改进k-means聚类在股价波动趋势上的应用

股票价格在一段时间内的波动趋势对研究预测这支股票有着非常重要的作用。研究将K-means聚类利用层次聚类算法思想进行改进,对股价波动趋势进行聚类,并在一定范围内选择出最优聚类数。此方法在此问题上聚类效果优于原始k-means聚类算法,为未来对股价波动趋势的预测研究提供帮助。     

基于深度学习对茅台机场降水量预测的研究

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。     

基于EMD-SE-LSTM模型的股指日内已实现波动率预测──以中证500指数为例

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。     

基于奇异谱分析的旅客运输量预测研究

对旅客运输量进行科学准确地预测,可以为交通领域相关部门提供有效的借鉴。将旅客运输量作为研究对象,基于SSA(奇异谱分析),结合LSTM(长短时记忆神经网络)和ARMA(自回归移动平均模型),通过SSA降噪处理,将旅客运输量时间序列分解为信号序列和噪声序列,分别对其进行LSTM和ARMA(2,3)建模,预测其变化趋势。通过对比单一的ARIMA(3,1,2)模型和LSTM模型的实验结果表明,SSA-LSTM-ARMA预测旅客运输量效果更好,预测精度更高。     

基于1DCNN-Resnet-LSTM模型的LEAP发动机可调静子叶片角度预测

可调静子叶片（VSV）是航空发动机压气机气流控制的重要机构,能够扩大压气机稳定工作范围，提高其气动性能。依托飞机快速存取记录器 (QAR)中储存的海量LEAP发动机数据，建立一种基于1DCNN-Resnet-LSTM模型对LEAP发动机的VSV角度进行预测的方法。模型的评价结果显示，模拟输出对比实际输出误差小，模拟趋势变化能够很好贴合实际数据，表明使用深度学习算法对VSV角度进行预测进而探索其控制规律具有可行性和显著的优势。     

基于大数据智能优化算法的网络舆情趋势预测研究

随着互联网的普及和社交媒体的发展，网络舆情趋势预测成为企业和政府部门关注的焦点。通过研究文本预处理、情感分析、舆情主题识别与聚类等网络舆情趋势预测的关键技术，探讨基于大数据智能优化算法的网络舆情趋势预测方法。实证研究表明，通过对比不同算法的预测性能，找到最适合的网络舆情趋势预测模型，以提高预测准确度。     

基于循环神经网络的西北太平洋台风路径预测

西北太平洋是全球台风高发区域之一,我国每年受登录台风影响,造成沿海地区发生狂风、暴雨和风暴潮等灾害性天气,准确预测西北太平洋台风路径对我国防震减灾意义重大。 基于循环神经网络的多元时间序列预测模型,以处理好的包含中国气象局（CMA）台风最佳路径数据集和欧洲中期天气预报中心（ERA5 ）数据集两种资料的多元时间序列数据为样本,训练3种循环神经网络并预测未来 6、12、24 h 的 热带气旋（TC）中心位置。结果表明预测失效为24 h时利用长短期记忆神经网络（LSTM）模型预测E值为173.15 km,误差要远小于门控循环神经网络（GRU）模型和循环神经网络（RNN）模型,认为利用 LSTM 网络对未来 24 h TC 中心位置的预测具有可行性和参考价值。     

基于XGBoost和LSTM模型的金融时间序列预测

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.     

制造业上市企业的融资约束预测——基于机器学习算法的视角

企业融资约束指数的构建方法一般采用两步法,一是判断企业是否存在融资约束,二是通过财务指标构建融资约束指数。本文运用机器学习的方法探讨企业的融资约束指数的构建,首先,判断企业是否存在融资约束,采用聚类算法（K均值聚类和系统聚类）对这些企业进行分类,然后在聚类的基础上,采用分类算法（决策树、逻辑回归、神经网络）探讨企业融资约束的影响特征。本文通过分类算法预测结果,得到决策树算法的准确率是最好的,逻辑回归模型预测的稳定性是最好的,而神经网络预测模型较差。采用逻辑回归模型预测的融资约束概率与SA指数和祝学文的LFC融资约束指数较为密切相关。从企业融资约束的重要特征来看,在聚类的预分类中,重要特征变量为利息保障倍数和股利支付率,在分类算法中,重要特征变量为财务费用率和净资产报酬率。     

ARIMA与ARIMAX模型在私人汽车拥有量预测中的应用

为了提高私人汽车拥有量的预测精度,利用时间序列分析方法对全国2005—2020年的私人汽车拥有量数据进行研究,建立基于动态回归（ARIMAX）模型。运用Lasso模型和灰色关联分析得出影响私人汽车拥有量的主要因素,并将主要因素作为回归项引入差分自回归移动平均（ARIMA）模型。然后,在ARIMA模型的基础上建立ARIMAX模型。模型预测的对比结果揭示了ARIMAX 的拟合效果更佳,适用于全国私人汽车拥有量的预测。     

基于PSO优化LSSVM的股价时间序列预测

现实中的金融时间序列存在非线性、不确定性等特点,利用传统的预测方法难以获得满意的结果。提出了一种基于PSO优化LSSVM模型参数的股价时间序列预测方法。利用PSO算法的收敛速度快和全局收敛能力,优化LSSVM的惩罚因子和核函数参数。利用该方法应用于金融市场中的股价序列预测,与传统方法对比表明,该模型能够提高金融时间序列的预测精度,其具有更好的泛化能力,这对国内投资者进行股票投资具有现实的借鉴意义。     

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。     

整县光伏发电的综合LSTM功率预测模型研究

为了更好实现整县屋顶光伏集约化发展，提高大规模分布式屋顶光伏并网经济性，分析基于气象数据的预测方法弊端问题，挖掘海量时序光伏发电功率数据规律，提出基于改进长短期记忆递归神经网络（LSTM）的整县光伏综合功率预测模型。使用所提模型进行单一光伏电源预测实验，结果表明，改进LSTM模型较其他模型更精准，且在整县光伏综合功率预测场景下具有更高整体预测精度，可以用于整县光伏发电功率预测，有助于实现高比例分布式光伏消纳。     

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。