混合型PSO-BP模型在原油期货价格预测中的应用

建立了基于混沌理论下混合型PSO-BP模型,并运用此模型对纽约商品交易市场的原油期货价格数据进行了预测,并将预测结果与BP神经网络的预测结果进行了对比。结果表明混沌理论下混合型PSO-BP模型比单纯的BP模型具有较高的拟合度以及预测精度。     

组合预测模型在猪肉价格预测中的应用研究

本文在分析了神经网络、灰系统和时间序列预测模型的基础上,设计了将其中两种模型组合的预测方法。该方法的主要思想是利用回归预测思想将预测分为因素预测和结果预测两部分,并分别采用不同预测模型进行预测,从而达到提高预测精度的目的。利用该方法对吉林省近期的生猪价格进行预测,实验结果表明,该方法比单个预测方法有更好的预测效果,并且通过对不同组合的实验结果的分析发现,灰系统与神经网络相结合的方法具有更高的预测精度。     

基于多价值链协同资源的配件价格预测模型

本文面向汽车产业链协同平台上的配件代理商,以其积累的数十年销售业务数据为数据支持,提出了一种LightGBM-GRU组合预测模型。该模型利用轻量级的梯度提升机（Light Gradient Boosting Machine, LigthGBM）模型的树类模型优势,得到特征的重要性排序,选取对价格影响较大的特征集,分别带入LightGBM模型和GRU模型中,将两种模型的预测结果进行加权得到最终预测结果。选取多家代理商都销售的某多链配件进行数据预处理,并进行对比实验,结果表明该组合模型的预测结果相比于没有提取特征的单一模型的预测效果更好。     

基于TN-LP-LSTM-SVM混合模型的原油期货次日价格变化方向和波动率大小预测

原油价格受国际政治、经济、军事、外交以及其他复杂因素的影响,这些因素的频繁变化使油价表现出随机波动,给原油投资及交易决策带来困难,准确预测油价已成为能源领域学术界的研究热点.但是,现有关于原油价格预测的文献大多数是预测原油价格的数值而不是变化方向,而且不是同时预测原油价格和波动率,因此无法给投资者充分的决策指导信息.为了填补这一研究空白,提出一种结合转移网络(TN)、链接预测(LP)、长短期记忆模型(LSTM)和支持向量机(SVM)的新的混合模型TN-LP-LSTM-SVM来更精确地预测WTI期货次日价格变化方向和波动率大小,为投资者、能源相关企业和参与政策决策的政府人员提供有益的建议.在不同的时间窗口下($h\in [1,50]$且$h\in {\bm Z     

基于智能算法的价格预测模型探究

文中主要是建立基于智能算法的价格预测模型,解决商品价格预测的难题。首先通过德尔菲技术进行专家意见征询,确定影响商品价格的因子;然后数据化处理影响因子后,利用拉依达准则剔除异常数据;再以影响因子为输入量,采用BP神经网络算法建立商品预测模型;采用聚类分析算法建立预测模型与之对比。以玫瑰鲜切花为例建立价格预测模型,实验结果表明：该商品价格预测模型规避了单纯BP神经网络算法的缺陷,具有预测商品价格的普遍性、实用性。     

网络流量预测模型研究进展

网络流量预测的关键是建立相应的数学模型.介绍了网络流量预测模型的基本概念和分类,指出了单一预测模型存在的问题.从模型构建原理出发,重点对组合预测模型进行了系统的分类,将其分为线性组合模型、优化组合模型、分解重构组合模型,介绍了各组合模型的相关研究进展,并分析了它们的特点和适用范围,指出组合预测模型能更精确、全面地预测流量.针对流量预测目前存在的问题,对未来研究趋势提出了几点思考.     

时间序列在原油期货中的应用

本文采用时间序列的自回归求和滑动平均模型(ARIMA)对原油期货价格的时间过程进行分析与建模,并用所建立的模型预测下一个工作日的原油期货价格.用模型对实际原油期货价格数据进行数据拟合及预测的结果表明,预测数据与真实数据的差别在误差范围之内,说明所建立的模型具有较高的预测准确性.     

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5．11—1对铀价格进行预测。结果表明：QPSO—BP模型的预测精度（0．15％）高于PSO-BP模型（4．55％）与BP模型（30．86％）。泛化能力指标平均相对变动值为O．0025,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。     

基于EMD和ELM相结合的门诊量预测模型研究

针对门诊量波动幅度较大的时间序列预测问题,先采用经验模态分解(EMD)将非线性较强的原始数据进行分解,然后通过极限学习机(ELM)将分解后的各个序列分量进行建模,最后将各个分量的预测值相加得出最终结果。将BP神经网络、ELM两个单一模型与EMD-ELM组合模型进行对比验证,实验结果表明组合模型的精准度明显好于两个单一模型。     

连续碳酸化分解过程分解率的预测模型

连续碳酸化分解过程(简称碳分)是烧结法生产氧化铝的重要环节之一,其末槽分解率直接影响着氧化铝的产量和质量。碳分工艺是一个大滞后、非线性的复杂工业过程,分解率很难在线检测。针对此问题,论文提出了一种基于粒子群优化(PSO)的神经网络预测模型,对末槽分解率进行预测,以便实现分解率在线控制。该预测模型采用BP神经网络来构建,利用粒子群算法对神经网络的参数进行优化;结合实际工艺,对所建预测模型进行仿真研究,实验结果表明,建立的预测模型具有较好的泛化能力和较高的自学习能力,并具有较好预测精度,能为分解率的在线及优化控制提供指导。     

基于组合模型的农产品物价预测算法

当今时代,科学技术高速发展,涌现出一批新技术,数据挖掘、机器学习等新科学领域被深入研究,众多智能算法逐渐出现,同时被应用到了不同的领域中.本文构建了一种基于BP （Back Propagation）神经网络和SVR （Support Vector Regression）支持向量回归机的组合模型.依托于农产品价格数据进行实例验证分析,结果表明相对于单一的预测模型,BP-SVR-BP组合模型在预测精度上有了很大的提升,拟合效果更加逼近真实数据曲线,能够客观真实的反应农产品物价变化规律.     

融合传递熵的图神经网络农产品期货预测模型

针对农产品期货价格波动的非线性及国内外期货产品的联动性特征,考虑到传统神经网络预测模型未能针对多源输入变量间的因果关系进行定量表征,构建融合传递熵的图神经网络预测模型。通过计算传递熵表示节点间的邻接矩阵,作为先验信息识别变量间的因果关系;设置多尺寸滤波器的时间卷积模块提取节点特征,用于识别序列时间依赖性;设置图卷积模块实现对节点信息及其邻域信息的传播与特征筛选,最后连接参数,输出最终的预测结果。在大豆期货数据上的实证研究表明,相较于现有的通用预测模型,该模型能够实现最佳的预测效果。     

基于ARIMA-BP组合模型的房地产价格预测方法研究

针对使用单一预测模型存在数据特征提取不充分,预测精度不高的问题,提出了一种基于ARIMA-BP组合模型的房地产价格预测方法。结合ARIMA模型处理线性问题的优势以及BP神经网络模型在非线性问题上的优势,利用误差方差加权平均训练法训练出最佳权重的组合并建立组合模型对某市区房地产价格和趋势预测进行实证分析。理论分析和实验结果表明,所提两者的组合模型有效解决了不能充分提取数据特征,预测精度不理想的问题,比单一预测模型能获得更准确的预测效果。     

基于遗传退火三次指数平滑的期货预测研究

为更准确地对期货价格进行预测分析,提出了一种对三次指数平滑法的平滑初值和平滑参数值进行自适应选取的预测方法.该方法根据样本预测误差平方和最小来自适应地调整平滑参数与平滑初值,以避免对其进行主观选取,并将此方法应用于期货价格的预测中.实验结果表明,该方法与单独的三次指数平滑法相比,对于期货价格预测的准确率有所提高,可以得到比较有效的预测值.     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于SVM的IPO首日投资策略分析

将支持向量机方法应用于新股IPO首日价格变动的预测,预测效果令人满意．目前的股票价格预测研究都局限于通过已知的时间序列来预测将来的时间序列,这类模型对于预测没有历史时间序列的新股IPO无能为力,因此基于支持向量机的新股IPO价格预测模型对股票价格研究有着重要的参考价值．     

MTICA-AEO-SVR股票价格预测模型

为了改善传统Fast ICA算法的稳定性和分离效率,基于Tukey M估计构造了一种新的非线性函数,提出了MTICA算法;并在此基础上结合SVR算法,建立了一种新的MTICA-AEO-SVR股票价格预测模型。用MTICA算法将原始股票数据分解为独立分量进行排序去噪,选择不同的SVR模型分别对各独立分量和股票价格进行预测。在SVR算法中引入了人工生态系统优化算法（AEO）选参,提高了模型的预测精度。通过对上证B股指数的实证分析,结果表明,MTICA-AEO-SVR模型比ICA-AEO-SVR模型和ICA-SVR模型更准确和高效。     

基于KNN-ANN算法的边际电价预测

在电力市场中,价格一直受到买卖双方的广泛关注。但是,电价影响因素的不确定性给电价的预测带来难度。针对该问题,提出一种通过结合人工神经网络和KNN算法来进行时间序列预测的模型,用KNN算法找出历史数据中相似的数据子序列集合(最近邻),并用人工神经网络来寻找这些最近邻的最优权重,得出预测的时间序列。以美国纽约州电力市场的电价数据进行实验分析,同时比较了利用ARIMA算法以及Naive I预测的结果,证明该方法简单、有效。     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

基于组合预测模型的产业总产值的预测研究

对于预测复杂的经济数据来说,选取合适的预测模型将是提高预测精度的关键。本文采用灰色模型与回归模 型的组合预测模型对贵州省高技术产业总产值进行预测,利用了组合模型可以改善线性回归模型中没有考虑指数增长以及灰 色模型中没有考虑线性因素的不足,从而达到提高预测精度的目的。并进行了计算机数值仿真实验表明了组合预测模型的有 效性。