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.     

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。     

基于集成ARIMA模型与BP神经网络的锂电池容量预测

锂离子动力电池是当前新能源汽车的主要储能方式,其容量预测非常重要。本文提出了一种利用差分整合移动平均自回归（ARIMA）模型和反向传播（BP）神经网络集成的方法来预测锂电池容量。首先,建立ARIMA模型,预测前期电池充放电容量数据;随后,建立相关的BP神经网络模型进行长期预测。用500组中的前420组数据预测后80组,预测结果实现R≈0.9,表示BP神经网络非常适合预测长期的锂电池容量数据。最后,利用安庆师范大学动力电池实验室提供的锂电池对提出的方法进行测试,实验误差在±5%以内,拟合值效果覆盖值也大于85%,预测效果良好。     

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。     

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...     

基于ARIMA模型的黄金价格实证分析

本研究以2011年10月至2014年2月的上海黄金交易所黄金Au100g每日的加权平均价为例,以时间序列的相关理论为基础,建立ARIMA(2,1,0)模型对黄金价格的走势进行实证分析,并对2014年3月至2014年5月的数据进行短期预测.实验结果表明,ARIMA(2,1,0)模型能够比较准确地刻画黄金价格的动态走势,这为中国黄金投资者更好地预测黄金市场的行情提供了一个可行的方法,也为他们理性地投资黄金提供了一个理论依据.     

基于ARIMA模型的国内生产总值预测

本文通过对1952年以来的各年度GDP数据进行数学建模,利用ARIMA模型对年度GDP进行了预测。实验结果表明：ARIMA模型对GDP年度数据预测的一步预测相对误差可以保持在3%以内,具有较高的预测精度。     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于ARIMA模型的中国消费者价格指数时间序列分析

依据CPI能反映与居民生活有关的商品和劳务价格变动的宏观经济指标,借助EVIEWS软件,采用1990年1月至2009年11月中国消费者价格指数的月度数据,建立乘积季节ARIMA时间序列模型,并分析了中国消费价格指数随时间推移的变化规律。研究结果表明:中国消费者价格指数的发展变化情况具有明显的趋势性和季节性。根据这一结果,结合现实提出建议,希望政府能在制定政策时要遵循客观的原则。     

一种新的组合灰色神经网络预测模型

对GM（1，1）灰色和几种灰色组合模型进行了讨论，针对多个相关序列预测的问题，提出了组合灰色GM（1，1）神经网络预测模型。此方法采用灰色模型对各序列进行预测，然后利用神经网络对预测值进行校正，得到最终预测值。实例表明此种模型在实际应用中的确能够提高预测精度。     

湖北省人均 GDP 的 ARIMA 模型及预测

介绍求和自回归移动平均模型ARIMA（p,d,q）的模型拟合方法,利用SAS统计软件实现模型的拟合。采用时间序列分析方法,对湖北省1978～2013年人均GDP的数据进行分析。通过对数据平稳性检验、模型参数检验、白噪声检验等分析,建立了ARIMA（1,1,0）时间序列模型,并对未来十年的湖北省人均GDP数据进行预报。     

基于BP神经网络的建筑施工事故非线性组合预测

以建筑行业百万元产值死亡率为预测对象,建立了非线性回归模型、三次指数平滑模型、灰色模型、线性组合预测模型和基于BP神经网络的非线性组合预测模型.结果表明,该非线性组合预测模型的拟合及预测精度均较其它模型有明显提高,能够有效地综合利用各单项预测模型所提供的信息,证明了该模型适用于对建筑施工事故的宏观预测,为非线性组合预测模型的构建提供新的思路.应用该模型对2014-2016年全国建筑施工百万元死亡率进行预测,计算结果表明,未来几年建筑业安全生产将会保持在一个较稳定的水平.     

基于滚动极值处理的BP神经网络方法的WRF模式预报风速订正

为解决风速预报准确性问题,提高风能利用率,应用滚动的BP神经网络方法结合对极值的处理,对我国某风电场2007年4—11月的WRF模式预报风速结果进行了滚动订正研究。结果表明,经过1 h、12 h、24 h时间步长的滚动极值BP神经网络方法订正后,风电机组轮毂高度70 m处订正风速的相对均方根误差平均值分别减少16.59%、12.11%和11.61%,相对平均绝对误差平均值分别减少13.81%、11.09%和10.37%;且以时间步长为1h的滚动极值处理的BP神经网络订正效果最好,预报风速更趋近于实测风速,预报精度明显提高。     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型

通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据,分析土壤传质过程的逻辑关系,构建了碳钢短期土壤腐蚀预测模型. 通过用该模型在BP人工神经网络中进行学习、训练及模拟,并与现场碳钢埋片腐蚀实验结果对比,进一步验证了腐蚀模型的合理性. 结果表明:含水量、空气容量、pH、Cl~-含量、SO_4~(2-)含量和可溶盐总量六种土壤环境参数为影响区域土壤中碳钢腐蚀的主要因素;运用基于Matlab平台的人工神经网络,通过不断地积累土壤腐蚀信息,多次训练后可以建立起稳定性好、泛化能力强的土壤腐蚀预测模型,能较好地预测了大庆地区碳钢在土壤中的腐蚀速率.     

基于BP神经网络的供应商选择研究

供应商的选择在整个物流系统中占有非常重要的地位.本文建立了基于BP神经网络的供应商评价指标体系,给出了BP神经网络的评价模型,并结合算例进行分析.实例证明,该方法是可行的.     

基于改进神经网络的GDP时间序列预测

由于GDP时间序列具有线性和非线性的特征,神经网络(NN)方法和集成预测方法等在预测分析时可能产生较大误差.以GDP的年增长率作为神经网络的输入,建立基于BPNN的GDP预测模型.利用此改进BPNN模型对我国的GDP进行预测和验证,并分别与ARIMA-BP集成模型及BPNN模型进行比较.结果表明,改进的BPNN模型预测...     

基于BP神经网络的集群负载预测器

针对由于作业调入调出引起的负载突变,提出了基于通知机制的反传(BP)网络和动态滑动窗口混合预测方法,设计并实现了基于神经网络的负载预测器.该方法在发生突变时,利用动态滑动窗口均值法预测并重新训练样本,训练结束后使用新的BP模型预测.其通知机制能减少预测器的样本识别时间,模型保存机制提供了无需训练样本的机会.测试结果表明,该预测器具有较好的预测精度,能够将大部分预测值的平均误差控制在5%以内,并快速适应突变事件.