基于GRNN的中国出口集装箱运价指数预测

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。     

基于GRNN神经网络的煤炭价格波动预测

本文提出了基于GRNN神经网络对煤炭价格波动进行预测的理论,通过GRNN神经网络,利用MATLAB和WEKA等软件以及粗糙集等理论分析并验证了国内生产总值、煤炭生产总量、消费总量等因素对煤炭价格波动的影响。成功实现了对煤炭价格波动基于GRNN神经网络的训练和预测;建立了煤炭价格波动的预测模型,大大提高了预测的准确度;基于GRNN神经网络的预测结果准确率为87.5%。结果表明:GRNN神经网络对煤炭价格波动的预测是较成功的。     

基于MEA-GRNN的RFID室内定位

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。     

组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

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。     

基于SVM的股指预测模型与GUI仿真

本文在相关文献研究基础上,采用SVM算法对不同年份的股票上证指数进行分新、验证及预测.并利用小波神经网络对往年的经济事件进行训练,将干扰加入到预测模型中使预测结果更具代表性.再运用GUI界面与Matlab程序将建立的模型输出,使仿真模型更具操作性并得出相应的一般性结论.最后运用此界面,选取不同的干扰项及年份,预测未来的股指走势.     

基于BP神经网络的沪深300股指期货价格预测

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。     

灰色神经网络在股价预测中的应用

本文在深入了解股价的可预测性和研究各种股价预测的方法的基础上,探讨利用BP神经网络和灰色模型进行股价预测。以二者为基础,将BP神经网络和灰色模型预测模型的优点结合,提出灰色神经网络模型。该模型将灰色模型的预测值作为BP神经网络的输入变量,而以实际值作为输出变量对神经网络进行训练。     

基于EGA模型的城际高铁客流量预测

城际高铁客流量序列呈现出不平稳和波动性特征,常规预测方法很难对其进行精准预测。文章提出将EMD、GRNN和ARIAM模型相结合的城际高铁客流量预测模型(EGA)。EGA模型充分利用三者的优势,提升城际高铁客流量预测精度。通过某城际高铁站日客流量数据检验EGA模型的有效性,结果表明,与GRNN相比,EGA模型获得了更高的城际高铁客流量预测精度。     

基于非节假日Elman神经网络的电力负荷短期预测

为降低节假日对预测工作的影响,将剔除法定节假日后的样本作为预测样本。以最大相对误差、平均绝对误差以及均方根误差作为模型的衡量指标,通过建立广义回归神经网络、小波神经网络与Elman神经网络预测模型对预测样本进行预测,最后仿真结果表明Elman神经网络预测模型能更好地提高预测精度。     

基于bp神经网路的我国沪深300股指期货价格预测

本文将首先介绍我国沪深300股指期货的现状以及影响其价格的主要因素,再介绍BP神经网络模型,并运用BP神经网络模型预测我国沪深300股指期货价格的短期走势,最后给出结论和本文的不足之处。     

基于广义回归神经网络的经济预测模型研究

本文利用广义回归神经网络的自学习、自适应和非线性的特点,建立了经济系统的评价指标体系,将经济变量数据归一化处理,然后送入广义回归神经网络(GRNN)中训练,得出相应参数,再对相关经济变量进行预测,经过检验得出了令人满意的结果。     

基于模糊处理和遗传优化的小波神经网络股指区间预测

文章基于模糊粒化和遗传算法优化的小波神经网络,建立了一种新型股指区间预测模型。并对上证指数开盘数据进行实证检验,预测结果表明模型预测结果比较准确,模型具有较高的预测精度,误差率较小。文章建立的股指预测模型对探究中国股票市场波动趋势有一定意义,同时也为投资者进行股市投资提供一种投资参考。     

基于组合模型的江苏省居民用电量预测分析

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。     

CSCD-GRNN模型在城市配送资源整合水平评价中的应用——以北京市为例北大核心CSSCI

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。     

基于小波网络的非线性预测应用研究

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。     

我国股指期权的非参数修正定价研究

2013年,中金所先后启动沪深300和上证50股指期权仿真交易,标志着我国股指期权的上市准备工作更进一步,因此能否对其合理定价至关重要。参数定价模型存在实际市场环境与假设条件不吻合的缺点,而非参数定价方法又难以包含市场的先验信息,对此本文提出我国股指期权的非参数修正定价模型,该方法能与任何参数模型进行融合,并起到校正系统性误差的作用。本文以沪深300股指期权仿真交易数据为基础进行实证分析,结果表明该定价模型对实际市场价格有较高的拟合效果,明显优于BS定价公式。     

马尔科夫过程模型在股指预测中的应用

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。     

基于matlab的板凸度bp网络的预报

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.     

基于GRNN和时间窗方差滤波的海杂波抑制

为实现对海杂波的抑制,根据海杂波混沌动态特性,利用广义回归神经网络(GRNN)进行海杂波预测再对消,最后引入时间窗方差滤波。分析对McMaster大学IPIX雷达含目标实测数据的处理结果,原始数据信杂比小于等于0 dB,只采用GRNN预测对消后信杂比提高但仍有短时海杂波尖峰的影响,经过方差滤波后短时尖峰基本消失,最终信杂比提高到约11.67 dB。故所提方法对海杂波有很好的抑制效果,能够检测出湮没在海杂波中的小目标。     

基于组合模型的金融机构存款余额预测研究——以河南省为例

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。