基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

BP神经网络、SVM在个人收入预测中的应用

改革开放以来,中国居民收入稳步上涨,但收入差距却越来越大。对于个人收入的分析也成了研究的重点。本文利用matlab R2012a建立了BP神经网络和支持向量机算法模型,得到了两个模型在研究个人收入预测应用中总体预测准确率、均方误差MSE和决定系数R2的值。结果表明,相比于BP神经网络,支持向量机预测准确率更高,模型拟合度更好,具有更好的预测效能。     

支持向量机在企业冰箱订单需求中的应用

为了提高企业冰箱订单预测精度,提出基于支持向量的订单需求预测模型,本文在对冰箱订单需求影响因素分析的基础上,选出对冰箱影响订单需求最为重要的五个因素,运用支持向量机(SVM)对冰箱订单需求进行训练、预测分析,得到支持向量机在冰箱订单需求预测中的准确率,通过与BP神经网络、时间序列模型(ARMA)对比证明该模型预测精度较高,是一种有效的方法,值得推广使用。     

基于支持向量机与BP神经网络的税收收入预测模型

我国的税收体制是一个多种因素构成的复杂动态系统,税收预测的研究对我国经济发展具有重大意义,主要通过逐步回归模型进行变量的选择,进而研究回归型支持向量机与逐步回归模型以及BP神经网络对税收收入预测的模型对比,使用均方误差和平均绝对误差两个指标来分析模型的预测性能,并获得更适合的税收预测方法,为税收分析提供一定的参考。     

基于支持向量机的区域物流需求预测研究

基于支持向量机的区域物流需求预测是在追求更高的预测精度下提出的,首先选取非线性回归方法筛选影响区域物流需求的主要因子,然后用支持向量机模型对原始数据进行处理,并通过"影响区域物流需求因素"求解最优化的支持向量机核函数,最后构建影响区域物流需求的影响因子的非线性数据模型。结论表明,支持向量机模型相对多元线性回归、BP神经网络等,提高了区域物流需求的精确度,在之后的区域需求预测中将会有更加广泛的应用。     

秦皇岛煤炭价格预测研究——基于因素分析法和支持向量机模型

煤炭是我国重要的战略资源,其价格波动对国民经济影响重大。本文选取了煤炭产量、煤炭销量、进口量、国际原油价格和秦皇岛煤炭交易月度价格为样本数据,建立基于因素分析的支持向量机模型(FS-SVM)对秦皇岛的煤炭价格进行了预测分析,并与神经网络模型(BPNN)和无因素分析的支持向量机模型(SVM)的预测结果进行了对比。结果表明,以因素分析的结果作为输入的支持向量机模型可以有效地预测市场煤价,其预测结果可为大型煤炭消耗型企业购煤决策提供指导性意见。     

基于SVM回归的新型工业化水平综合评价研究

文章构建测度新型工业化水平的8项一级指标和37项二级指标,应用支持向量机回归模型(SVM),对2010年我国30个省市自治区的新型工业化水平进行综合评价,并和BP神经网络法的结果进行对比,发现SVM具有较好的非线性预测能力和良好的拟合结果。     

连锁零售企业应急需求预测——基于粗糙集和支持向量机

突发事件发生时,如何提高应急物流能力是连锁零售企业亟待解决的问题。将粗糙集理论引入连锁零售企业应急需求的预测中,建立基于粗糙集与支持向量机的连锁零售企业应急需求预测模型。首先利用粗糙集约减数据,剔除冗余信息,然后把它们作为支持向量机的输入矢量来预测应急需求。结果表明,与传统支持向量机模型相比,新的模型预测精度更高,更能有效预测应急需求。     

LS-SVM对城市用水量预测的探究

介绍了最小二乘支持向量机(LS-SVM)的回归算法,给出了基于matlab的工具箱LS-SVMlab对城市用水量预测的算法步骤。选择高斯径向基核函数作为核函数,利用最小二乘支持向量机(LS-SVM)映射出城市用水量和人均综合用水量及用水人口间的非线性关系,从而建立出基于LS-SVM的,模型参数分别为的关于城市用水量的预测模型。与神经网络的预测结果相比较,该模型具有较高的预测精度和动态适应性。     

基于模糊层次分析法的房地产估价研究

文章概述层次分析法和模糊数学的基本理论,建立模糊层次分析法估价模型进行实证研究,测算上海市闵行区某套住宅物业市场价值。 将计算结果与该房屋实际成交价格进行对比,分析模糊层次分析法在房地产估价领域的适用性,验证估价结果的准确性,展望该方法在房地产估价领域应用的前景。 旨在为房地产估价方法多元化发展作出贡献,为房地产行业信息化提供理论支持。     

上市公司财务危机预警模型比较研究

本文以2001年至2008年间74家A股机械、设备、仪表业上市公司数据为研究对象,分别用多元判别、逻辑回归、BP神经网络和支持向量机四种方法构建了财务危机预警模型,并用2009年至2012年间24家同行业上市公司作为检验样本对模型进行了检验.研究结果表明:第一,人工智能方法所构建模型的预测准确率比传统方法构建模型的准确率高;第二,资产净利率和营业收入增长率是区分机械、设备、仪表行业上市公司财务状况优劣的重要指标.     

基于GA-SVM的物流园区物流需求预测及分析

文章基于支持向量机模型对物流园区物流需求进行预测,相较于传统的网格式搜索对支持向量机参数寻优,使用遗传算法对支持向量机参数寻优,能在实数集内连续地寻找最优参数组合,构建出GA-SVM物流需求预测模型。并通过成都市实例验证了GA-SVM预测模型的有效性。     

中国经济增长预测研究——基于BP神经网络与多元线性回归比较

本文采用Eviews及MATLAB软件建立多元线性回归模型及BP神经网络模型,探究传统多元线性回归方法与BP神经网络方法预测经济增长过程中的误差大小,为政府引导经济增长提供模型支持。     

中国经济增长预测研究——基于BP神经网络与多元线性回归比较

本文采用Eviews及MATLAB软件建立多元线性回归模型及BP神经网络模型,探究传统多元线性回归方法与BP神经网络方法预测经济增长过程中的误差大小,为政府引导经济增长提供模型支持.     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。     

基于加权支持向量机的商务采购决策管理

本文在基于一般支持向量机的商务管理决策方法的基础上,对商务采购决策管理问题进行了定性分析,然后对一般支持向量机模型进行了改进,给出了三种加权支持向量机模型,从而使决策方案更具有科学性和针对性。     

基于神经网络的通货膨胀预测模型研究

本文采用神经网络的方法,利用消费者物价指数、工业增加值和货币供给等数据,分别以BP神经网络、RBF神经网络和Elman神经网络建立通货膨胀预测模型.三个模型预测结果表明,采用神经网络方法建立的模型能够较好地预测通货膨胀的变动.通过比较BP神经网络和Elman神经网络预测结果可以看出,带有反馈机制的神经网络模型预测性能优于一般神经网络模型.     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于支持向量回归的股市波动性预测

详细介绍利用支持向量回归方法进行金融时间序列预测的建模原理。将其应用到深圳股票市场的数据,进行预测。最后运用6种误差统计量对预测结果与基于BP算法、基于ARCH（1,1）模型、基于GARCH（1,1）模型的4种预测结果进行比较,并得出结论：基于支持向量回归的预测方法最优。