共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
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
4.
ARIMA模型在福建省GDP预测中的应用 总被引:13,自引:0,他引:13
本文介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及Eviews实现。将ARIMA模型应用于福建省历年GDP数据的分析与预测,得到较为满意的结果。 相似文献
5.
6.
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。 相似文献
7.
8.
9.
10.
《中国资源综合利用》2017,(6)
本文采用浙江大学对NASA修正模型进行预测,综合考虑叶片后缘形状影响、Ka系数的频谱修正、指向性系数等因素,建立了声源辐射指向性预测模型。根据对某一风电场现场监测结果可知,当噪声预测点距离风电机组较远(水平距离大于2倍风轮半径)时,预测值与监测值拟合系数达到0.95以上,预测效果较好,因此NASA修正模型能较好地预测风电场远场区的噪声水平。 相似文献
11.
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。 相似文献
12.
13.
14.
15.
以陕西省1993年至2010年不变价格的GDP为样本,分别应用了二次函数模型、指数函数模型和自回归整合移动平均模型对原数列进行了拟合、分析与预测。经过比较,三者的误差依次为17.948 3%,8.752 9%,3.389 0e-06。自回归整合移动平均模型与原序列高度拟合,误差几乎为零,因此不需要组合预测。 相似文献
16.
本文创新性地对艺术投资品进行重新分类,编制了新艺术品指数,通过建立混合自回归滑动平均模型(Mixture Autoregressive Moving Average Model简记MARMA)的方法对艺术投资品与其他因素的联动性进行分析,分别得出两类艺术品与股票市场、宏观经济之间的关系并应用该模型进行预测。主要结论是:第一类艺术品可以使用股票指数来描述,第二类艺术品可以通过宏观经济变量来研究;与相似的投资品相比,在通胀环境下艺术品具有更高的投资价值。 相似文献
17.
提高风电预测的准确性,可以减少含风电接入电力系统调度计划的不确定性,提高系统运行的安全性及经济性。文章提出了一种基于相似理论聚类分析的模糊预测方法,对历史风速数据进行自动分类,并借助于所预测的风速特征数据,按照相似度最大的原则,选择相似度最大的那组数据作为预测建模用的训练样本。然后借助于风力机组的风速-功率曲线,非常方便地得到制定电力系统运行计划所需要的风电机组的风速-功率曲线,进而得到制定电力系统运行计划所需要的风电机组的预测出力。 相似文献
18.
19.
20.
桥梁结构健康监测的应变监测数据具有较强的趋势性与随机性,为提升数据的预测精度,提出将传统单一的自回归积分滑动平均模型(ARIMA)和BP神经网络预测模型进行加权与组合,并将这两种方法分别运用于江西省某跨江大桥桥梁结构健康监测系统记录的应变监测数据的预测进行验证。结果表明:仅运用单一模型预测时,BP神经网络的预测效果要优于ARIMA模型;加权与组合模型的预测精度均优于单一模型,其中加权模型及组合模型的残差平方和(SSE)与BP神经网络模型相差最大,分别高达50.23%与49.87%;对比加权模型与组合模型的各项误差指标,发现二者预测模型的预测精度极为接近;单一预测模型的误差包络范围大于其他两类模型,其中ARIMA模型的误差总和约为50 με,BP神经网络模型的误差总和约为30με,加权模型的误差总和约为21.09 με,组合模型的误差总和约为20.97 με。经分析,加权预测模型与组合预测模型均能实现对桥梁SHM应变预测。 相似文献