时间序列指数平滑模型新体系及算法

本文提出了动态平滑参数的概念，由此建立了一类不需选取平滑初值、带有动态平滑参数的指数平滑新模型体系，包括差分一指数平滑模型；又以预测误差平方和SSE最小为目标，构造了优选并自动生成最佳平滑参数使平滑模型得以优化的最速下降算法，增强了指数平滑模型对时间序列的适应能力．从而较完整的解决了指数平滑预测中，平滑参数靠经验确定且为静态、平滑初值难以确定并易导致预测偏差等问题．     

基于灰色系统的支持向量回归预测方法

根据部分时间序列数据贫信息、高噪声和非线性等特点,采用含边值修正的灰色模型进行预测,获取残差序列后运用支持向量回归（SVR）方法对模型进行残差修正得到复合的灰色支持向量回归模型．在支持向量回归中构造具有自适用性的动态惩罚参数G替代传统SVR中的不变参数来提高模型的准确性,同时构造算法决定￡以平滑过度调节．广东省工业生产指数的预测试验结果表明,复合模型具有比其他简单模型更理想的预测效果．     

半参数回归模型在空气质量指数分析和预测中的应用

根据2013年6月到2013年8月年武汉市一个检测点有关空气质量指数的数据,运用半参数回归模型对空气质量指数进行拟合,得到了空气质量指数与各有关指标的关系．实证分析表明,半参数回归模型拟合比较准确,预测结果也比较理想．     

组合预测方法在大气环境评价中的应用

李振亮．组合预测方法在大气环境评价中的应用．数理统计与管理，１９９７，１６（４），１２～１５．本文利用组合预测理论和方法，建立了一种大气环境质量评价的组合模型。实例分析表明，该组合评价模型具有利用各单一评价模型提供的信息和集中各单一模型的优点，是一种稳健和优化的环境质量评价模型。     

测算具有方向技术效率的DEA方法

本文总结了现有技术效率的主要测算方法，借鉴定向技术距离函数思想，结合DEA思路，提出了一种新的用于技术效率指数测算的模型，并进一步探讨了如何识别决策单元的技术有效性和如何改进非技术有效决策单元的问题．着重分析了该技术效率指数模型与L型技术效率指数的关系，指出该模型是L型技术效率指数模型的一般形式．     

一种新的昆虫神经网络预测预报方法

昆虫预测预报是植物保护中的一个困难问题．本文首先从系统的观点出发，分析了影响昆虫种群密度的主要因素；在研究传统时间序列模型共性的基础上，给出了广义时间序列模型；提出了一种新的昆虫预测模式—神经网络预测预报方法；用此方法对棉田害虫烟蓟马进行了预报，数值结果表明这是一种很好的预测预报方法，预测精度较其它方法都有很大提高．     

基于网络搜索信息的多模态数据驱动航空客流集成预测

为了对机场旅客吞吐量进行更高精度的预测，提出了一种基于网络搜索信息的“分解-重构-集成”组合预测新方法。首先，采用平均影响值和时差相关分析法对机场旅客吞吐量相关的网络搜索关键词进行筛选，合成综合搜索指数。其次，利用改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)方法分别将机场旅客吞吐量和综合搜索指数分解为若干子模态序列，依据子序列的样本熵值重构为高、中、低频序列。以搜索指数中的不同频率成分作为辅助输入信息，分别对机场旅客吞吐量的高频和中频序列采用麻雀搜索算法优化的BP神经网络(SSA-BP)模型进行预测，而低频序列采用自回归分布滞后模型进行预测，最后将不同频率序列预测值用SSA-BP模型进行综合集成得到最终的预测值。通过实证发现，该组合预测新方法能显著提高预测的精度，并表现出较好的鲁棒性。     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

房产需求量中的若干数学模型和研究

本文是继2006年研究项目“上海市基础房价走势”后的又一后续课题．其宗旨是研究、预测2007年上海市住宅需求量．基于易居（中国）房地产研究院所提供的数据，本文在数据相关性分析基础上，建立了二个预测模型，每个模型分别用2种方法得出结果，以便验证并消除系统误差．模型一：回归模型．分别利用主成分分析基础上的回归以及逐步回归法．模型二：核密度函数模型．通过核估计以及核回归，进行预测．本文模型具有一定的可操作性，使用简便．所得结果得到有关专家的论证和确认．     

利用季节指数修正指数平滑预测值对公路客运量进行预测

利用季节指数修正指数平滑预测值对公路客运量进行预测纪跃芝（吉林工学院基础部，长春１３００１２）公路客运量的预测，按时间长短分为短期、中期和长期预测．短期预测是制定年度、季度运输生产计划的基础，而中期（３—５年）和长期预测是制定企业经营运输方针、企业技...     

化肥需要量灰色预测模型参数的四阶求法

针对文[1]化肥需要量灰色预测模型误差较大且预测结果与定性分析矛盾的问题，本文提出和应用了确定Verhulst模型参数的四阶方法．并重新合理配置建模数据而得一预测模型．计算表明新模型与实际值的拟合精度提高近十倍，而且预测结果与定性分析完全一致．     

基于灰导数和预测系数的GM（1,1）优化模型

针对GM（1,1）模型的适用范围是近指数情况,提出了将优化灰导数与利用原始序列模拟的相对误差平方和最小估计预测系数c相结合的方法,从而得到一种简化计算的新GM（1,1）优化模型,该模型的预测公式x（0）（k）=ce-ak在形式上比较简洁,并且经严格指数序列从理论上验证了参数a具有白化指数律重合性,预测系数c具有白化系数重合性.     

基于MCMC算法的时变Copula-GARCH-M-t模型及组合风险预测

为了准确地量化资产之间的时变相依结构和预测组合风险,本文考虑到投资者对资产风险偏好的差异,假设资产收益率序列的新息服从标准t分布,提出时变Copula-GARCH-M-t模型,推导了模型参数的两步MCMC估计方法,还得到了组合风险(VaR和CVaR)的一步预测方法。最后选取上证综合指数和标准普尔500指数,验证了所提模型及方法的可行性和优越性,同时该模型较为准确地量化了两指数在次贷危机后的时变相依结构特征。     

灰色理论和BP神经网络在大学生就业信心指数预测中的应用

采用大学生就业信心指数来分析预测其就业信心是值得研究的问题.提出一种灰色理论和BP神经网络相结合的方法对大学生就业信心指数进行预测.首先对影响就业信心的主要因素建立不同的灰色模型,然后将每个灰色模型的预测值作为神经网络的输入,利用神经网络进行组合预测以作为其最终的预测值.结果表明组合模型的预测值相对误差更小,精度更高.     

广义预测误差方差分解及其在证券市场冲击传递性研究中的应用

方差分解是向量自回归模型中研究各变量的冲击对所有内生变量预测误差贡献的方法。文章介绍了广义预测误差方差分解,同传统的正交预测误差方差分解相比,这种方法的特点是不受向量自回归模型中变量排序的影响。文章利用广义方差分解研究了沪市各个分类指数之间的关系,显示了系统冲击在各个行业指数之间传递的特点。     

Sargent改进的Powell方法在桥梁沉降基础预测中的应用

Sargent改进的Powell方法是曲线拟合中的一种重要方法。本文利用这种方法针对蕴藻浜特大桥沉降中的实测数据给出了五种模型下的沉降预测,这些模型包括双曲线斜率倒数模型、Vander Veen指数模型、宇都一马指数模型、龚帕兹模型、以及波松曲线模型,并发现这种方法对波松旋回模型和灰色系统模型适用性不强。     

人口发展过程的预测

本文的目的是建立人口发展过程的预测理论和方法,主要包括人口发展过程的数学模型、各项人口指数的定义及其计算方法,并确定了初始条件、边界条件和各项参数.根据本文预测方法,文中首次全面预测了我国今后一百年内各项人口指数数据,最后还提出了关于平均期望寿命的计算公式.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

基于指数每日最高最低值预测的一种新方法

金融市场中有各种各样的指数,在做投资决策时需要对这些指数进行预测。在我国沪深300指数是第一个全面反映沪市、深市综合走势的指数,也是目前作为股指期货标的物的唯一指数,本文构建模型对沪深300指数日最高和最低值进行预测。文中分别使用普通误差修正模型(VECM)和基于广义异方差(GARCH)模型进行分向量估计的VECM对2005年4月8日至2010年3月19日的沪深300指数价格最高、最低值序列进行实证分析,做出相关预测,并利用相对误差对结果进行评价。结果表明,用基于GARCH模型的VECM获得的预测结果相对误差更小,预测也更加精确。     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.