组合灰色预测模型对物流需求预测效果的分析

在线性回归与GM(1,1)组合模型对物流需求量预测,可取得优于单方法预测效果的前提下,将线性回归法运用到与DGM(1,1)模型进行组合,检测该组合灰色预测模型对物流需求量预测效果。通过对国内2001-2012年物流需求量历史数据的分析,发现组合灰色预测模型的预测效果优于线性回归模型,但低于DGM(1,1)模型,最后利用线性回归模型、DGM(1,1)模型、简单平均组合模型和组合灰色预测模型对国内2013-2017的物流需求量进行了有效预测。     

基于先验神经网络的港口物流量对海洋经济增长预测——以浙江省为例

提出了一种基于先验知识神经网络预测模型,分别采用时间序列和多变量建模方法对反映浙江省海洋经济发展水平的各指标进行建模预测,与其他建模方法(如GM(1,1)时间序列模型)相比,有更好的综合性能。最后采用PKNN时间序列模型对2011-2020年浙江省沿海地区海洋经济发展水平进行预测,结果表明预测得到的2015年浙江海洋经济产值接近浙江省规划值。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

基于ARIMA模型和GARCH模型的美元指数波动性分析

美元指数在金融危机前后出现了耐人寻味的变化,其波动影响着国际经济、政治格局。本文运用自回归单整移动平均时间序列(ARIMA模型)和广义自回归条件异方差时间序列(GARCH模型)的方法分析美元指数,采集大量历史样本数据,对其波动特性进行实证研究。运用ARIMA模型对未来短期美元指数走向进行预测,表明美元指数的波动有一定的规律。同时,对美元指数建立用于描述大量金融时间序列的GARCH(1,1)模型,通过模型的定阶、检验、预测发现GARCH模型有较好的预测较长期整体走势的能力。     

灰色关联理论在物流成本预测中的应用

为了对物流成本进行有效预测,以2000-2010年的物流成本数据为基础,分别采用灰色关联模型、基于最小二乘法的线性回归模型和时间序列模型对物流成本进行预测,并对预测结果进行了对比分析.结果表明,灰色关联预测模型的误差明显小于其他两种预测方法,预测精度最高,对物流成本的预测具有一定的理论价值和参考价值,在一定时期内可以为我国的宏观物流成本决策提供依据.     

企业提升预测大宗商品价格精准度的方法研究--基于时频递归与非递归分解的混合价格预测模型的运用

大宗商品交易在我国经济循环中占比极高,但国内众多企业由于没有选取世界大宗商品价格预测最优方法,造成巨额损失屡见不鲜。在时间序列信号的递归于非递归时频分析分析的基础上,构建传统自回归移动平均模型和新兴神经网络的新复合模型对商品期货价格进行预测。使用墨西哥湾沿岸煤油航空燃料价格历史数据作为建模时间序列数据,以此建立航空燃料价格动态预测模型。通过对比,从模型的预测结果来看,结合时频非递归分解的预测模型在预测精度上优于基于递归分解的复合模型优于单一预测模型,可以有利于提升企业对世界大宗商品价格预测的精准度,从而控制成本,有效地降低风险。     

电力系统电优组合预测电力负荷的方法

介绍了趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等电力负荷预测的方法,并以预测牡丹江市全社会年用电量为实例,在适用条件、数据形式、计算难度和适用时间等方面对几种预测方法进行分析、比较。得出结论:回归分析法、趋势分析法适用于大样本,且过去、现在和未来发展模式均一致的预测,灰色模型法适用于贫信息条件下的预测;灰色系统理论采用生成数序列建模,回归分析法、趋势分析法采用原始数据建模,指数平滑法是通过对原始数据进行指数加权组合直接预测未来值的;回归分析法和趋势分析法的计算相对简单;单耗法、指数平滑法、灰色模型法较适宜近期预测,回归法、趋势分析法和改进型灰色模型较适于中、长期预测。     

基于分类SVM的时间序列预测研究

文章讨论了基于分类的SVM非线性回归算法及其在时间序列预测中的应用。与传统SVM回归算法相比,本算法有更强的不敏感性和健壮性、参数值可设定性并可避免过拟合现象。文中提出了一种计算预测模型初始参数值的方法,可以高效地找到较好的模型参数,并通过实验对方法的有效性和可行性进行了验证。     

基于岭回归法的中关村高新技术园区总收入预测

利用岭回归法,选取中关村园区和北京市相关指标,建立多元线性回归预测模型,有效消除园区总收入预测中的多重共线,并得到拟合效果较好的收入预测值。该模型用定性和定量相结合的法方法进行园区经济预测,有助科学地制定园区发展计划,同时该方法对地区经济影响因素分析有一定的借鉴作用。     

组合灰色预测模型对物流需求预测效果的分析

在线性回归与GM（1,1）组合模型对物流需求量预测,可取得优于单方法预测效果的前提下,将线性回归法运用到与DGM（1,1）模型进行组合,检测该组合灰色预测模型对物流需求量预测效果。通过对国内2001-2012年物流需求量历史数据的分析,发现组合灰色预测模型的预测效果优于线性回归模型,但低于DGM（1,1）模型,最后利用线性回归模型、DGM（1,1）模型、简单平均组合模型和组合灰色预测模型对国内2013-2017的物流需求量进行了有效预测。     

基于ARIMA模型的JG钢铁原料库存量预测研究

库存量是减少原料的损失及成本的浪费是节约企业成本的关键。文章基于时间序列自回归滑动平均(ARIMA)预测模型,对JG钢铁原料库存量资料进行建模拟合。利用DPS软件,建立ARIMA预测模型,利用AIC准则法并考虑相关系数R的值以及拟合度C的大小定阶,通过拟合建模,ARIMA(1,l,1)模型较为合理。应用模型对2015年4月1日至4月5日库存量进行了预测,实现了JG钢铁原料库存量的短期预报。     

结构时间序列模型在经济预测方面的应用研究

本文开发了一种新的经济时间序列预测方法——利用结构时间序列模型进行预测。在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量，不能利用传统的回归分析方法求解模型，因此，本文采用状态空间方法来求解结构时间序列模型。本文通过ARIMA模型来研究经济时间序列的结构，在此基础上建立了不同形式的结构时间序列模型，并利用结构时间序列模型对我国社会消费品零售总额、狭义货币供给量(M1)和国内生产总值(GDP)等经济时间序列进行了预测。实证研究表明，结构时间序列模型具有良好的预测效果。从而为经济时间序列预测提供了一种新的有效方法。     

煤炭需求预测的主成分神经网络模型

煤炭需求预测的方法很多,主要有主观推断法、趋势外推法、国内生产总值单位能耗预测法、消费弹性系数法、主要消耗部门预测法、人均能耗法、回归分析法、时间序列预测法、灰色预测方法等.从1997年煤炭消费下降以来,上述方法预测的结果误差越来越大.近年来,灰色预测模型和人工神经网络模型用于非线性时间序列预测较为引人注目,其优点是在建模时都不需要计算统计特征,但也有其不足之处.一般神经网络处理信息不能将输入信息空间维数简化,当输入信息空间维数较大时,网络不仅结构复杂,容错和受干扰能力差,最后影响了预测的结果.     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。     

湖北省农村居民人均纯收入的时间序列模型

本文利用湖北省1980-2008年农村居民人均纯收入时间序列数据,建立了ARMA(自回归移动平均)模型进行时间序列分析.分析结果表明,ARMA(1,1)模型能够提供较好的预测结果,因而可以用其进行预测,为相关部门提供参考数据.     

对经济增长的时间序列分析

时间序列分析在经济运用中作用十分明显。利用1980～2003年国内生产总值的相关资料,运用时间序列分析,应用SAS软件对经济增长时间序列进行模型识别、拟合、估计和预测,预测结果较为满意。而改革开放以来,投资在经济增长中的作用越来越明显,在对经济增长序列进行时间序列分析的同时,也结合回归分析建立经济增长和投资的回归-时间序列组合模型来进行分析。     

财政支出预测中的干预分析

对财政支出的未来发展趋势进行预测是国家预算中经常遇到的问题。经济预测大多是以时间序列的前期数据建立预测模型，然后用此模型对后期数据进行预测。具体进行预测中往往会看到所建模型在某一个时期或某一段时期内不能准确地给出较精确的预测值。这是因为时间序列的变化趋势中除了有随机因素的影响，还会有其它干预因素的影响。本就财政支出预测中的干预因素进行定量分析，修正预测模型来提高预测精度。     

预测模型的特点及应用研究

预测在现实生活中有很重要的运用,实用域很广。由于社会经济的需要,不同的预测模型也随之应运而生,如灰色预测模型、曲线模拟、回归分析、神经网络、时间序列分析预测模型。不同的预测模型各有特点和适用范围,文章通过对某货运公司未来七天用户货运申请量预测的具体实例,探讨预测模型的特点和应用。     

基于Usher曲线的深基坑位移预测方法

基于深基坑工程位移时序的趋势类型,针对常用GM(1,1)模型不能用于描述非单调的摆动发展序列或具有饱和状态的S形序列的不足,将广泛用于经济和资源预测的Usher生长曲线运用到深基坑支护结构位移预测中,建立了Usher位移-时间预测模型,文章阐述了Usher模型参数的计算方法,并结合工程实例进行了计算分析,结果表明Usher模型的预测结果与实测结果吻合较好,具有较强的适用性,对基坑工程位移增长曲线能较好的模拟,可较准确地预测基坑支护位移。     

预测模型的特点及应用研究

预测在现实生活中有很重要的运用,实用域很广.由于社会经济的需要,不同的预测模型也随之应运而生,如灰色预测模型、曲线模拟、回归分析、神经网络、时间序列分析预测模型.不同的预测模型各有特点和适用范围,文章通过对某货运公司未来七天用户货运申请量预测的具体实例,探讨预测模型的特点和应用.