基于支持向量机的股票价格预测研究

在股市投资测试问题的研究中,股价是一种高度不稳定、复杂且难以预测的时间序列数据,传统预测方法都是基于线性模型,忽略了股价的非线性特征,导致预测精度不高.为解决股价预测过程中的精度不高的难题,提出支持向量机引入到股价预测的建模中.首先采用支持向量机非线性扩展样本对时间序列模型定阶,并利用前向浮动特征筛选法选择特征,建立基于支持向量机的股市预测系统模型,对股价进行仿真实验.仿真结果表明,支持向量机模型比神经网络和CAR模型有较高的预测精度,证明适用于股市预测等非线性问题的预测,且有较高的精确度和应用价值.     

空中交通流量预测建模与仿真研究

研究空中交通流量预测问题,由于航空流量密集,流量增大,造成延误.同时空中交通流量变化具有非线性、时变性等特点.根据线性传统预测方法不能准确描述交通流量变化规律,导致空中交通流量预测精度低.为了提高空中交通流量预测精度,提出一种灰色预测和支持向量机相结合的空中交通流量混合预测模型.混合预测模型先采用灰色模型对空中交通流量线性部分进行预测,然后采用支持向量机非线性部分进行预测,最后将两者结果相融合得到最终预测结果.仿真结果表明,混合模型提高了空中交通流量预测精度,克服了传统预测模型缺陷,为空中交通流量预测提供了依据和有效的方法.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性。对此,提出基于ARIMA和LSTM混合模型进行时间序列预测。应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将贝叶斯优化算法用于选择深度LSTM模型的超参数。实验结果表明,与其他混合模型相比,该模型在五种不同时间序列预测中能够有效提高预测精度。     

飞机飞行事故率预测建模与仿真研究

研究飞机飞行事故率准确预测问题,飞行事故率的变化受到自然资源、环境、经济、社会和科技等多种因素影响,因素间关系复杂,导致飞行事故率的非线性变化,传统或单一预测方法难以获得较高的预测精度.为了提高飞行事故率预测精度,提出一种时间序列法和支持向量机组合的飞行事故率预测模型.模型首先分别用时间序列法和支持向量机对飞行事故率的规律发生部分和随机变化部分预测,采用线性回归确定两个预测结果的权值,通过权值计算获得飞行事故率预测结果.仿真结果表明,组合模型有效提高了飞行事故率预测精度,可为航空安全管理提供了有效的预测方法.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的。为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型。针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较。实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

基于小波支持向量机的混沌时序预测算法

研究混沌时间序列预测问题,混沌时间序列是一种特殊时间序列,具有高度非线性、混沌性和时变性,传统预测方法精度低。为了提高混沌时间序列预测的精度,提出一种采用小波支持向量机的混沌时间序列预测算法。首先采用相空重构对混沌时间序列进行重构,捕捉时间序列变化轨迹,然后采用小波支持向量机对非线性、混沌性变化规律进行预测,最后采用Lorenz混沌时间序列进行仿真。结果表明,相对于传统预测方法,小波支持向量机提高了混沌时间序列预测精度,降低预测误差,为混沌时间序列提供了一种有效的准确预测途径。     

基于灰色支持向量机的城市用水量预测研究

研究城市用水量预测问题,城市需水量具有非线性和随机波动性,城市供水系统是复杂系统,传统灰色模型或支持向量机均无法进行准确预测。为更准确预测城市用水量,建立灰色支持向量机的城市用水量预测模型,以提高预测精度。首先采用灰色模型和支持向量机对城市用水量预测,然后采用多元线性回归确定模型权重系数,最后得到了灰色支持向量机的城市用水量预测结果。仿真结果表明,灰色支持向量机提高了城市用水量的预测精度,预测误差小于单一灰色模型和支持向量机。灰色支持向量机更好地反映出城市用水量变化的总体趋势,可为城市供水系统预测提供参考。     

电梯客流量预测算法的仿真研究

研究电梯客流量准确预测问题,电梯客流量受到节假日、上下班等影响,具有非线性、随性时等复杂特点,单一预测方法不能准确描述复杂变化规律,导致电梯客流量预测精度低.为了提高电梯客流量预测精度,提出一种灰色预测型和最小二乘支持向量机相结合的电梯客流量预测模型.首先分别采用灰色模型和最小二乘支持向量机对客流量线性和线性变化规律进行预测,然后采用线性回归确定两种预测结果的权重,最后根据权重得到电梯客流量预测结果.仿真结果表明,相对单一预测模型,模型克服了传统模型缺陷,提高了电梯客流量预测精度.