基于组合预测方法的需水量预测

本文在概述组合预测法的基础上,探讨了需水量的预测方法.尤其是建立了基于回归分析和灰色预测的需水量组合预测模型.通过实例对组合预测的结果与线性回归、灰色预测的结果进行了比较,结果表明组合预测模型的精度比单一模型的预测精度明显提高.     

灰色模型中不同序列长度对模型精度的影响

针对建筑物沉降的特点,在灰色理论的基础上,建立GM（1,1）模型,并采用不同序列长度对来预测建筑物的沉降量,通过对比发现,不同的序列长度对模型的预测精度有着一定的影响。     

基于灰色神经网络模型的建筑物变形预测方法研究

将灰色理论与BP神经网络有机地结合，建立灰色神经网络模型用于建筑物变形预测，通过建筑物变形的实测时间序列资料，分析模型的预测精度，与通常采用的人工神经网络和灰色系统模型等预测方法进行比较，反映该模型能取长补短，并具有所需信息量少与精度高等优点。     

公路短时车流量预测模型研究

为解决公路交通拥堵,做好道路交通安全规划,应加强对道路交通车流量的实时监控和预测,以便及时发现当前交通的非正常拥堵状况,提高人民的出行效率。公路短时车流量的监测数据具有不确定性和非线性的特点,针对这些特点,运用灰色系统理论预测模型和时间序列的ARIMA预测模型分别对车流量状况进行预测。在此基础上,提出将二者相结合的车流量组合预测模型。通过实例对比分析,得出组合预测模型的预测精度高于单独使用灰色预测模型和时间序列分析模型的结论,该模型可以作为短时车流量预测的一种有效方法。     

基于组合模型的股票预测研究综述

随着金融业数据环境的日益复杂,利用传统单一模型进行高精度股价预测变得愈加困难。面对日益突出的股票分析技术需求,组合预测模型开始得到发展并取得了很多成果。首先介绍影响股价波动的分析指标,概括基于传统统计预测模型、机器学习、神经网络等单一预测模型在股票预测中的优势与不足。然后依据组合预测模型的组合形式,将其分为线性模型的组合、非线性模型的组合以及线性与非线性模型的组合3种类型,并报告多种组合模型的实际应用与研究现状。最后,对组合模型股票预测方法的有效性和稳定性进行展望。     

基于组合模型的浙江省GDP预测研究

区域GDP的发展趋势是高速公路规划和建设的重要参考依据。基于浙江省1978—2019年的GDP数据,分析数据特性,构建预测模型,掌握发展规律。首先,将GDP数据转化为时间序列,建立ARIMA（2,2,0）模型;其次,将GDP数据以滑动窗口的方式生成输入矩阵,建立BP神经网络模型;最后,利用ARIMA分析GDP时序的线性部分,利用BP神经网络分析GDP时序的非线性部分,建立组合模型。通过计算相对误差比较模型的预测效果,3个模型的平均相对误差分别为6.30%、13.10%、6.08%。结果表明,组合模型的平均相对误差最小,预测效果最好。     

灰色模型在建筑物沉降预测中的应用

针对建筑物出现的变形问题,提出在现有建筑物观测数据的基础上,在MTALAB的语言环境下,建立GM（1,1）模型,来预测该建筑物的沉降量。分析结果表明,把灰色GM（1,1）模型和MATLAB结合起来预测建筑物的沉降发展趋势,具有较强的实用性。     

面向农产品期货价格预测的改进LSTM方法

期货市场在金融领域具有重要的地位,而期货价格走势的预测对投资者和决策都十分关键。目前,期货价格走势预测模型使用的方法较为单一,且预测模型的精度不够理想。文章以农产品期货价格预测为研究对象,围绕数据预处理、模型构建、集成决策等展开相关工作,针对农产品期货价格具有的典型时序性特征以及其非线性、非平稳等特点,提出一种基于LSTM模型的改进LSTM预测方法。该改进方法引入EEMD方法,先对原始期货价格序列进行分解,再对分解所得的每个子序列进行建模、预测、叠加子序列预测结果以得到最后的预测结果。实验结果表明,该改进方法与LSTM,SVR等传统的机器学习预测模型相比,精度明显提升。     

基于ARIMA-BP神经网络模型的桥梁SHM应变预测分析

桥梁结构健康监测的应变监测数据具有较强的趋势性与随机性，为提升数据的预测精度，提出将传统单一的自回归积分滑动平均模型（ARIMA）和BP神经网络预测模型进行加权与组合，并将这两种方法分别运用于江西省某跨江大桥桥梁结构健康监测系统记录的应变监测数据的预测进行验证。结果表明：仅运用单一模型预测时，BP神经网络的预测效果要优于ARIMA模型；加权与组合模型的预测精度均优于单一模型，其中加权模型及组合模型的残差平方和（SSE）与BP神经网络模型相差最大，分别高达50.23%与49.87%；对比加权模型与组合模型的各项误差指标，发现二者预测模型的预测精度极为接近；单一预测模型的误差包络范围大于其他两类模型，其中ARIMA模型的误差总和约为50 με，BP神经网络模型的误差总和约为30με，加权模型的误差总和约为21.09 με，组合模型的误差总和约为20.97 με。经分析，加权预测模型与组合预测模型均能实现对桥梁SHM应变预测。     

山西省综合配套试验改革背景下科技人才需求预测研究

依据山西省科技人才相关资料和数据,在分析科技人才队伍建设现状的基础上,运用GM(1,1)灰色预测模型、多元回归预测模型和趋势外推法,对山西省2011-2015年科技人才需求总量和需求结构进行预测,然后运用组合预测法对预测结果进行修正,并对预测结果进行分析,以便为山西省人才规划与决策提供科学的理论参考。     

等维新息灰色马尔科夫在矿井涌水量预测中的应用

矿井涌水量准确预测对于煤矿安全生产具有重要意义。为了进一步提高矿井涌水量预测精度，针对矿井涌水量可用数据少且存在未知影响因素，在灰色马尔科夫预测模型的基础上引入等维新息思想，构建等维新息灰色马尔科夫预测模型。通过分析高河煤矿2008—2017年矿井涌水量原始数据，预测2018和2019年矿井涌水量数据，并对3种预测方法的预测精度进行对比分析。研究结果表明：等维新息马尔科夫预测模型符合矿井涌出量数据特征，引入等维新息思想能够避免旧数据贡献值低的问题，预测精度得到进一步提高；等维新息马尔科夫预测模型的预测精度比灰色理论、马尔科夫预测模型的预测精度平均高3.11%和0.22%，预测值与实际矿井涌水量更加接近，具有较好的适应性。     

基于灰色马尔可夫模型的住宅工程造价预测研究

为快速准确地获得住宅工程造价时间序列变化的内在规律,提高住宅工程造价预测效果,将灰色GM(1,1)预测方法和马尔可夫概率转移方法有效结合起来,建立灰色马尔可夫模型对住宅工程造价进行预测,并应用该模型对成都市住宅工程造价实例进行预测分析,其预测结果与实际值吻合较好,表明所建立的该预测模型是可行的,在住宅工程造价预测中具有推广应用价值。     

基于K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

基于奇异谱分析的旅客运输量预测研究

对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号序列和噪声序列,分别对其进行LSTM和ARMA(2,3)建模,预测其变化趋势。通过对比单一的ARIMA(3,1,2)模型和LSTM模型的实验结果表明,SSA-LSTM-ARMA预测旅客运输量效果更好,预测精度更高。     

组合模型下陕西科技人才需求数量预测

基于陕西省科技人才发展现状，运用统计年鉴动态数据，结合Granger因果关系检验和逐步回归分析构建时间序列-BP神经网络组合预测模型，预测2021—2025年陕西省科技人才需求数量。研究表明：与灰色GM（1,1）模型相比，时间序列模型对规上工业企业工业总产值的预测精度更高；陕西省规上工业企业总产值能够有效预测陕西省科技人才需求数量；陕西省科技人才需求数量将呈指数趋势显著上升，到2025年达26.7万人。以此从关注陕西省重点产业、完善陕西省科技人才管理方案和充分利用陕西省科技人才3个方面提出相关建议，充分激发科技人才创新潜能。     

美元/欧元汇率的组合模型区间预测

利用BP神经网络提取非线性特征,对残差运用广义自回归条件异方差模型分析波动性,最后将趋势与波动性结合给出预测区间。以2001年2月至2017年6月美元/欧元汇率的日收盘价数据为例,研究发现：BP神经网络具有很好的非线性刻画能力,但“过拟合”以及“欠拟合”均会影响预测区间的精度,只有合适的误差大小和精度标准才能得出较好的预测结果;同时也发现广义自回归条件异方差模型能够较为准确地分析波动性,且组合模型优于单一模型,适合中长期的区间预测。     

基于XGBoost和LSTM模型的金融时间序列预测

随着人工智能快速发展,深度学习模型预测金融时间序列成为热点问题.数据及特征选取是决定模型效果的重要环节,用XGBoost模型进行特征优化并预测黄金价格涨跌趋势,再与LSTM模型比较预测效果.用XGBoost分析动量因子特征重要性并选取有效指标;形态因子做历史回测并选取胜率较高的K线指标,预测准确率提升1.5％.以相同因子为LSTM模型特征值预测准确率提升6.5％,达到80％.以欧元和浦发银行股价数据为样本均证实K线指标有效且LSTM模型预测效果优于XGBoost.     

基于粒子群优化反向传播神经网络的铁路路基沉降量预测

铁路路基沉降规律复杂、沉降量难以预测,因此提出一种粒子群优化反向传播神经网络的路基沉降量预测模型。传统神经网络建模时存在收敛速度慢、易陷入局部极小值等不足。因此,通过粒子群算法修正网络的初始权/阈值,提高全局收敛性,建立基于粒子群优化的反向传播神经网络预测模型。通过对宝中线实测数据进行仿真实验,结果显示：经粒子群优化的神经网络可避免局部极小问题,加快网络收敛速度,提高了对铁路路基沉降量的预测精度。     

基于深度学习对茅台机场降水量预测的研究

强降水等恶劣天气对于民航的正常运行有着极大的危害，降水量的准确预测有助于民航等企业安全稳定运行。通过对机场跑道自动气象观测系统（AWOS）收集的降水时序数据进行预处理，为深度学习提供训练和测试的样本集，然后分别构建长短期记忆模型（LSTM）和时序卷积网络（TCN）模型，实现对未来1～3 h降水量的预测，并对两个模型的预测精度进行比较分析。结果表明,TCN模型的预测效果优于LSTM模型。其中，对未来1～3 h降水量的预测中，TCN模型的R2分别为0.96、0.91和0.86。     

基于灰色马尔科夫模型江苏城镇农产品冷链物流需求量的预测

从江苏省城镇居民农产品冷链物流的需求状况作为研究点.以《江苏统计年鉴》2011-2019年的数据作为样本,选取了鲜菜,猪肉,鱼虾,鲜蛋,鲜奶,瓜果等影响因子,逐步缩小数据筛选范围.运用灰色GM(1,1)模型结合Matlab2017b软件对江苏省城镇居民未来五年冷链的需求量进行预测,预测模型结果表明精度为97.62％,并通过马尔科夫链进行优化,使预测的精度达到98.61％.实验结果给相应的部门提供数据借鉴,以期为促进农产品冷链的供需平衡提供理论支持.