人工鱼群算法优化支持向量机的物流需求预测模型研究

物流需求受多种因素的作用,具有时变性和混沌性,针对当前支持向量机的参数优化难题,提出一种改进人工鱼群算浅优化支持向量机的物流需求预测模型.首先对原始物流需求数据进行混沌分析,挖掘出隐藏其中的物流需求变化规律,然后采用支持向量机对物流需求数据进行非线性建模,并采用人工鱼群算法搜索支持向量机的参数,最后利用某地区物流数据与当前经典模型进行性能对比测试.结果表明,模型预测精度.更高,更加客观地反映了物流需求变化特性.     

基于支持向量机的飞行事故率预测模型

飞行事故率是表征飞行安全水平的重要指标,其预测是典型的小样本问题.针对目前飞行事故率预测中存在的预测精度不高的问题,提出了一种基于回归支持向量机的飞行事故率预测建模方法.最后结合实际算例,采用SVR进行了飞行事故率预测建模并把预测结果与灰色预测和灰色马尔柯夫链预测进行了对比.仿真结果表明SVR具有很高的建模精度和泛化能力,从而验证了采用SVR进行航空飞行事故率预测的合理性和先进性.     

基于支持向量回归机的交通状态短时预测和北京某区域实例分析

根据基于支持向量回归机的交通状态短时预测方法建立了数学模型,考虑以交通检测器收集到所要预测时刻前几个时段及被测路段上下游前几时段的交通流量、车道占有率、平均线速度等交通参数为输入,以对应时段的平均线速度为输出.选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,利用输入参数预测下时段的交通线速度.最后,以北京市北四环某路段的实时监测数据来对模型进行检测,预测结果表明了模型的有效性.     

基于GA-SVR算法的淀粉价格预测研究

近年来我国淀粉产业迅速发展,给相关企业带来了巨大经济效益的同时,由于其情况复杂,致使相关企业无法正确掌控淀粉价格的走势,也造成了大量的经济损失.因此,寻找一种科学的、高效的淀粉价格预测方法已成为当务之急.将遗传算法(GA)与回归型支持向量机(SVR)相融合,建立了GA-SVR淀粉价格预测模型.对2003-2011年淀粉价格进行仿真预测,结果表明,模型的决定系数和均方误差均优于其它方法,验证了模型的有效性与优势.     

基于统计方法的神经网络预测模型研究

与现有网络结构设计方法不同,本文将RBF网络解释为解释变量和被解释变量之间的一个非线性函数,基于RBF网络的学习动态特性提出2种修剪模型WRBF和TRBF。这两种模型根据参数显著性增加和删减节点,为网络结构设计提供了理论依据。对中国信贷序列预测的结果表明,这些模型能够识别外移、萎缩和衰减等冗余核函数,得到的精简网络具有最好的预测精度,对于提高货币政策前瞻性具有很好应用价值。     

基于组合预测模型的广东省第三产业产值预测

首先分析了影响广东省第三产业发展的主要因素,指出由于上述因素相互制约、相互影响,导致第三产业的发展呈现出高度的非线性特征,并使得单一的预测模型在预测效果和泛化能力方面难以胜任.在此基础上,提出了基于神经网络集成的组合预测模型,对广东省第三产业的发展进行预测,阐述了算法的基本原理和数据处理流程,实证分析表明:基于神经网络集成的组合预测模型要比单一预测模型的预测精度高.     

基于GMDH的LSSVM预测模型及其实证

自从Suykens提出新型统计理论学习方法-最小二乘支持向量机(LSSVM)以来,这种方法引起了广泛的关注,它在预测方面的良好性能得到了广泛应用.应用自组织数据挖掘(GMDH)方法改进LSSVM,提升了预测精度.首先利用GMDH方法选择有效的输入变量,再将这些变量作为LSSVM模型的输入,进行时间序列的预测,从而建立LSSVM和GMDH组合的混合模型GLSSVM.并通过汇率时间序列对本文模型进行了实证.结果表明,混合模型预测精度得到了明显的提高.     

增量式Huber-支持向量回归机算法研究

传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

安徽PM_(2.5)时空分布特征及预测模型的研究

为了解安徽省PM2.5分布特征、定量分析机器学习算法在预测PM2.5浓度方面的准确性.针对安徽省78个空气及气象监测站点的数据进行统计分析,并从时间因子、其它空气污染物浓度、气象因子三个方面,筛选出月、周、时,PM_(10)、CO、SO_2、N20,风速、气温、相对湿度、降水量、当前PM2.5浓度,共计12个自变量,利用K折交叉验证,分别构建基于支持向量机、神经网络的预测模型.表明安徽省PM2.5浓度总体呈现出北高南低,冬高夏低的特征,浓度值较高的月份出现在1、2、11、12,周变化规律各地有异同,时变化规律各地较为一致,8时至17时下降,其余时段上升.模拟结果显示支持向量机模型预测效果较好,其预测值与实测值的均方根误差控制在20以内,拟合指数在0.8以上.     

Short Term Forecasting: Horses for Courses

Within the British Gas Corporation the Headquarters Operational Research Department has assisted various clients with a range of short term forecasting problems. As a result, over the years considerable experience has been gained with the use of alternative forecasting procedures. The authors felt that it would be interesting to compare the usefulness of these alternative approaches, not as usual by their forecasting performance measured in terms of some statistical parameter, but rather in terms of some qualitative factors. Amongst these we identify the objectives of the forecaster, nature of the environment, ease of use and nature of the time series itself. Such factors we believe may well be more important than the forecasting performance as determined by strictly statistical measures. This paper discusses, in these terms, our experience of using alternative forecasting models for appliance sales and gas sendout forecasting problems.     

基于残差修正灰色预测模型的北京市道路交通事故预测分析

社会机动车使用量的增加带来的道路交通安全问题日益突出.对北京市道路交通事故预测进行了研究.采用灰色GM(1,1)预测模型对北京市城市道路交通事故进行了预测,并根据预测结果精度等级进行了残差修正,得出了具有科学性的预测结果.此外,通过灰色关联度分析对北京市交通事故的各相关因素进行了比较,为交通管理部门有效地控制交通事故的发生提供参考.     

基于预测精度的多目标组合预测优化模型研究

考虑了组合预测精度的数学期望和预测精度的标准差这两个指标 ,建立了多目标规划组合预测最优化模型 ,并给出其数学规划的解法 .最后进行实例分析 ,结果令人满意 .该模型能反映不同时间序列预测方法有效性     

基于粒子群的模糊神经网络的短时交通流量组合预测

为了进一步提高短时交通流量预测的精度,提出了一种粒子群算法的模糊神经网络组合预测模型,模糊神经网络融合了神经网络的学习机制和模糊系统的语言推理能力等优点,弥补各自不足,将自回归求和滑动平均(ARIMA)和灰色Verhulst模型进行初步预测,并将两种初步预测的结果作为模糊神经网络的输入,构建基于改进模神经网络的组合预测模型,在此基础上进行训练和预测,其中模糊神经网络的相关参数由改进粒子群来优化,利用本方法来对南京市汉中路短时交通流量进行预测,结论表明:方法充分发挥了单一模型的优势,比单一的预测模型更加精确,是短时交通流量预测的一个有效方法。     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

径流中长期预报模糊识别优化模型及应用

对水文中长期预报模糊识别方法进一步研究,基于模糊环境下的目标函数,提出了具有主观监督因子和稳定系数的模糊识别预报模型.根据已知样本的最优模糊划分建立预报模型,利用已知样本的指标和样本的最优模糊划分计算预报模型的参数,给定模型的稳定系数,再通过调整主观监督因子对预报模型参数进行优化.径流中长期预报实例的模型检验平均相对误差为7.84%.     

基于非对称双成份CARR模型的波动率预测

研究表明,基于日内(高低价)数据构建的价格极差测度相比日度收益率包含更多关于真实波动率的信息,同时,波动率具有聚集性、非对称性和长记忆性等丰富、复杂的典型特征,综合考虑这些特征对波动率进行建模与预测非常重要。本文在对价格极差建模的CARR模型的基础上,对其进行扩展,构建了双成份CARR (CCARR)模型来对波动率进行预测。该模型假设价格极差的条件均值由两个成份组成,即长期成份与短期成份.该模型能够捕获波动率长记忆性,且容易进一步扩展为非对称CCARR (ACCARR)模型来捕获杠杆效应(波动率非对称性)。(A)CCARR模型具有较高的建模灵活性,且易于实现。采用上证综合指数、香港恒生指数、日本Nikkei225指数、法国CAC40指数和德国DAX指数数据进行实证分析,以价格极差与已实现波动率(RV)作为比较基准,四种预测评价指标及Mincer-Zarnowitz检验结果表明:杠杆效应与双成份极差(波动率)都对样本外波动率预测具有重要影响,且杠杆效应相比双成份极差对于样本外波动率预测的影响更大;考虑了杠杆效应的双成份ACCARR模型具有最好的样本外波动率预测效果,其次是ACARR模型,CARR模型表现最差。     

基于双因子已实现GARCH模型的波动率预测研究

准确地预测金融市场的波动率对市场管理者和参与者而言都是至关重要的。本文在标准已实现GARCH模型基础上,将条件方差乘性分解为长期方差和短期方差两部分,分别构造包含杠杆函数的长期方差方程和短期方差方程,用以捕捉波动率的长记忆性和短期微观波动。运用上证综指和日经指数的日收盘价、已实现方差和已实现核波动此类高频数据进行实证分析,结果表明:与标准已实现GARCH模型相比,两指数的双因子已实现GARCH模型在样本内表现出更大的似然估计值;通过样本外误差函数分析和DM检验,双因子已实现GARCH模型也取得更好表现。     

基于自适应延时神经网络的短时交通流预测

为了提高交通流诱导系统的性能,研究了一种基于自适应延时神经网络算法的短时交通流量预测模型,该算法与传统的神经网络方法相比在神经网络的结构和神经网络的训练方法两个方面进行了改进,更适用于预测具有不确定性、非线性、动态性等特征的短时交通流,同时用Matlab7.0编写程序对算法进行了仿真实现,根据仿真结果的分析验证了算法时实性和精确性.     

基于变系数回归模型的石油价格预测

石油作为不可或缺的能源和化工原料,在国民经济生产运行中占据重要地位.石油也是一种战略物资,在国防和国家安全领域发挥着不可替代的作用.因此,对国际市场上的石油价格波动进行预测,具有十分重要的意义。本文采用变系数回归模型,以WTI原油现货价格为例,进行了未来4个季度的季度平均价格预测.