基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于EWT-SSA-PSO-ELM模型的P2P网贷市场收益率预测

鉴于目前鲜有研究关注P2P网贷市场收益率预测问题,针对已有金融市场收益率预测研究存在的不足,提出了一种基于两阶段分解技术和粒子群优化极限学习机的EWT-SSA-PSO-ELM预测模型.引入EWT经验小波分解算法对原始的收益率综指序列进行分解,进而提高原始序列的分解效率;采用Lempel-Ziv复杂度算法提升模式分量重构的科学性,避免以往分量重构过程的随意性;利用SSA奇异谱分解算法对高频重构分量进行降噪,从而提升高频重构分量预测效果.基于该预测模型对P2P网贷市场收益率综指进行预测,实证结果表明,所构建的收益率预测模型的性能显著优于其余基准对比模型.     

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.     

基于遗传算法优化支持向量回归机的区域物流需求预测

本文采用支持向量回归机对物流需求进行预测,研究SVR在物流需求预测中的可行性。为了建立有效的SVR模型,SVR参数需要精心设置,针对物流需求非线性的特点,本文首次提出用遗传算法(GA)优化支持向量回归(SVR)机进行预测,采用最优参数构造SVR模型。以1990-2015年广西货运量为时间序列数据,实验结果表明,以平均绝对误差(MAPE)和均方差比值(MSE)为精度检验标准,GA-SVR比ARIMA和灰色预测具有更优的预测效果。     

高超声速飞行器分解集成轨迹预测算法

针对无动力滑翔高超声速飞行器的轨迹预测问题,提出了分解集成轨迹预测模型。依据运动轨迹的周期跳跃特性,运用先集成再分解的轨迹预测思路,首先将运动轨迹序列分解为具有趋势性、周期性和随机性特征的子序列,再针对每项子序列的特征采用相应的子轨迹预测模型,最后将各子轨迹预测模型预测结果的集成作为最终预测值。由于子序列与子轨迹预测模型具有更高的契合度,使得分解集成轨迹预测 算法相对于使用单一模型的轨迹预测算法更具优势。仿真实验表明,分解集成轨迹预测算法显著提高了轨迹预测精度。     

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.     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

基于SSA-ELM的大宗商品价格预测研究

随着经济全球化的发展,国际期货市场中各大类大宗商品价格波动剧烈,而全球经济形势不明朗以及货币政策不确定使得大宗商品期货价格难以被准确预测.本文选取玉米,原油,黄金分别作为大宗商品农产品类、能源类、金属类的代表对象,基于奇异谱分析方法(singular spectrum analysis,SSA),对商品期货价格进行分解,结合Kmeans动态聚类技术将分解量聚合成不同特征的价格序列,再采用具有优良特性的极限学习机算法(extreme learning machine,ELM)对模型进行训练,得到大宗商品期货价格预测模型.实证结果表明,采用序列分解聚类策略能够显著提高模型预测精度,在价格未来的整体水平和变动方向上都能达到较好的预测效果.     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

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.     

Exchange rate forecasting with optimum singular spectrum analysis

Forecasting exchange rate is undoubtedly an attractive and challenging issue that has been of interest in different domains for many years. The singular spectrum analysis （SSA） technique has been used as a promising technique for time series forecasting including exchange rate series. The SSA technique is based upon two main choices： Window length, L, and the number of singular values, r. These values are very important for the reconstruction stage and forecasting purposes. Here the authors consider an optimum version of the SSA technique for forecasting exchange rates. The forecasting performances of the SSA technique for one-step-ahead forecast of six exchange rate series are used to find the best L and r.     

基于MEEMD-PE与CS-WNN模型的网络时延预测

针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点，提出了一种基于改进的集总平均经验模态分解（modified ensemble empirical mode decomposition，MEEMD）-排列熵和布谷鸟搜索（cuckoo search，CS）优化的小波神经网络（wavelet neural network，WNN）时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理，分别计算各模态的排列熵值，对复杂度相近的模态进行重组后得到新的子序列，从而达到降低建模复杂度和减少计算量的目的；然后利用CS算法优化的WNN预测新的子序列；最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明，该算法具有较好的预测精度，能反映时延序列的总体趋势，可有效地降低异常值影响等优点。     

基于稀疏型支持向量回归的时间序列预测

为提高支持向量回归在时间序列预测应用中的学习速度和泛化性能,提出了稀疏型支持向量回归方法.通过牛顿优化法,直接优化支持向量回归的原始问题.然后利用Cholesky分解更新原始优化中的Hessian矩阵实现稀疏型支持向量回归算法.最后将该算法运用到Mackey-Glass,Lorenz和Logistic混沌时间序列预测,仿真结果表明本文提出的方法能够在确保预测精度的前提下,有效地降低支持向量的个数.     

自适应局部线性化法预测混沌时间序列

提出一种基于奇异值分解最小二乘法的自适应局部线性化预测方法.它要求数据矩阵的条件数不大于给定阈值,并据此自适应地确定当前相空间的维数,然后根据新的嵌入维数重构数据矩阵,进行模型的参数估计和计算当前预测值.实验结果说明所提方法精度高且稳健.特别是当嵌入维数接近最邻近向量的数目时,其性能显著优于普通局部线性化方法.     

基于乘积ARIMA模型的产品不确定性需求预测

为对不确定的市场需求进行有效预测,可运用SAS系统中的TimeSeriesForecastingSystem,基于乘积求和自回归平均滑动模型(ARIMA),对产品销售的时间序列数据进行预测。先对原始数据或变换后的数据作简单差分或季节差分,把时间序列化为平稳的时间序列,进行参数的初估计,然后进行多次拟合并最终确定模型,根据SAS估计结果,可得到预测偏差。对预测结果在营销管理和供应链管理中的应用进行了分析,取得了较好的效果。     

Singular spectrum analysis: methodology and application to economics data

This paper describes the methodology of singular spectrum analysis (SSA) and demonstrate that it is a powerful method of time series analysis and forecasting, particulary for economic time series. The authors consider the application of SSA to the analysis and forecasting of the Iranian national accounts data as provided by the Central Bank of the Islamic Republic of Iran. This research was in part supported by a grant (No. 88/121230) from Institute for Trade Studies and Research (ITSR), Tehran, Iran.     

An Ensemble Model of Arima and Ann with Restricted Boltzmann Machine Based on Decomposition of Discrete Wavelet Transform for Time Series Forecasting

Time series forecasting research area mainly focuses on developing effective forecasting models to improve prediction accuracy. An ensemble model composed of autoregressive integrated moving average (ARIMA), artificial neural network (ANN), restricted Boltzmann machines (RBM), and discrete wavelet transform (DWT) is presented in this paper. In the proposed model, DWT first decomposes time series into approximation and detail. Then Khashei and Bijari’s model, which is an ensemble model of ARIMA and ANN, is applied to the approximation and detail to extract their both linear and nonlinear components and fit the relationship between the components as a function instead of additive relationship. Furthermore, RBM is used to perform pre-training for generating initial weights and biases based on inputs feature for ANN. Finally, the forecasted approximation and detail are combined to obtain final forecasting. The forecasting capability of the proposed model is tested with three well-known time series: sunspot, Canadian lynx, exchange rate time series. The prediction performance is compared to the other six forecasting models. The results indicate that the proposed model gives the best performance in all three data sets and all three measures (i.e. MSE, MAE and MAPE).