基于ARIMA—ANN的时间序列组合预测模型

目前,时间序列预测主要采用基于传统研究方法或人工神经网络技术的单一预测方法.近年来的研究表明,组合预测方法比单一预测具有更高的预测精度.提出了一种基于BP神经网络和ARIMA组合模型的预测新方法,对中国GDP的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在非平稳时序的预测中的应用是可行、有效的.     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

大坝安全监测的ARIMA-BP组合预测模型

研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于组合模型的三角模糊数预测模型

首先以北京市1994-2006年年平均最低气温、年平均气温、年平均最高气温构建三角模糊数序列的三个界点,出于数据整体性考虑将三角模糊数序列转换成等量信息的三个指标数序列,然后,对三个指标数序列分别构建了时间序列ARIMA模型,灰色预测GM(1,1)模型以及BP神经网络模型,最后在单一模型预测结果的基础上通过引入诱导有序加权(IOWA)算子,建立了一种集成IOWA算子的ARIMA-GM-BP的三角模糊组合预测模型。通过最终预测结果对比,组合模型预测精度明显要高于各单一模型。     

安徽省城镇居民人均收入的组合预测

以1995～2009年安徽省城镇居民家庭人均可支配收入的数据,分别建立时间序列模型、回归模型和灰色预测模型．然后在三个单一预测模型的基础上综合各个预测模型的优缺点．通过使组合预测误差平方和最小确定各单一预测方法的权重系数,得到最优组合预测模型．最后对几种预测方法进行了评价,得出组合预测效果比较精确．     

应用组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具.根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤.     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分.引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势.实践证明,较单一模型具有更高的预测精度.     

组合预测模型在中国GDP预测中的应用

在ARIMA、混合时间序列和GM(1,1)模型基础上,利用中国经济发展数据建立一个组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。     

基于ARIMA-GARCH-t与ELM的人民币汇率组合预测模型研究

本文旨在对人民币汇率进行预测,以丰富汇率预测方法、方式.利用2012年1月4日到2014年11月3日的人民币对美元汇率中间价数据,依据组合预测方差最小原则构建ARIMAGARCH-t与ELM(极限学习机)组合预测模型来分析人民币汇率的非线性时间序列特征,该模型一方面弥补了ARIMA预测时残差异方差性对预测精度的影响,同时将随机扰动项对模型的影响考虑在内,另一方面发挥ELM学习速度快、泛化性能好等特点.实例分析证明,该组合预测模型预测精度高于单一预测方法,是一种有效的预测方法.     

安徽省城镇居民人均可支配收入组合预测

针对单项预测存在一定随机性、预测精度较低等问题,基于误差平方和最小准则,结合 GIOWA算子提出 4 种特殊参数的变权系数组合模型,以 2000—2020 年安徽省城镇居民人均可支配收入数据为样本,对安徽省未来 5 年城镇居民人均可支配收入进行预测。 首先分别应用 3 种单项预测模型对安徽省城镇居民人均可支配收入进行拟合预测,然后以误差平方和最小为准则,结合 GIOWA 算子构建变权系数组合模型,同时对 GIOWA 算子取 4 种特殊参数得到相应的组合预测模型,最后应用所构建模型对安徽省未来 5 年城镇居民人均可支配收入进行预测。 结果表明:变系数组合预测模型预测效果优于单项预测模型;安徽省未来 5 年城镇居民人均可支配收入将会持续稳定增长。     

安徽省城镇居民人均消费的组合预测

在灰色预测、回归预测和时序预测基础上,建立1990到2009年安徽省居民人均消费组合预测模型,并通过误差指标评价体系对组合模型和单项预测模型进行评价,结果表明组合预测模型的各误差指标远低于三种单项预测模型预测误差指标值。最后预测了我省近三年城镇居民人均消费值并进行了评价。     

空间线性组合模拟模型及其实证

空间分布的模拟精度与采用的模型密切相关.针对具有空间自相关时空数据的空间分布模拟问题,将时空数据看成为时间序列数据与横截面数据的组合,分别建立横截面数据一阶空间自回归[SAR(1)]模拟模型和克立格(Kriging)方法模拟模型,时间序列数据的遗传神经网络(GABP)模拟模型,在这些模型研究的基础上建立空间线性组合模拟(SLCS)模型.应用这些模型对2002年福建部分县市人均GDP水平空间变异进行实证模拟研究,结果表明空间线性组合模型模拟效果较好.     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

前移回归分析新方法及其在福建人均GDP预测中的应用

介绍一种称为前移回归的时间序列预测新方法，其建立依据是，经济指标是多项相关因素的函数，一个时间段内各项指标（自变量）的值会影响下一时间段待预测指标（因变量）的取值．这种方法克服了以往时间序列预测只是自身拓展而不考虑多项因素（变量）的不足，也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷．以福建省人均GDP的预测作为实例，取得较好的效果．     

基于Logistic回归、Markov过程和改进灰自助法的导弹备件需求预测

 为了提高预测间断性需求导弹备件的精度,提出一种基于Logistic回归、Markov过程和改进灰自助法的组合预测模型。将样本序列划分为解释变量序列和自相关序列,对解释变量采用Logistic回归模型预测提前期非零需求发生概率,对自相关序列采用Markov过程估计提前期非零需求发生概率,把这两方面组合得到提前期非零需求发生概率,再运用改进灰自助法进行需求分布确定,得到最终的提前期需求。改进灰自助法先进行Bootstrap抽样,进行GM(1,1)二次数据拟合,既克服了Bootstrap法在小子样下的重复抽样问题,又克服,Bootstrap法在小子样下仿真结果不可信的问题。实例表明,提出的组合预测方法降低了预测误差,说明了该方法的有效性、可行性和实用性。     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。