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Box-Jenkins法的煤炭价格预测研究

Box—Jenkins法在国内和国外得到了广泛的运用,本文以秦皇岛煤炭市场的山西优混的周价格时间序列为研究对象,运用Box—Jenkins法,建立了短期煤炭价格的ARMA(121)模型,通过拟合与检验,证明模型的效果是较好的,并用之进行了短期煤炭价格的预测,结果也表明,该模型的预测结果是比较准确的,是合乎煤炭价格风险管理的基本要求的。     

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。     

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。     

遗传算法的支持向量机模型在房地产估价中的应用

利用遗传算法对传统的支持向量机进行改进,提出GA—SVM房地产估价模型,并运用到房地产估价的预测中,通过与支持向量机模型、BP神经网络模型和市场比较法的对比研究发现,该方法估价预测精度要明显高于BP神经网络模型和市场分析法,略高于支持向量机模型,所以GA-SVM房地产估价模型更具有推广性,更适合于有限样本的房地产价格估价。     

自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用

针对铁路货运量与其影响因素间的复杂非线性关系,建立自适应粒子群最小二乘支持向量机(APSO-LSSVM)模型用于铁路货运量预测研究,利用最小二乘支持向量机的优良特性预测铁路货运量,并采用自适应粒子群算法优化选择LSSVM的参数。通过对我国铁路货运量的实例分析检验APSO-LSSVM模型的预测性能。结果表明,APSO-LSSVM模型有效地预测了我国铁路货运量,具有较高的预测精度及较快的收敛速度。     

基于SVM算法的企业员工离职预警研究

人力资源是企业发展的重要资源,做好员工离职预警工作有助于企业长远发展。本文采用国网青海省电力公司2010—2018年的员工离职数据,分析得出人才流失的主要影响因素,使用支持向量机(SVM)算法进行员工离职预测分析。该预警模型使用部分员工数据作为训练集,其余作为测试集,使用精确度为92.7%的中值高斯核函数型支持向量机(Medium Gaussian SVM)进行预测,模型预测精度符合预期,为电网企业人才流失预警提供了有效的方法。     

基于支持向量机的义乌小商品价格指数预测分析

义乌指数作为全球小商品的＂道琼斯指数＂,全面反映了小商品市场的价格走势和景气动态。本文通过对历年义乌指数中的价格指数进行观察,将其与消费者价格指数（CPI）进行对比分析,并运用支持向量机对其进行回归预测研究。实证表明：支持向量机能够在较小误差范围内实现对义乌指数的有效预测。     

基于核主成分分析的PSO－SVR的煤炭物流需求量预测

利用核主成分分析法对煤炭物流需求影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,利用粒子群算法对模型参数进行选择优化,从而构建出核主成分分析和粒子群优化支持向量机协同模型,并通过实例对模型的合理性和有效性进行验证。     

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。     

基于混合两阶段模型的上市公司信用风险评价

利用支持向量机(SVM)-Logistic回归的混合两阶段模型来对上市公司信用风险进行评价。通过Logistic回归分析来对SVM的输出结果进行修正,降低了传统SVM方法的经验风险,提高了分类准确率。对SVM-Logistic回归模型、SVM和神经网络-Logistic回归模型进行实证比较,结果表明,支持向量机-Logistic回归模型的总判别准确率高于其他判别模型。     

基于机器学习方法的上市公司财务预警模型对比研究

当前我国上市公司信息披露仍存在着许多不规范的现象,个别上市公司在面临财务危机时,粉饰其财务风险,进行财务造假.本文利用上市超过3年的A股共3002家上市公司的财务数据,通过对ST、*ST和10家2019年退市的公司样本分析,根据不同的时间窗口,构建了财务预警因子库,共96个因子.分别采用机器学习中的逻辑斯蒂回归、支持向量机、决策树模型对因子数据进行训练.将数据集分为训练集和测试集,用训练集训练模型,并将模型应用在测试集中进行预测.结果如下:(1)三种模型均有较好的预测能力,其准确率都在94%以上;(2)决策树模型的预测效果最佳,支持向量机模型次之,逻辑斯蒂回归模型的预测效果最差;(3)三种模型都存在将较多的财务预警公司预测为正常公司的情况.本文通过将三种模型进行对比分析,以寻找更加优质的财务预警模型,来更好地帮助企业识别财务风险.     

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。     

基于权值SVM商品房价格模型研究

支持向量机(SVM)是在统计学习理论的VC维理论和结构风险最小原理的基础上发展起来的一种新的机器学习方法。本文利用SVM对商品房的几种主要价格因素数据进行统计学习,并且针对SVM学习过程中计算量巨大的问题,提出一种对核函数加权的方式来提高其学习效率,并针对不同因素调整其学习权重,有效提高了模型的学习速度和推广能力。SVM以统计学习理论为基础,具有简洁的数学形式、直观的几何解释和好的泛化能力等优点。研究证明,SVM的预测结果准确,使用方便,是一种优良的商品房价格建模方法。     

应用人工鱼群算法研究电网物资需求预测问题

为满足电网建设项目物资需求管理的发展要求,在现有企业资源计划(ERP)系统完成上线并能够提供初步数据支持的基础上,针对如何依据电网建设项目里程碑计划中的基本工程建设指标,合理预测物资需求的问题,借助支持向量机模型(SVM)和人工鱼群算法(AFSA)构建了电网建设项目物资需求预测模型。在支持向量回归机的基础上,融合添加混沌搜索后的改进工鱼群算法,优化了向量机核函数选取和参数设置,通过省级电网建设项目物资需求历史数据测试,模型预测结果满足实际使用要求,能够有效解决电网建设项目物资需求预测的问题。     

基于支持向量机在重工业经济领域预测研究

提出了一种基于支持向量机预测重工业经济月度同比增长率的方法。利用2002年以来,我国6年的重工业月度同比增长率数据,建立支持向量机预测模型,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测和经济分析是有效的。     

环渤海动力煤价格预测及用煤企业经营策略研究——基于LSTM和概率区间评估的分析

在“双碳”背景下,煤炭价格受到多种非线性和非平稳因素的影响,煤炭价格的准确可靠预测对增强煤炭市场的稳定性愈发重要。以LSTM神经网络为基础算法研究环渤海动力煤价格指数波动状态,并实现对该指数未来趋势的准确预测;采用混合核密度估计方法探讨煤炭价格指数未来趋势的不确定性,实现了对该价格指数未来价格波动区间分布的概率评估,可为企业决策人员提供全面、高精度的预测信息。经过与经典的BPNN、RNN模型的对比,新模型使环渤海动力煤价格指数预测值的准确度提高,同时能准确提供企业未来价格波动的概率评估结果,为其经营实践提供决策支持。     

基于PCA-SVM的港口集装箱吞吐量预测模型研究

从影响港口集装箱吞吐量的若干因素出发,本文依据主成分分析法和支持向量机回归法的基本原理,提出了一种基于主成分分析和支持向量机回归算法的建模预测方法。以连云港1999—2016年的统计数据为例,将该方法与指数平滑法、多元线性回归法及支持向量机回归法相结合,预测精度较高,最后利用主成分分析和支持向量机回归算法预测了2019—2020年的港口集装箱吞吐量,为港口决策提供重要依据。     

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。     

基于GRNN神经网络的煤炭价格波动预测

本文提出了基于GRNN神经网络对煤炭价格波动进行预测的理论,通过GRNN神经网络,利用MATLAB和WEKA等软件以及粗糙集等理论分析并验证了国内生产总值、煤炭生产总量、消费总量等因素对煤炭价格波动的影响。成功实现了对煤炭价格波动基于GRNN神经网络的训练和预测;建立了煤炭价格波动的预测模型,大大提高了预测的准确度;基于GRNN神经网络的预测结果准确率为87.5%。结果表明:GRNN神经网络对煤炭价格波动的预测是较成功的。