基于自组织方法的税收收入组合预测模型

自组织理论是基于神经网络和计算机科学的迅速发展而产生和发展起来的。它将黑箱思想、生物神经元方法、归纳法、概率论、数理逻辑等方法有机地组合起来。其主要思想是通过简单的初始输入（局部变量）的交叉组合产生第一代中间候选模型,再从第一代中间候选模型中选出最优的若干项组合而产生第二代中间候选模型,重复这样一个产生、选择和遗传进化过程,使模型复杂度不断增加,直到选出最优复杂度模型为止。本文利用自组织方法进行数据筛选和建立税收预测模型,并在数据筛选基础上建立线性回归预测模型和BP神经网络预测模型,然后结合时间序列的预测模型,利用自组织方法建立组合预测模型。通过预测结果比较得出了组合预测模型比其它单个模型具有更高的预测精度。     

指数平滑预测法及其在经济预测中的应用

以1978—2008年的某省职工年平均工资作为样本数据、2009—2010年的数据作为模型检验数据,建立基于时间序列分析的指数平滑预测模型。检验结果表明,指数平滑预测模型对2009年和2010年的预测值与检验样本的实际值之间的相对误差很小（仅为0.015032和0.02207）,预测结果理想。随后,以此模型预测时间序列2012—2015年职工平均工资数据。     

ARIMA模型在教育预测中的应用——以湖南中等职业教育为例

基于时间序列数据的教育预测方法较多,主要有趋势外推法、人口离散预测模型、生命表法、灰色预测法、线性回归模型、分布滞后模型、Logistic模型、人工神经网络方法等,对一些代表性的方法作了简单的概括,在此基础上,通过构建ARIMA模型拟合湖南中等职业教育的发展趋势,对湖南2007-2011年中等职业教育发展规模进行客观预测.     

基于ARIMA模型分析四川省GDP

通过选取1978年至2018年四川省国内生产总值的相关数据,运用计量经济软件Eview8.0、SPSS25.0对选取的时间序列数据进行ARIMA模型与残差自回归模型的建立。在模型均通过检验的基础上,对AIC等信息准则的综合比较,最终确定建立ARIMA(4,2,0)最优模型来对四川省GDP进行分析与预测。     

基于决策树和支持向量机的金融时间序列预测方法

由于传统的金融时间序列预测方法无法有效识别不同领域时间序列的不同特征,从而导致了当前一些时间序列预测方法的不足,无法有效地指导实际研究。文章提出了一种改进的金融时间序列数据预测方法,该方法首先对采集到的数据进行预处理,利用决策树对时间序列进行特征抽取,并建立基于支持向量机的时间序列预测模型,最后对时间序列进行预测。实验结果表明,文章的方法能有效的降低预测模型的复杂度并提高预测精度。     

失业风险预警系统研究

基于我国29年的历史数据,采用BP神经网络模型对我国的失业风险预警问题进行研究。结果表明,神经网络方法在失业风险系统中具有优良的预警效果,其对失业风险综合警情值的预测误差小于3％。相对于景气分析预测法、时间序列分析、灰色预测模型以及回归预测模型等技术,神经网络方法不仅具有良好的预测精度,同时还具备较强的容错能力和泛化能力。因此,在构建我国的失业风险预警系统中,神经网络模型应该是一种被优先考虑的方法。     

组合预测模型在区域物流需求预测中的应用

针对单一预测方法用于区域物流需求量预测存在的不足,文章提出了基于预测有效度的组合预测模型,即通过组合多个单一模型的预测结果,发挥各自的优点,提高预测的精确度。以广东省江门市为例,分别采用线性回归模型、灰色GM(1,1)模型和组合预测模型对其物流需求量进行了预测,实证结果表明区域物流需求组合预测模型能够取得更高的预测精度。     

ARIMA模型在股票价格预测中的应用

文章研究了ARIMA模型及其应用,以三一重工(600031)的120个股票价格数据为例,给出了时间序列模型预测的建模过程。通过真实值与预测值的比较,验证了模型的可靠性,该模型适用于短期预测,对长期预测效果不佳,为实际应用中,对短期预测股价,提供了参考的依据。     

基于搜索大数据的旅游需求自回归分布滞后模型预测研究

基于搜索引擎的搜索指数记录了关于某一关键字或某个类别的用户搜索历史,这些时间序列数据可为经济活动的预测提供原始实时依据。文章通过引入搜索大数据构建自回归分布滞后模型(即ARDL模型)预测旅游需求。具体研究内容是以美国2004年1月至2016年9月入境中国香港旅游人数为因变量、搜索指数的滞后变量为自变量建立自回归分布滞后模型,并进行预测分析。实证结果表明,搜索指数与入境旅游数具有正向相关关系,搜索指数可以提高旅游预测精度。研究结果可为网络信息计量学理论、旅游管理预测提供实证数据参考。     

基于Gramer分解定理对我国就业人数变化趋势分析及预测

本文基于时间序列的Gramer分解定理,利用我国就业人数1978年到2007年的历史数据进行实证研究,建立确定性趋势模型和ARMIA模型的组合模型.最后得出组合模型能够很好的预测我国的就业人数,然后运用模型对我国就业人数进行短期预测和分析.