Kohonen自组织网络在混沌时间序列预测中的应用

研究Ｋｏｈｏｎｅｎ自组织神经网络在构造径向基函数预测模型时的应用，并通过例子研究了混沌时间序列的短期预测和长期预测问题.     

短期电力负荷的小波——混沌时序预测

提出了一种基于2层小波分解的混沌时序相空间重构预测模型.该模型利用小波分解原始负荷时间序列为周期项、趋势项和随机项,采用不同的混沌相空间重构高低频信号,再分别用相应的小波神经网络工具箱拟合混沌吸引子,将其输出进行信号重构得到最终预测结果.该方法兼有频率特征提取和相空间重构的优点,使短期电力负荷时序列的动力学系统得到更加细致的恢复.通过对欧洲电力负荷竞赛数据的实验证明了所提方法的有效性,仿真结果表明方法预测精度优于常规混沌时序预测方法.针对神经网络预测不稳定的问题给出了一种种解决措施,并提出了一种小波神经网络工具箱,该方法比编程实现的小波网络可以大幅度提高训练速度,尤其适合于大批量数据的训练,对小波神经网络的推广应用和混沌时序预测具有重要意义.     

基于双重XGBoost模型的农产品期货波动率预测——以玉米期货为例

农产品期货的波动率在农产品衍生品定价、风险分散和农产品风险对冲等领域都起着关键性作用。对波动率进行预测，投资者可以依据波动率预测结果，对预期可能面临的风险采取相应的应对策略，更加精准地进行农产品风险管理。但波动率预测领域存在如下挑战：(1)波动率的预测期限较短，仅为1天或3天，难以反映资产在未来较长时间的价格波动率情况；(2)以往研究多关注于价格等信息，在波动率预测中对于基本面信息考虑较少；(3)神经网络、深度学习等预测模型的可解释性较差，网络构建和超参数的选择多依赖于经验选择。本文提出了一个基于XGBoost模型的波动率预测框架，考虑价格和基本面数据，对于波动率的长期趋势和短期变化进行了分析。实证结果表明，加入了更多信息维度的模型有助于提升波动率预测的精度，相比于传统的GARCH模型，均方误差MSE缩小了35%以上。     

Kohonen自组织网络在混沌时间序列预测中的应用(Ⅱ)

继续探讨 Kohonen自组织神经网络在构造径向基函数预测模型时的应用 ,研究了该模型对含有噪声的混沌时间序列的预测问题以及与嵌入维数的关系 .     

Kohonen自组织网络在混沌时间序列预测中的应用(Ⅱ)

继续探讨 Kohonen自组织神经网络在构造径向基函数预测模型时的应用 ,研究了该模型对含有噪声的混沌时间序列的预测问题以及与嵌入维数的关系 .     

基于SVM的入库径流混沌时间序列预测模型及应用

针对常用的入库径流混沌预测模型只能做短期预测,且需要大量样本数据的问题,将支持向量机理论与混沌预测理论相耦合,建立基于支持向量机的入库径流混沌时间序列预测模型,该模型利用混沌理论中的相空间重构技术将原始入库径流序列映射到一个高维相空间,以相空间中的相,占为基础构造训练样本和测试样本,然后利用支持向量机理论进行预测。经实例计算,模型比基于最大Lyapunov指数的混沌预测模型、人工神经网络模型和自回归模型拟合效果好,预测精度高,丰富和发展了入库径流预测理论和方法。     

股市预测中的小波神经网络方法

首先论述了股市时间序列中的明显随机性 ,可能是由于非线性确定性系统中混沌行为的缘故 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

基于生产间歇改进Elman的转炉煤气发生量预测

针对钢铁企业转炉煤气发生量间歇时长波动大,预测精度低的问题,基于生产间歇特征分类,提出基于混沌映射粒子群算法（CPSO）优化Elman神经网络的转炉煤气发生量预测模型（CPSO-Elman）。提取转炉煤气发生量时间序列中生产间歇特征,并根据间歇时长进行分类;引入经混沌扰动改进的PSO算法优化ENN的初始权值和阈值,利用非线性更新的惯性权重以平衡全局搜索与局部搜索能力,并在粒子初始化中添加了混沌映射;构建CPSO-Elman转炉煤气发生量组合预测模型;在预测未来时间内间歇时长基础上,预测转炉煤气发生量。仿真结果表明：所提方法在预测精度上比未经过优化而预测的方法提高了5%左右。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

金融危机背景下的人民币汇率预测

在为金融危机期间人民币汇率的波动提供一种有效的预测方法.在利用替代数据方法检验和判别汇率系统具有非线性结构的基础上,识别了各具体汇率序列的最优滞后期组合,并分别采用了多层感知机(MLP)和层反馈网络(RNN2)结构构建同质神经网络模型,从三个方面对比分析了模型群在不同参数条件下的预测效果. 研究发现,根据不同序列的具体特征,各神经网络模型在不同自由度下的4个预测期限内的预测性能存在较明显的差异.同时,包含层反馈过程的RNN2模型在描述与预测人民币汇率的波动方面表现出很强的能力.此外, 还分析并解释了产生上述结果的原因,并为4种人民币汇率波动序列甄选出了相应的最优预测模型.     

基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究

本文以4种农产品期货的高频数据为样本,在实证考察预测因子对农产品期货已实现波动率的预测能力基础上,通过假定时变HAR模型的参数遵循独立正态-伽马自回归过程先验分布,构建了具有时变稀疏度的HAR模型(TVS-HAR),以同时考虑预测模型参数的时变性和预测模型的时变性,并采用MCS检验评价和比较该模型和其他HAR族模型的样本外预测性能.实证结果表明:TVS-HAR模型能较好地识别和拟合潜在预测因子对农产品期货市场波动率的预测的重要性和影响程度的时变性;跳跃成分对我国农产品期货市场已实现波动率具有一定的预测能力;相对于其他几类HAR模型,TVS-HAR模型的预测性能最好.     

现代证券定价模型研究

基于系统论、认识论、反馈控制论,在传统随机波动价格模型的基础上,通过修正其忽略“现实金融市场中,大事件发生比较频繁”这一事实的缺陷,同时引入证券投资者与证券价格之间的交互作用,提出一种新的证券定价模型——带跳及反馈的随机波动模型.理论分析、数值仿真和实际应用均表明,与传统随机波动价格模型相比,新模型可更好地刻画现实证券价格的复杂行为,生成的价格序列的收益统计特性与真实证券价格较吻合;与现有股价短期预测模型相比,新模型具有预测精度高、速度快、鲁棒及普适性等特点.     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

时间序列判别分析技术和指数加权移动平均控制图模型在公司财务危机预警中的应用

经典的财务危机预警模型包括判别分析模型、logistic分析模型、神经网络模型、支持向量机模型、分类数模型等,这些经典模型最重要的缺陷是他们都是静态预测模型,都不能描述财务比率变量的时间序列特点;而且这些模型用来预测财务危机的数据都是单期的,没有考虑历史值对结果的影响.用时间序列判别分析的方法估计财务比率的演变过程;用在质量管理中经典的指数加权移动平均控制图模型构建公司财务危机的动态预测模型.实践表明预测效果良好.     

基于混沌吸引子的时间序列预测

本文提出一种新的时间序列预测技术。对于一个经诊断存在混沌吸引子的时间序列,根据相空间中混沌吸引子的分形等特性,建立依赖于预测点邻界状态的预测模型;综合存在于原时间序列中确定线性趋势的外推结果,实现对原时间序列的短期预测。     

基于混沌分析的道路网交通流短时预测

道路网交通流短时预测是实现智能交通控制和诱导系统的基础,本文以实时采集的交通流数据为基础,运用状态空间重构和G-P算法进行交通流短期特性研究.具体而言,通过分析交通流的混沌特性确定交通流率时间序列的嵌入维数,重构相空间,并以重构的交通流率时间序列作为输入采用Elman神经网络实现道路网多断面交通流率同时预测.研究结果表明,在道路网交通流短时预测方面Elman网络优于经典的BP网络,基于混沌时间序列分析的Elman网络不仅能够实现道路网多断面同时预测,且预测效果优于无重构的神经网络.     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题，论文从非线性时阅序列的角度对短时交通流量预测进行探讨，提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下，对交通流量数据进行相空间重构。构建了RBF神经网络，并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明，该方法对模拟产生的混沌时间序列具有很好的预测效果，在交通流量的短时预测上也具有较高的预测精度。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.