共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
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。 相似文献
3.
为解决公路交通拥堵,做好道路交通安全规划,应加强对道路交通车流量的实时监控和预测,以便及时发现当前交通的非正常拥堵状况,提高人民的出行效率。公路短时车流量的监测数据具有不确定性和非线性的特点,针对这些特点,运用灰色系统理论预测模型和时间序列的ARIMA预测模型分别对车流量状况进行预测。在此基础上,提出将二者相结合的车流量组合预测模型。通过实例对比分析,得出组合预测模型的预测精度高于单独使用灰色预测模型和时间序列分析模型的结论,该模型可以作为短时车流量预测的一种有效方法。 相似文献
4.
区域GDP的发展趋势是高速公路规划和建设的重要参考依据。基于浙江省1978—2019年的GDP数据,分析数据特性,构建预测模型,掌握发展规律。首先,将GDP数据转化为时间序列,建立ARIMA(2,2,0)模型;其次,将GDP数据以滑动窗口的方式生成输入矩阵,建立BP神经网络模型;最后,利用ARIMA分析GDP时序的线性部分,利用BP神经网络分析GDP时序的非线性部分,建立组合模型。通过计算相对误差比较模型的预测效果,3个模型的平均相对误差分别为6.30%、13.10%、6.08%。结果表明,组合模型的平均相对误差最小,预测效果最好。 相似文献
5.
短时交通流量预测是交通运行状况分析与交通诱导的基础。考虑到不同交通流量预测模型的各自功能与应用条件,文章构建了一种基于自适应指数平滑和RBF神经网络的组合预测模型。该模型根据各个基本模型计算的前一时刻预测误差均方差来动态调整加权系数,从而综合利用各个基本模型在不同时段的预测优势,最后采用实例分析对组合模型和两种基本模型的预测性能进行比较,验证了组合模型在高速公路短时交流流量预测中的可靠性。 相似文献
6.
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。 相似文献
7.
8.
9.