基于示例的组合预测方法*

本文提出了一种基于示倒的组合预测方法，强调知识方法和数学方法的结合，提出了种算法和组合预测框架，并结合实验数据讨论了预测结果．分析了不同预测方法的不足．     

一种灰色极限学习机预测方法

预测是一种根据已知数据在过去一定时间段内呈现出的发展的规律性对未来发展趋势进行描述的行为.近年来,预测被应用到很多领域,如电价预测、股票价格预测和气象预测等.然而传统的预测方法由于其精度不高或速度不快等问题,无法满足当今预测领域的需求.针对传统预测方法存在的问题,基于组合预测的思想,结合强化学习的累积函数的概念,提出了结合灰色预测模型和极限学习机的组合预测方法.算法在微软股票信息、Mackey-Glass时间序列数据和台湾液晶屏制造业的制造数据等实验数据集上进行了相关实验,结果表明该算法是有效的.     

模糊逻辑系统的非线性组合预测方法与系统误差分析研究

本文提出一种基于模糊逻辑系统的组合预测方法。其基本思想是利用模糊系统的万能逼近特性,采用模糊Taki Sugeno模型来进行非线性组合预测函数的φ（x）模拟。这种全新的组合预测方法不仅降低了构造非线性组合预测函数φ（x）的难度,而且使预测精度大大提高。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于遗传算法的交通流量组合预测研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统的关键技术之一，也是实现智能交通诱导及控制的前提。本文首先对几种重要的交通流量预测模型的理论和优缺点进行了比较，分析了影响预测模型的因素，然后提出了一种基于遗传算法的流量组合预测方法，该方法利用遗传算法群体搜索的特点，组合各种算法，优化预测思路，充分发掘不同算法的差异优势，实践证明该思路是切实有效的。     

模糊组合神经网络智能选股模型的建立

针对传统的股票市场预测模型,为了准确地预测股票价格趋势、为广大投资者规避风险,应用模糊逻辑和组合神经网络,利用贝叶斯统计学与组合理论使二者有机结合,提出一种股票市场建模及预测方法。组合神经网络结合BP网络和径向基函数网络(RBF),神经元模糊系统有更强的学习和推理机制,能避免黑箱问题。实证研究结果表明,该方法有较高的预测精度和更好的稳定性。     

基于三维依赖矩阵的故障预测策略设计

针对不同基于状态监测的故障预测方法难以在一个平台下集成和组合的问题,设计了基于故障、测试、衰退信息三维依赖矩阵的故障预测策略设计框架,在框架内给出了故障预测需求设计和预测用测试选择的基本方法,并在灰色预测和支持向量回归预测的基础上,通过融合粒子群和声算法给出了一种灰色支持向量回归智能组合衰退趋势预测分析方法,结合故障预测实例验证了所给方法的有效性和准确性.     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

基于小波支持向量机的非线性组合预测方法研究

基于支持向量机（SVM）核方法和小波框架理论，提出了一种称为小波支持向量机（Wavelet Support Vector Machines, WSVM）的新的机器学习方法，并把这种方法应用于组合预测，得到了一种基于WSVM的非线性组合预测新模型，然后给出了此模型的结构设计和实现算法．通过仿真实验，把该方法与小波神经网络等方法相比较，得到了更好的实验结果，从而验证了该方法的正确性和有效性．     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

基于分步特征提取和组合分类器的电信客户流失预测模型

针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题,结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力,提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先,基于Fisher比率从原始特征集合中提取具有较高判别能力的特征;其次,采用预测风险准则进一步选取对分类模型预测效果影响较大的特征;最后,构建基于平均概率输出和加权概率输出的组合分类器,以进一步提高客户流失预测效果。实验结果表明,相对于单步特征提取和单分类器模型,该方法能够提高对客户流失预测的效果。     

基于改进变权重组合预测模型的产品销售预测

通过分析汽车产品销售时序的特性引入组合预测理论,提出了一种改进的变权重组合预测模型并给出了变权重系数的求取方法。然后针对小样本、多维、多峰、非线性的销售时序特点,采用了基于支持向量机的三种单项预测方法。再通过实例分析显示基于改进变权重组合预测模型的预测精度高于单项预测模型和普通变权重组合预测模型。最后进行了汽车销售时序预测表明基于改进变权重组合预测模型的产品销售预测方法是有效和可行的。     

基于变精度粗糙集理论的组合预测方法研究

组合预测的关键是确定各个单模型预测方法的加权系数。文章首先给出了一种基于标准粗糙集理论的组合预测方法,将加权系数确定问题转化为标准粗糙集理论中属性重要性评价问题,通过引入目标函数,提出了一种基于变精度粗糙集理论的寻找组合预测加权系数的新方法。仿真实验表明,基于变精度粗糙集理论的组合预测方法计算量小,不带有主观性,预测精度高。     

全局时变权组合预测方法

文章提出了一种新的组合预测方法—全局时变权组合预测方法。这种组合预测方法根据以往的全部历史数据,利用数值计算的手段决定组合系数函数中的参数,于是组合系数随时间的推移而变化。这种组合预测方法既能充分利用历史数据,又可以同时跟踪变量的时变特性。     

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。     

基于组合预测模型的股票价格趋势预测

针对股票市场高度非线性的特点,单一预测模型很难描述出股票价格趋势的整体特征,提出了一种金融时序预测的组合预测模型。首先,利用自回归移动模型(ARIMA)对股票价格线性趋势进行预测。然后,利用回归支持向量机(SVR)模型对非线性随机变化规律进行预测。最后,采用模糊时变权重方式对两种模型进行结合,得到一种综合考虑股票价格线性和非线性的预测模型。仿真结果显示,组合预测模型取得了令人满意的效果。     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

船用燃气轮机状态趋势预测算法研究

燃气轮机是船舶动力系统的重要组成部分,为了提高船舶性能,需对其进行状态趋势预测;首先研究了常用的几种预测算法,总结了各自优缺点和适用范围,对常见预测方法的技术特点进行了详细分析;为提高船用燃气轮机状态预测精度,提出了组合优选和虚拟预测的思想,通过研究组合预测方法实现了燃汽轮机状态的趋势预测,验证了组合优选和虚拟预测的可操作性和正确性,将预测结果同直接预测相比较,验证了其优越性。     

基于股价指数预测的仿真研究

研究股价预测问题,针对股价指数具有不稳定和时变性,单一预测方法预测准确度低、误差过大,为提高预测精度,消除噪声,提出一种小波分析的自回归滑动平均(ARIMA)与BP神经网络(BPNN)相结合的股价指数组合预测方法.组合预测方法首先采用小波分析对股价原始数据进行分解和重构,股价数据经过小波处理后,变成线性和非线性两部分,采用ARIMA和BPNN分别对线性部分和非线部分进行预测,最后组合两者预测结果得到股价指数最终预测结果,用上证A股的收盘指数数据对组合预测方法进行了验证测试,实验结果表明组合预测方法比单一预测方法预测准确度高,误差小,在股价指数预测中具有广泛的应用前景,可为股市提供参考.     

基于近似熵测度的变权组合预测方法

提出一种基于近似熵测度的变权组合预测方法.首先,不同于传统的预测效果评价准则,从衡量样本序列复杂性的角度出发,以预测值误差序列的近似熵测度为评价效果准则,建立变权组合预测优化模型;然后,在变权组合预测权值分配问题上,为克服常规的均值估计法和回归分析法的不足,采用在线最小二乘支持向量机(LS-SVM)回归法,实现预测点加权系数的准确预测;最后,通过实例表明了该方法的可行性和有效性.