汇率预测:一个新的非参数支持向量回归方法

本文利用一个新的非参数支持向量回归(SVR)方法来预测基于非线性ARI模型的汇率时序变量,并且与最大似然法(MLE)和人工神经网络(ANN)的预测结果进行比较。从理论上讲,MLE和ANN方法仅侧重于样本内拟合,而SVR方法则同时考虑了拟合和预测,因此,其预测能力在现有方法中是最强大的。本文选择中国、韩国、印度和瑞士四种货币的日汇率来进行预测检验,实证结果支持SVR方法具有最强的预测能力。     

基于小波的灰色动态组合模型及其在变形预测中的应用

针对GM(1,1)模型对随机波动性较大的数据列拟合较差,预测精度低的缺点,提出了基于小波理论的灰色动态组合模型,结合实测数据的研究表明,该模型预测精度远高于单一的灰色模型。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络（DFNN）进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率（ERR）修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例．通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析．表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析．为研究金融非线性系统辨识提供了启发性思路。     

基于经验模态分解的空气质量指数组合预测方法及应用

空气质量发展趋势的预测对于空气污染问题的防治具有非常重要的意义。因此,本文提出了基于经验模态分解(EMD)的空气质量指数(AQI)的一种组合预测方法。我们首先运用经验模态分解(EMD)的方法对非平稳、非线性且呈剧烈波动的时间序列即AQI原始数据进行多尺度分解。其次,我们分别使用4种常用的单项预测方法:灰色预测(GM)、ARIMA、BP神经网络和支持向量回归(SVR),分别对于分解后的本征模态函数(IMF)序列和趋势序列进行预测,得到单项预测结果。为了提高预测的精度,我们选用平均相对误差(MRE)较小的前三种单项预测方法,并对它们的预测结果进行组合预测。最后,运用熵权法分别计算出IMF序列和趋势序列的组合预测值,并将所有预测值求和得到AQI的最终预测结果。为了评价模型的预测效果,我们选用四种常用误差评价指标,对各个模型的预测结果进行评价比较,而仿真实验的结果表明了本文提出的基于经验模态分解的空气质量指数组合预测方法具有较高的预测精度和良好的适用性。     

基于遗传算法优化BP神经网络的集装箱吞吐量预测

集装箱吞吐量预测是港口规划建设、生产计划安排、调整港口发展方向的重要基础。针对集装箱吞吐量与其影响因素之间的复杂非线性特征,文章提出基于腹地GDP、腹地货运量、港口前三年集装箱吞吐量作为网络输入构建的遗传算法改进的BP神经网络预测模型(GA-BP),该方法综合考虑到BP神经网络非线性拟合能力强的优点,同时通过遗传算法全局搜索能力强等特点对BP神经网络易陷入局部最优进行改进。为验证提出模型的有效性,选取福州港为案例进行验证,结果显示GA-BP模型的预测精度明显优于BP神经网络,同时对比历史集装箱吞吐量作为输入变量的预测结果,GA-BP模型预测结果精度更高。     

水库泥沙淤积与对策

天然河流修建拦河建筑物以后，原有的输沙平衡遭到破坏，库区内将产生泥沙淤积，这种淤积将对水库产生一些不利的影响。首先，淤积泥沙占用有效库容，将使水库的防洪和兴利能力降低。其次，它将使回水曲线抬高和上延，扩大淹没损失。此外它还对下游河道的输沙平衡产生影响，并增加水库管理工作的困难。因此开展对库区泥沙淤积的研究有十分重要的意义。建国以来，我国兴建了大批水利工程，在库区泥沙淤积方面有许多经验和教训，在水库泥沙研究方面也取得了可喜的成果。近几年，随着计算机技术和测量方面也都有新的突破，本文结合清河水库淤积测量及泥沙平衡分析工作，对水库泥沙淤积问题做简要分析。     

基于时间序列的支持向量机在物流预测中的应用

由于物流预测是不确定的、非线性的、动态开放性的复杂大系统，传统方法往往难以准确地描述这种复杂的非线性特征，因而无法准确进行物流预测，本文提出了基于一种基于时间序列的支持向量机(SVM)的物流预测方法。将该方法用于实际物流系统的公路运输量预测中，和真实值比较说明所提出的物流预测方法是可行和有效的。     

基于自组织数据挖掘的电子商务客户流失预测模型

为解决电子商务客户流失预测中的高维、非线性问题,本文将自组织数据挖掘理论(SODM)引入客户流失预测,提出一种新颖的基于自组织数据挖掘的电子商务客户流失预测模型。该方法将自组织数据挖掘中的客观系统分析算法(OSA)和改进分组数据处理网络(GMDH)集成起来进行电子商务客户流失预测。首先利用OSA算法选择出重要的电子商务客户流失关键属性,然后将训练样本送入改进GMDH网络进行学习和训练,进而对测试样本客户流失状态进行判别。将该方法应用于某网上商店客户流失预测实证分析,预测结果验证了该方法对包含多种因素影响的电子商务客户流失预测具有优势,基于自组织数据挖掘的电子商务客户流失预测模型具有较强的实用性和可操作性。     

基于模糊时间序列的预测模型——以上证指数为例

模糊理论使用语义变量本身所蕴含的特性,能减少处理问题时的不确定性所带来的困扰,被广泛的应用于各种领域的研究。首先回顾了基于模糊理论的模糊时间序列定义,对现有的模糊时间序列模型进行分析;在此基础上提出了一种新的模糊时间序列预测方法,以上证指数为对象进行了拟合。从结果看,新的基于模糊时间序列预测方法在MSN、平均误差(%)和标准误差(%)等指标上要优于现有的的预测方法。     

述潭岭水库泥沙淤积调查研究计算方法

水库泥沙淤积调查研究的方法较多,归纳起来,主要有地形法、沙量平衡法、剖面法和地质沉积界面法等。这些方法各有长短,可根据实际情况选择应用。文章对述潭岭水库泥沙淤积调查研究计算方法进行了探讨。     

指数曲线模型在公路路基沉降预测中的应用研究

在软基上修建高速公路时,为保证公路质量一般需要对地基进行加固,为检验加固效果和优化施工,可根据实测数据对沉降发展进行预测,因此选用经验公式法的指数曲线模型,提出利用Origin软件的拟合功能对实测数据进行拟合,计算得到最终沉降、剩余沉降和沉降发展曲线,评价地基处理效果以及指导施工。     

建筑物剩余安全度组合预测模型及应用

文章基于建筑物剩余安全度的一些实测数据,提出了一种指数回归-灰色理论相结合的非线性优化组合预测模型。实际情况表明,这一模型对于现有建筑物剩余安全度的预测具有较高的精度,是一种较准确地预测建筑物剩余安全度的实用方法。     

基于非线性RBC模型的我国经济周期波动研究

通过采用非线性移动平均方法求解得到了一个三部门的中国经济周期模型,在此基础上考察并比较了线性模型与非线性模型对于中国经济现实数据的拟合程度。实证分析结果发现,非线性移动平均模型相对较好地拟合了中国经济的现实数据,原因可能在于:(1)非线性移动平均模型的二阶核密度与三阶核密度函数均表明以产出为代表的变量的二阶成分与三阶成分对于变量的变化具有持续性、显著性作用,而线性模型则忽略了高阶成分;(2)线性逼近过程中引入了大量的外生参数,这些参数校准与估计过程中的偏误导致线性模型对现实数据的拟合程度较差。因此,采用非线性模型考察中国经济周期可能优于线性模型。     

基于灰色神经网络的体育成绩预测研究

对体育成绩的预测关系到学生身体素质和体育教学方案的制定,通过结合灰色理论和神经网络的特点提出了灰色神经网络体育成绩预测模型。依据某大学2008-2013年体育成绩统计数据,分别选用GM(1,1)模型和灰色神经网络模型对数据进行拟合,通过2014年的体育成绩作为模型验证,来预测2015年的体育成绩。结果表明,灰色神经网络体育成绩预测模型具有灰色系统贫乏数据建模和神经网络高度非线性映射能力的优点,对提高预测精度具有一定的实用价值。     

一种应用BP神经网络的混沌短期电力负荷预报方法

文章结合混沌理论及BP神经网络方法,提出了一种非线性时间序列预测算法。该方法基于相空间重构理论,将单维电力负荷时间序列映射到高维相空间中,并采用BP神经网络作为高维相空间拟合工具,通过算例的验证,证明了该方法具有较高的预测精度。     

基于ARIMA模型的风电功率预测

风电功率的随机波动被认为是对电网带来不利影响的主要因素。研究风电功率的波动特性,对改善风电预测精度与克服风电接入对电网的不利影响都有重要意义。本文通过对30天的风电数据加总,求得15min级的风电功率数据,提出了基于ARIMA模型的风电功率的预测模型。通过对数据进行单步预测取得较好的预测结果,说明ARIMA(1,1,1)模型能够较好的拟合原始数据。给风电功率的预测提供了新的思路。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

论基于BP神经网络的GDP预测

在经济分析中,通常采用时间序列模型对进行拟合GDP,GDP预测由于其影响因素复杂、具有很强的非线性,是典型的"黑箱"模型,建立在计量经济学理论基础上的线性方法,难以描述GDP预测中的非线性现象,容易造成预测误差过大.通过对BP神经网络数据进行归一化和选择适当的节点及学习率可变的算法大大提高了预测的精确度和效率.     

陕西省人口与社会经济发展问题的统计分析

本文针对陕西省近十年人口与经济发展状况的具体情况,选取1998年-2007年的相关数据,对人口与经济发展问题进行统计分析,依次建立了人口与经济发展问题的数学模型。根据人口阻滞增长模型的方式建立了模型(1),根据主成分分析与曲线回归分析相结合的方法对曲线进行拟合,建立了模型(2)与模型(3),并对未来几年陕西省人口与经济的发展趋势进行预测,根据以上预测提出政策性建议。     

基于数据挖掘的BP神经网络改进算法能产品质量预测研究

人工神经网络是一种新的数学建模方式,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问题提供了比较好的方法。针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较．结果表明改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠。