基于多因素SVM的油价预测模型研究

准确预测国际原油价格,对于维护经济稳定和规避风险具有重要意义.由于国际油价的波动是由多种因素引起的,本文采用误差修正模型确定原油价格与因素的关系.将结果作为SVM回归预测模型的输入模式,建立基于多因素SVM的油价预测模型.通过实证研究,发现基于多因素SVM的油价预测模型相对于误差修正模型和基于国际油价本身的自回归SVM预测模型具有更好的拟合和预测效果.     

基于ARIMA模型的我国稀土需求统计及预测分析

以我国1978-2012年稀土需求量数据为样本,运用ARIMA模型对我国"十二五"末稀土需求量进行预测分析.预测结果表明2013-2015年我国稀土需求量总体上将持续增长,到2015年我国稀土需求总量将达到8.27万吨(REO),与2012年相比,年复合增长率为8.48%.预测具有较高的拟合精度,拟合值与观测值具有较好的一致性.通过对我国稀土需求量进行预测以期为政府制定相关行业政策提供决策依据.     

基于残差修正的GM(1,1)模型在水质预测中的应用研究

将基于残差修正的GM(1,1)模型应用到永定河流域官厅水库出口断面的水质预测中,对常规污染物COD,DO,NH_3-N的浓度值进行趋势预测并对预测结果进行后验差检验.结果表明,与传统的GM(1,1)模型相比,残差修正的GM(1,1)模型能够有效提高预测精度.     

“新常态”下的中国天然气消费分析及预测

作为一种优质、高效的绿色能源,天然气在中国能源结构中所占比重逐渐增加。但可再生能源的崛起使得天然气成为过渡能源的选择,天然气消费量的增长趋势不明晰,因此相关企业及部门需要合理、准确的天然气需求预测模型为未来的工作提供指导性信息。基于此,本文首先从经济水平、产业结构、能源结构、天然气价格等方面选取影响天然气消费的12个因素。其次,运用贝叶斯模型平均(BMA)法构建了一个包含相关文献中常用的6个影响因素的基准模型,针对该模型,围绕影响天然气消费量的各种因素,以逐个添加的方式建立对比模型,从备选模型中选出预测精度最高的对未来天然气消费量进行预测。最后,将BMA模型与ARIMA模型、ETS模型、BVAR模型、逐步回归模型以及等权重加权平均模型的预测精度进行对比。结果表明,最优的BMA模型包含了涉及经济水平、产业结构、能源结构、人口因素、天然气价格、天然气供给六个方面9个影响因素,其预测精度优于对比预测模型,且该模型预测 2022年天然气消费量将达到3254.153亿立方米,年均增长率为8%。     

证券分析师业绩预测和投资评级准确性实证分析

本文以国内证券分析师业的业绩预测和投资评级为研究对象,从投资评级的准确性、投资建议赢利性、业绩预测误差及其来源等几个方面进行了实证分析。研究结果表明,证券分析师的投资建议无论是在短期还是中长期均不能产生显著的超额收益,业绩预测误差是导致投资评级失误的原因之一,而业绩预测误差主要源于分析师对公司层面信息的错误判断。     

“神舟”四号中的空间环境研究

空间环境 ,特别是日地空间环境是人类航天活动关系极为密切的环境 .文章以“神舟”四号为背景 ,概要介绍了为“神舟”四号飞船所作的空间环境安全保障服务 ,包括在“神舟”四号飞船上进行的空间环境探测、空间环境分布及变化规律的研究、空间环境对人类航天活动及“神舟”飞船的影响 (空间环境效应 ) ,以及为保障“神舟”飞船发射安全、正常运行、顺利返回所作的空间环境预报等 .此外 ,概要评述了国内外上述研究领域的研究现状与进展     

基于AR(n)模型的卡尔曼滤波模型

考虑到对于处于不同位置的变形监测点,由于它们所处的位置不同,各种环境因素对它们的影响及影响程度也不同,作者预置数个AR(n)模型,通过计算比较,选择剩余标准差最小的AR(n)模型作为初选模型,再将初选的AR(n)模型的模型参数看作包含有动态噪声的状态向量,建立卡尔曼滤波模型.实例分析表明,采用这种方法能够提高模型的拟合精度和预测精度.     

Data assimilation of forecasted errors in hydrodynamic models using inter‐model correlations

Data‐assimilation techniques of the Kalman filter type are considered to be the state‐of‐the‐art approach for combining data information and deterministic numerical models with the objective of operational forecasting. This paper introduces, as an alternative, a faster and simpler data‐assimilation technique that exploits inter‐model correlations to distribute predicted errors. This scheme is performed in two steps: (i) prediction of the deterministic model errors at observation points using so‐called local linear models and (ii) distribution of the forecasted errors over the computational domain employing a scheme based on deterministic inter‐model correlations which describe the spatial nature of error structure. The method's advantage is that systematic error can be predicted by the error correction scheme, while the dynamics remain described by the deterministic model, which also establishes a basis for the spatial error distribution scheme. This relatively simple approach is inspired by original Kalman filter techniques but distinguishes error prediction and distribution in two different stages, hence allowing for data‐driven error forecasting and off‐line correction. In order to test the scheme's performance, a deterministic model of an artificial bay was constructed and run. The system was driven by specific forcing conditions and characterized by physical parameters that, in subsequent simulations, were deliberately manipulated to introduce errors into the model and test the scheme's capability. Copyright © 2007 John Wiley & Sons, Ltd.     

CRM中序列模式分析与神经网络结合的应用研究

用序列模式挖掘方法进行商品销售的预测,其准确率受单个算法本身限制,如果先用序列模式挖掘对原始数据进行过滤,然后再利用神经网络的自适应性,通过学习和训练,找出客户特征与购买某种商品意向的内在联系,再利用神经网络的泛化功能对未经训练客户购买意向进行预测,其预测的正确率非常高.