基于ACO优化的ARIMA-ES-RF布伦特原油价格预测研究

为解决传统单一的自回归积分滑动平均(ARIMA)和指数平滑(ES)预测原油价格(以布伦特原油为例)误差较大,难以精确地预测序列非线性特征的问题,提出自回归积分滑动平均(ARIMA)-指数平滑(ES)-随机森林(RF)组合预测方法。目前虽已有大量的原油价格预测模型,但还未有文献利用随机森林组合传统时间序列模型对原油价格进行研究。在此基础上,利用蚁群算法(ACO)对随机森林的重要参数(树的数量及根的深度)进行智能搜索,将随机森林组合模型的预测精度反馈给蚁群进行信息素的实时更新,输出使得组合模型预测精度最高的模型参数。研究结果表明：提出的蚁群优化参数后的组合随机森林模型能更好地预测布伦特原油价格的趋势,预测精度均方根误差(RMSE)从1.15降低至0.88,减少了0.27;平均相对误差从1.10%降低至0.86%,降低了0.24%,预测精度较以往的原油价格预测模型有显著提升。     

基于随机森林算法的房地产经济周期性波动预测

<正>一、前言针对房地产经济周期性波动进行预测时，主要使用支持向量机算法设计预测方案，但面对大量数据时容易陷入过拟合情况，使预测结果均方根误差（RMSE）较大。因此，本文提出以随机森林算法为基础的房地产经济周期性波动预测方法。运用主成分分析方法选取合适的指标，定义房地产经济景气指数，描述房地产经济变化情况。根据已实现房地产经济波动率，考虑动态估计误差，建立经济周期性波动率模型。依托于随机森林算法布置多个决策回归树，     

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。     

基于百度指数的公路运价指数RO-ELM预测

公路运价指数是公路运输市场波动的衡量指标,对中国的公路运输业有重要的预示功能.利用极限学习机(ELM)的神经网络模型快速、低成本预测公路运价指数.以各百度指数与公路运价指数的相关性确定各分量对公路运价指数的影响,进而利用ADF平稳性检验与Johansen协整检验构建输入序列,最后运用时域优化思想优化输入变量,在ELM神经网络模型内输出预测值.结果表明:基于滚动窗口的ELM模型的MAPE与RMSE分别为1.85％ 与25.17,比单一ELM模型在平均绝对百分比误差和均方根误差上都有提升,预测结果与指数波动相符,可以为公路运价指数的走向提供决策参考.     

基于随机森林融合因子分析的资产收益模型研究

科学有效地预测企业净资产收益率对于资本市场评估企业有很好的借鉴意义。文章为探求随机森林算法对净资产收益率的预测能力,以800家上市企业数据为样本,分别采用决策树、随机森林和支持向量回归模型进行对比试验,建立因子分析与随机森林组合模型,结果表明,随机森林对于净资产收益率有更优的预测效果,对资本市场进行企业评估有很好的借鉴和指导意义。     

风电场风功率预测模型准确性探究

风电场输出功率预报的准确性需要风功率的精准预测来支持,不断提高风电场输出风功率预测的准确度是风功率精准预报的关键。为准确预测风功率,使风电场输出风功率保持较高的稳定性,提高风能利用效率及电力系统的稳定性,文章选用了3种最常见的模型进行风电输出功率预测研究:自回归求和滑动平均模型(ARIMA)预测、灰色系统GM(1,1)预测和BP神经网络预测;选取某风电场4月份某天的风电输出功率数值作为样本进行超短期预测;随后计算出这3种预测模型的均方根误差Erms、平均绝对误差Eav以及准确率r来对比它们的预测准确度。通过对比,发现利用自回归求和滑动平均模型对风功率进行短期预测能得到比较高的预测精度。     

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PLS的陕西关中地区土壤pH高光谱预测

以陕西省扶风县、杨凌区、武功县的土壤pH为研究对象,使用ASD FieldSpec HR便携式地物波谱进行光谱反射率测定,分析其反射率特征。对土壤原始光谱反射率进行不同微分变换,结合偏最小二乘法建立土壤pH高光谱预测模型。结果表明:经过SNV预处理后的反射光谱结合微分变换后与土壤pH相关性显著提高;采用偏最小二乘法建立的土壤pH的最优预测模型为基于光谱反射率倒数对数的一阶微分建立的预测模型;主成分因子数Pc=10,建模决定系数Rc~2=0.995 9,建模均方根误差RMSEC=0.007 6,校正偏差SEC=0.007 7;验证决定系数Rv~2=0.9893,预测均方根误差RMSEP=0.015 7,预测校正偏差SEP=0.016,预测偏倚差Bias=0,模型稳定较好,拟合性和预测能力高,可以实现该区域土壤pH的快速测定。     

基于机器学习的P2P网络借贷违约风险识别模型比较——以“人人贷”为例

近年来,P2P网络借贷中借款人违约风险的识别问题被各互联网金融机构重点关注。文章以"人人贷"平台中的借贷数据为样本,运用CART决策树、支持向量机(SVM)、BP神经网络和随机森林等4种主流的机器学习算法,进行代价敏感学习,构建了4种违约风险识别模型并进行比较。研究发现,机器学习算法在多维度借贷数据下的违约风险识别中适用性较强,其中树模型的预测效果显著优于其他两种模型,尤以随机森林模型预测效果最佳。     

时间序列模型在辽宁省GDP预测中的应用

文章应用Eviews与R语言软件对辽宁省1995~2010年GDP数据分析。建立ARIMA(1,1,1)、ARIMA(0,2,3)及支持向量机回归模型,其中ARIMA(0,2,3)中参数估计未通过的MA(1)与MA(2)项忽略,对MA(3)进行的建模。再对2011~2015年数据进行递推一步预测,计算出各个模型的均方误差。结果表明,ARIMA(0,2,3)具有较好的预测效果。     

Empirical Study on Information Asymmetry Based on Chinese Forward Exchange Rate Market

Many published studies have considered information asymmetry between domestic and foreign investors about local assets in the stock market, particularly in developed markets. The present study proposes a new perspective to address the issue in the case of China's forward exchange rate market. Following the framework of Clarida and Taylor (1997), the term structures of exchange rates in the domestic forward and the non‐deliverable forward markets are constructed and then applied to predict future spot exchange rates based on a vector equilibrium correction model. By comparing the forecast accuracy on the basis of the root mean square error and the mean absolute error, it is shown that dynamic out‐of‐sample forecasts of the domestic forward market are superior to those of the non‐deliverable forward market, suggesting that domestic investors are better informed than foreign investors. The result has several important policy implications, especially for exchange rate determination.     

市场情绪对股票走势的影响分析及预测

为探究投资者情绪对股票走势的影响,利用R软件的爬虫技术将人们对股票市场的看法抓取下来,将文本中的隐含情绪分为积极、消极及中性3种类别,并依此构建情绪得分作为市场情绪量化的结果.利用单位根检验等方法对上证指数与投资者情绪的因果关系进行探究并建立VAR模型.为更好地判断市场情绪对股票走势的影响程度,分别构建加入情绪得分前后的BP神经网络模型对上证指数收益率进行预测,比较两个模型的优劣,从而发现当股票预测模型加入市场情绪指标后误差更小,预测更为准确.     

基于实例的水资源预测方法概述

基于合肥市近几年的城市生活用水量数据为例,对一些水资源预测方法进行讨论和比较。对合肥市城市生活用水量的现状进行简要的概述;介绍三种水资源预测方法即指数平滑法、灰色模型预测法和BP神经网络预测法的理论方法及模型;利用给定的资料数据,运用三种预测方法进行分析,通过拟和模型误差对比,判定最佳的预测方法。     

基于免疫神经网络的综合交通枢纽布局优化方法——以洛阳市城市轨道交通1号线为例

为了提高综合交通枢纽布局的科学性，促进区域经济的建设与交通产业的良性发展，基于免疫神经网络算法，研究设计了一种综合交通枢纽布局优化方法。提取综合交通枢纽布局优化的关键因素，设置约束条件，应用BP神经网络算法，建立综合交通枢纽布局优化模型，引入免疫克隆算法，求得综合交通枢纽布局优化模型的最优解算结果。检测结果显示，对于随机的10组综合交通枢纽规划的历史数据，该方法得到优化结果的执行时间均值为0.56 s，具有实时性与高效性；布局优化结果误差绝对值的均值为0.043，最大误差的绝对值为0.074，均控制在实际工程所需误差±0.1的范围之内，具有精确性与可行性。     

北京市森林生态补偿分摊研究

基于2019-2021年北京市各区森林资源相关数据，在森林生态服务价值核算的基础上采用离差平方法核算北京各区森林生态效益补偿的分摊系数。通过分析发现，首都核心区的三年平均森林生态效益分摊系数较高，城市功能拓展区的三年平均森林生态效益分摊系数的平均值高于城市发展新区。生态涵养区作为北京市森林生态服务的主要供给者，分摊系数区间为2.99%～4.27%。     

一种无人机铁路巡线视频定位方法

为解决无人机铁路巡线视频空间绝对定位和铁路里程定位应用问题,利用无人机飞行过程中空间位置、姿态信息等数据以共线方程为理论基础构建巡线视频空间定位模型,以巡线视频空间定位模型为算法基础进行拓展,完成了视频铁路里程定位、三维场景与视频同步、两期视频同步算法.利用实际工程项目进行精度验证,其里程定位中误差为3.586 m,场景-视频同步中误差为4.23 m,两期视频同步中误差为3.67 m.该方法实现了巡线视频的地理信息编码,为铁路行业无人机视频精准化应用和多源数据融合应用提供了基础条件.     

基于多模型融合Stacking集成学习的油田产量预测

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。     

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险，基于A股市场上70余支智能板块的股票近十年的四因子数据，从神经网络模型入手实证分析，利用随机梯度算法对收盘价预测，比较预测值与实际值的模型误差及损失函数，从因子选取、算法改进及指标择优。结果表明，神经网络模型参数在批次为2、迭代次数为4150时， MSE、MAPE、MAE 分别为60.1911, 30.7326, 4.8032，收盘价的拟合效果最佳，该参数下的神经网络模型可用于探究股票市场价格趋势，为投资者、金融机构提供一定参考依据。