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K-means-LSTM模型的证券股价预测

鉴于股票数据具有非平稳、非线性等特征,传统的统计模型无法精准预测股票价格的未来趋势。针对这个问题,构建一种混合深度学习方法来提高股票预测性能。首先,通过将距离算法修改为DTW（动态时间归整）,令K-means聚类算法拓展为更适用于时间序列数据的K-means-DTW,聚类出价格趋势相似的证券;然后,通过聚类数据来训练LSTM（长短时记忆网络）模型,以实现对单支股票价格的预测。实验结果表明,混合模型K-means-LSTM表现出更好的预测性能,其预测精度和稳定性均优于单一LSTM模型。     

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SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况，使用主成分分析（PCA）对14项气象影响因素进行降维处理并提取4项综合评价指标，使用麻雀搜索算法（SSA）优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出，对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区，用相应的数据对模型进行验证。结果表明，基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。     

天津市人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或者说是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测.用ARMA模型可以对天津人均国内生产总值(1978-2004)时间序列进行建模和短期外推预测.     

基于ARMA模型的湖南省民间投资时间序列分析

时间序列分析方法是经济领域研究的主要工具之一。合理的时间序列模型会十分接近真实数据生成过程,运用时间序列模型来预测经济变量具有重要意义。ARMA模型描述时间序列的动态性和发展变化规律,具有广泛的实用性。本文通过ARMA模型分析时间序列的随机性和平稳性,借助EVIEWS软件对湖南省民间投资数据进行具体分析并预测。结果表明,模拟值和真实值接近,在实际应用中ARMA模型对短期内预测民间投资额具有很高的精确性,这一精确性对政府政策的决策和实施起重要作用。     

灰色模型中不同序列长度对模型精度的影响

针对建筑物沉降的特点,在灰色理论的基础上,建立GM（1,1）模型,并采用不同序列长度对来预测建筑物的沉降量,通过对比发现,不同的序列长度对模型的预测精度有着一定的影响。     

西安市旅游市场境外游客长期记忆及ARMA模型适用性研究

本文通过用分析旅游业游客动态常用的ARMA（即分整自回归滑动平均模型）模型对国外旅游市场境外游客研究后,证明在用时间序列模型在对西安市旅游市场进行预测分析时,不宜用ARMA模型。     

ARMA模型在西藏自治区GDP预测分析中的应用

该文以西藏自治区1978～2011年的地区生产总值时间序列为具体的分析对象,通过对数据的平稳化处理,在此基础上建立自回归移动平均模型（ARMA模型）。用Eveiws软件拟合ARMA模型并做预测分析。     

天津市人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或者说是迟缓性，通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARMA模型可以对天津人均国内生产总值（1978—2004）时间序列进行建模和短期外推预测。     

基于趋势分解的机场季节旅客吞吐量预测方法

针对机场季节旅客吞吐量的特点,提出了基于趋势分解的机场季节旅客吞吐量预测方法,其基本思想是:首先根据机场季节旅客吞吐量历史数据的移动平均数,计算平均季节指数并进行修正,然后构建机场季节吞吐量趋势变动模型,从而构建航线季节客运需求分析模型。仿真结果表明该方法可行且结果具有较高的精度,可作为预测机场季节旅客吞吐量的有效工具。     

疫情影响下我国航空客运量恢复期预测

2020年爆发的新冠肺炎疫情给全国的经济社会带来了巨大的冲击。作为对非正常事件或危机事件高度敏感的航空客运业来说,经济损失更是巨大的。本文根据新冠肺炎疫情与航空旅客运输之间的影响机理,结合2009年至2020年间我国民航客运量的月度数据,运用复合型序列的分解预测模型,对正常运行情况下的航空客运量进行预测,再结合疫情影响下的航空数据进行对比分析。研究表明:2020年航空客运业由于疫情的影响,从1月到12月客运量至少减少15527万人;到年底,有望恢复上年同期航空客运量的90%以上。     

基于灰色预测法的铁路客运量预测

对客运量发展趋势进行预测是正确制定铁路客运营销战略的前提和基础,文章运用灰色运用对某铁路局的客运量及周转量进行了预测,认为某铁路局客运量的发展趋势是逐渐降低,但降低的趋势是逐渐减少;客运周转量的发展趋势是不断增加。     

基于GS-LGBM的乘用车使用寿命预测研究

为准确预测乘用车使用寿命,提出基于网格搜索优化LightGBM（GS-LGBM）模型的乘用车使用寿命预测方法。通过对2014—2019年乘用车报废数据进行大量实验,并与9种流行的机器学习算法进行对比,结果表明,LightGBM在平均绝对误差（MAE）、中位绝对误差（MEAE）、均方误差（MSE）和拟合优度判定系数（R2）4项指标上均明显优于其他算法。为进一步提升模型预测精度,采用网格搜索算法对LightGBM进行参数优化构建GS-LGBM模型,效果显著提升（MAE降低11.02%）,说明该方法能够更准确高效地预测乘用车使用寿命。     

我国民航客运量影响因素分析

为了准确评估民航客运量与其影响因素之间的关系并提高预测精度,以1995-2014年我国民航客运量的统计数据为基础,通过主成分分析法选取出能反映原始指标96.532%信息量的1个主成分,建立了其与民航客运量之间的回归模型,并对回归模型进行了解释和检验。检验结果表明,主成分回归模型有较高的预测精度,预测结果较为准确。     

我国民航客运量影响因素分析

利用1990至2009年的统计数据对我国航空客运量各影响因素进行定性与定量研究。运用灰色关联理论,对影响民航客运系统的诸多因素进行关联分析,并确定出影响因素的影响程度顺序,为后续民航客运量的回归分析与预测打下基础。针对当前我国民航旅客运输业发展中面临的问题提出政策建议,提高我国民航旅客运输业的市场竞争力。     

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.