共查询到20条相似文献,搜索用时 15 毫秒
1.
本文基于GRNN神经网络模型对中国出口集装箱运价指数进行仿真并预测。研究发现:GRNN模型对中国出口集装箱运价指数的拟合值与实际值较为接近,仿真效果较好;12周预测值与实际值有一定差距,但调整后预测值在短期内与实际值较为接近,模型短期预测能力较强。 相似文献
2.
3.
针对采用遗传算法(Genetic Algorithm,GA)优化广义回归神经网络(Generalized Regression Neural Network,GRNN)的射频识别(Radio Frequency Identification,RFID)室内定位模型存在的早熟、收敛速度慢、不能保证解是全局最优等问题,提出采用思维进化算法(Mind Evolutionary Algorithm,MEA)来寻找广义神经网络的最优光滑因子,从而确定最优定位模型。首先用GRNN建立节点定位模型,阅读器与标签的接收信号强度值作为GRNN的输入,节点坐标作为输出,根据适应度函数值,通过MEA寻找GRNN的最优平滑参数。实验结果表明,通过MEA优化的GRNN模型的定位精度比GA优化的GRNN定位模型的精度高、泛化能力强,并且比后者的效率高,能够避免GA陷入局部最优的问题。 相似文献
4.
《中国商贸:销售与市场营销培训》2014,(5)
本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。 相似文献
5.
6.
本文在BP神经网络的基础上,利用沪深300股指期货的每日收盘价,对其价格进行实际模拟和预测。模拟结果与实际相比,有较高的精度和较为稳定的预测效果,说明BP神经网络对沪深300股指期货市场的预测是可行的。 相似文献
7.
8.
9.
10.
11.
12.
13.
研究利用时间序列基本分析方法ARIMA模型分析法、指数平滑ETS模型和神经网络自回归模型对江苏省居民每月用电量进行数据分析、处理、拟合、检验及预测,以2004年1月至2017年12月用电计量数据作为分析样本,使用R软件对该时间序列进行建模。对给出的数据建立ARIMA模型、ETS模型和NNAR神经网络自回归模型,接着利用MAE、RMSE、MAPE三个评价指标来衡量模型的优良度。尝试通过组合模型对2018年江苏省居民12个月的用电量进行预测,与实际值进行对比验证,发现权重模型的误差最小,选择作为最终预测模型。最后得出结论,组合模型的预测效果要优于非组合模型。 相似文献
14.
通过建立城市配送资源整合水平的CSCD-GRNN评价模型,并基于复合系统协调度模型和广义回归神经网络方法,可对城市配送资源整合水平的评价开展研究。该模型采用决策试验与实验评估方法对指标权重进行讨论,按照复合系统协调度模型的思路确定城市配送资源整合水平评价GRNN网络的输出值,为全面客观地评估城市配送资源整合水平提供合理的方法。同时,以该模型对北京市2005—2014年期间的城市配送资源整合水平情况进行评价,验证了该模型的有效性。 相似文献
15.
基于小波网络的非线性预测应用研究 总被引:2,自引:0,他引:2
将小波神经网络作为非线性时间序列的辨识模型 ,通过对过去样本的学习 ,调整网络的权值 ,然后预测和推断未来序列 ,以证券市场为例仿真结果表明 ,小波神经网络具有优良的泛化能力和预测功能。 相似文献
16.
17.
马尔科夫过程模型在股指预测中的应用 总被引:1,自引:0,他引:1
在企业的生产、经营、管理、决策等工作中,经常会遇到这样的情况,事物未来的发展及演变状态仅仅受事物现状的影响,而与过去的状态无关,也就是具有马尔可夫性。运用马尔可夫模型,对具有马尔可夫性的股票价格指数进行分析和预测,为马尔可夫模型应用的拓广和股票价格的概率估计预测提供理论依据和实际应用的参考。 相似文献
18.
利用matlab神经网络工具箱,根据bp神经网络的基本原理,建立了三层bp神经网络板凸度预报模型.通过实验仿真,结果表明该模型对测试数据预报结果均在3%之内,对板带凸度的预报具有很好的预测精度,且训练速度较快,具有很好的实用性. 相似文献
19.
20.
金融机构存款余额反映地区经济活力和要素吸附能力。研究利用差分自回归移动平均模型(ARIMA)在时间序列预测上的线性优势和长短期记忆神经网络模型(LSTM)对非线性数据的挖掘能力,对河南省金融机构的月度存款余额进行了预测。首先,利用ARIMA模型对2010—2020年的存款数据建立模型,得出线性预测值与残差值;然后,采用LSTM神经网络对存款余额残差数据集建模和预测,得出存款余额残差值的拟合值;最后,将线性预测值和残差拟合值组合得出存款余额的预测值。实证结果表明,ARIMALSTM模型能较好地实现河南省金融机构存款余额的预测。 相似文献