共查询到15条相似文献,搜索用时 319 毫秒
1.
《江苏科技信息》2019,(27):48-52
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。 相似文献
2.
3.
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。 相似文献
4.
5.
6.
由于股指波动率具有非平稳、高嘈杂、非线性等特征,而传统的预测模型在建模时要求数据平稳、线性或近似线性,所以很难精准预测股指波动率。为提高股指波动率的预测效果,采用经验模态分解(EMD)、样本熵(SE)和长短期记忆网络(LSTM)构建的模型对股指日内已实现波动率进行预测。以中证500指数为例,经过EMD分解得到一系列分量,再根据分量的样本熵大小进行重构,最后利用LSTM对重构后的各序列进行预测。结果表明,EMD算法对LSTM模型的预测精度有很大的提升,相较于传统模型,EMD-SE-LSTM模型在预测股指波动率时精度更高,拟合优度更好。 相似文献
7.
对建设工程造价指数的预测能够有效解决建设项目前期投资估算误差较大引起的成本问题。结合实际工程中对造价指数预测模型的需求,以U市发布的2012—2021年建设工程造价指数为例,通过对比不同特征工程方法构建的XGBoost和神经网络两者之间预测误差,选择最优预测模型进行建设工程造价指数模型预测。结果表明,基于树模型特征筛选和均值填充数据集的XGBoost模型,在测试集、训练集、交叉验证误差最低,能够作为建设工程造价指数预测的模型。 相似文献
8.
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。 相似文献
9.
利用中国1990—2009年的GDP数据,在建立指数曲线模型、ARIMA模型和三次多项式模型的基础上,以误差平方和最小为最优准则建立组合预测模型,对中国2010—2015年的GDP值进行预测。结果显示,组合预测模型的精度高于各个单项预测模型;2010—2015年的年均增长率为14.79%,我国国民经济仍以较快的速度增长。 相似文献
10.
11.
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。 相似文献
12.
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. 相似文献
13.
基于机器学习前沿理论,提出一种基于多模型融合Stacking集成学习方式的组合预测方法,以国内某特高含水油田区块中多口水驱产油井历年生产历史数据为试验样本,预测其动态产油量。依据不同算法的训练原理,选取极限梯度提升树算法、长短记忆网络(LSTM)、时域卷积网络(TCN)等作为模型的基学习器,采用多元线性回归作为模型的元学习器。结果表明:融合后的Stacking模型充分发挥了各基学习器的优势,相比单一模型,融合后的Stacking模型预测平均误差较小,预测鲁棒性较好。该模型的提出对融合模型在特高含水油藏开发方面具有重要的应用意义。 相似文献
14.
15.
以河南省旅游总收入为对象进行研究,选取2005—2018年的旅游总收入数据作为研究样本,在GM(1,1)模型的基础上,用马尔可夫理论和等维新息的思想加以修正,建立了等维新息灰色马尔可夫模型。结果表明,等维新息灰色马尔可夫模型比传统的GM(1,1)模型和灰色马尔可夫模型的预测精度要高,达到了94.735%,可用来进行旅游总收入的预测,从而为有关部门制定政策提供参考。 相似文献