时间序列模型及包含单位根的随机趋势模型.实际计算显示,确定性趋势的时间序列模型具有较高的预测精度.     

连续时间参数下马尔可夫过程的可逆性

本文是在文献「１」的基础之上，给出了连续时间参数下可逆马尔可夫过程所具有的几个性质，并建立了连续时间参数下马尔可夫过程可逆的充分必要条件。     

基于模糊时间序列的传感器网络感知数据预测模型

传感器网络监控系统属于大型复杂系统,由感知节点以一定的时间间隔向sink节点发送感知数据,以实现对应用环境的监控。由于网络本身及应用环境的影响,得到的感知数据往往存在不确定性。此外,周期性报告数据模式影响到实时监控数据的精确性。本文应用时间序列模型预测传感器数据以响应用户查询,可有效降低网络通信量。通过对无线传感器网络的数据分析,引入多属性模糊时间序列预测模型,充分考虑了无线传感器网络时间序列中存在的趋势因素,并提出了适合于传感器网络的修正预测模型。实验结果表明模糊时间序列模型可有效预测传感器网络数据,且能提高预测精度。     

时间序列预测模型研究综述

介绍了时间序列预测模型的产生和发展,呈现了时间序列模型研究方向的理论、方法和应用,并就未来的发展势态进行了初步的探讨.     

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.     

鞅差时间序列半参数回归模型的小波估计

用小波方法研究了误差为滑动平均鞅差序列的半参数回归模型,得到了小波估计量的矩收敛速度及强收敛性.     

一类连续时间参数的随机图过程的平稳分布

A continuous-time random graph process with state space consisting of the simple and directed graphs on N vertices is introduced.We obtain the stationary distribution of the process under different couditions and prove that the stationary distribution is unique.     

混沌时间序列的2阶预测模型

为了克服传统预测方法对混沌时间序列预测精度不高的缺点,提出一种新的基于1阶预测模型(1-OP)和信息融合理论的混沌时间序列2阶预测模型(2-OP).首先根据相空间重构理论建立2个1阶预测模型,然后根据融合估计原理建立2阶预测模型.最后利用Lorenz和Mackey-Glass时间序列对该模型进行验证,结果表明,2阶预测模型对多变量和单变量混沌系统都是有效的.     

连续时间下非参数回归模型的误差密度估计

本文研究连续时间下非参数回归的误差密度估计问题，给出误差密度的一个核估计量，利用回归函数的核估计在紧区间上一致均收敛的结论证明了该统计量渐近无偏差，均方相合法，并说明了该核估计中窗宽选取的办法。     

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.     

基于小波去噪和WNN-ARIMA组合模型的年径流预测

为解决单一的小波神经网络预测精度不高的问题,提出一种新的基于小波去噪和WNN-ARIMA组合模型,应用小波阈值去噪法对小波神经网络的输入值进行预处理,同时对模型残差值进行ARIMA模型修正.利用该组合模型对洮河流域下巴沟站年径流量进行预测,预测趋势和预测值与原始实测数据吻合度高,表明此组合模型可靠性强,可以有效预测年径...     

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BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

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.     

The Likelihood of the Parameters of a Continuous Time Vector Autoregressive Model

This paper provides a method of constructing the likelihood function of the parameters of a continuous time vector autoregressive model on the basis of discrete data without requiring the restrictions extant methods impose on the data that are capable of being rejected by a statistical test. In particular, the method does not rely on a steady-state assumption that can rule out unit root processes; it allows for weak assumptions on the innovations; and it allows for a mixture of skip-sampled and temporally-aggregated data. This revised version was published online in August 2006 with corrections to the Cover Date.     

基于修正的时间序列模型对冲击负荷的预测

电力负荷预测的实质是对电力市场需求的预测,是利用以往的历史数据资料找出电力负荷的变化规律,进而预测负荷在未来时期的变化趋势.由于经济、气候以及工业生产等诸多因素的约束和限制,电力负荷预测精度很难提高.一个好的实用的电力负荷预测模型则要求既能充分利用负荷的历史数据,又能灵活方便地综合考虑其他多种相关因素的影响.提出了回归与自回归模型相结合的时间序列混合回归预测模型,它的待估参数由BP神经网络进行修正,经实例验证,预测效果良好.