滑动窗口二次自回归模型预测混沌时间序列

提出一种新颖的非线性时间序列预测模型,即滑动窗口二次自回归(MWDAR)模型.MWDAR模型使用部分的历史数据及其二次项构造自回归模型.模型参数用线性最小二乘法估计.应用模型进行预测时,预先选定窗口大小以及模型一次项和二次项的阶次.在每个当前时刻,先根据窗口内的数据估计模型参数,然后根据输入向量及模型参数做出预测.这种预测方法不仅适合小数据集的时间序列预测,而且对大数据集具有极高的计算效率.分别用Henon混沌时间序列数据和真实的股票交易数据作了MWDAR方法与局域线性化方法的1步和多步预测对比实验.结果显示MWDAR方法无论在预测精度上,还是在计算效率上都优于局域线性化方法.     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

最近邻点法预测模型及其在河川径流预测中的应用

针对径流非线性特征,建立了最近邻点法预测模型,对黄河、长江干流径流过程进行了预测,得到了满足精度要求的预测结果.该模型能够有效跟踪径流系统中相空间里的吸引子和充分扑捉历史数据中所隐含的有用信息.通过增加邻近点数来观察预测均方误差的变化,对预测效果进行了检验,结果证实该模型可真实地反映河川径流变化的总体趋势,并为判断时间序列数据的非线性提供了一种新方法.     

重构相空间中孤立点的局部简单非线性降噪

为解决重构相空间中由于孤立点的存在而使简单非线性降噪法无法有效降噪的问题,本研究提出使用不同邻域半径实施多次局部简单非线性降噪的方法,去除重构相空间中的孤立点.使用该方法,对HZ公司的制造质量水平时间序列,在其重构相空间中经过实施16次邻域半径由大到小的孤立点去除操作后,在重构相空间中得到无孤立点的时间序列.经过本方法实施孤立点去除操作后的时间序列,只需再经过一次简单非线性降噪,就可以实现有效降噪,经过有效降噪的重构相空间才可以实施进一步的预测模型的拟合.     

配水管网测压点的动态组合预测方法

通过对测压点水头序列的统计分析 ,得到其周期性、趋势性及随机扰动性的变化规律 .利用时间序列分析手段及动态建模方法建立了配水管网测压点的动态预测模型 ,利用加权递推最小二乘法 ( RLS)解决了模型参数的动态估计问题 .经实际供水系统使用验证 ,该法预测误差小 ,适应性强 ,可应用于供水系统的实际运行中.     

基于PSO优化LS-SVM的小样本非线性协整检验与建模研究

针对小样本非线性时间序列，根据非线性协整的定义，利用基于粒子群优化最小二乘支持向量机的方法，对小样本非线性协整关系检验与非线性误差修正模型建模进行研究，设计了方法的 逻辑流程. 对舰船维修费指数与物价指数进行实证研究，在协整关系类型判断的基础上，实现了小样本非线性协整关系的检验，建立了预测舰船维修费指数的非线性误差修正模型，并与线 性向量自回归模型进行分析比较. 研究表明：基于粒子群优化最小二乘支持向量机的小样本非线性协整检验与建模方法，刻画了小样本系统的非线性协整关系，所建立的非线性误差修正模 型具有较好的预测效果，能够有效地预测小样本非线性系统.     

基于误差修正与分解的区间值股价时间序列预测研究

与点值数据相比,区间数据更能够从全局上刻画股票市场的内在结构特征.然而,已有关于区间数据的预测研究只关注误差序列的单次预测或原始序列的预处理,并且所采用的方法通常不能充分地提取区间值股价时间序列的主要特征.因此,本文提出了对区间值股价时间序列进行预测的误差修正与分解方法.鉴于误差序列在组合预测模型中的作用,本文首先采用Ljung-Box检验和机器学习模型对原始序列产生的区间值误差序列进行检验和修正.接着,利用双变量经验模态分解技术将修正后的误差序列分解成多个本征模态函数(IMFs)和一个残差.随后,利用单个机器学习模型对除了IMF1分量外的各个IMFs分量和残差分别进行预测.最后,将原始序列和误差序列的预测值进行组件聚合,重构出区间值股票价格的预测值.进一步,在提出方法的基础上,本文构建了基于误差修正和分解的区间值股价预测模型,并利用真实的股票市场数据进行实证分析.实验结果表明,所提出的方法在预测精度方面明显优于一些传统方法.     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

基于 SVR 的期权价格预测模型

提出了运用非参数方法SVR与改进的期权定价方法结合的期权价格预测模型.首先利用股票价格收益率的偏度和峰度对传统的期权定价方法计算出期权的价格进行修正.然后,通过引入非参数方法SVR对其结果进行拟合来减小传统参数模型的误差,并建立SVR滑动窗口预测模型.由于传统的方法不能有效的把握实际期权价格的运动趋势和非线性的特点,所以在第一阶段的预测后, 在第二阶段引入SVR来解决其非线性,进而减小误差. 最后,利用我国长虹CWB1权证以及随机10只认购权证日价格数据进行实证检验.结果表明: 在预测精度方面, 非参数方法要优于传统的参数方法,而改进后的期权定价方法比传统的方法更符合实际情况.     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.