基于深度学习和小波分析的 LSTM-Wavelet 模型股价预测

针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短 记忆网络(LSTM-Wavelet)模型应用于股价预测。 首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并 分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对 分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构。 使用中石油近两年的股价数据进行实 证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价。 结果表明:相较 于标准 LSTM 模型和小波- ARIMA (ARIMA-Wavelet)模型,提出的 LSTM-Wavelet 模型有更好的预测效果; 通过 小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征 进行分层预测,提高了预测精度。     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

基于小波与BP神经网络的太阳黑子时间序列分析预测

太阳黑子年平均数序列是典型的非线性、复杂时间序列.本文利用小波变换,将太阳黑子年平均数序列进行分解重构,对信号的周期特性进行分析,然后采用BP神经网络对重构信号进行预测,建立太阳黑子年平均数的预测序列.结果表明,该模型具有较高的预测精度.     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

银川市空气污染指数的分析与预测

空气污染指数（air pollution index,API）是评价空气质量状况的有效手段．在分析银川市API变化特征的基础上,将小波分析与BP神经网络相结合,分别采用分解一预测一重构法和小波函数替代法对银川市API值进行了预测．结果表明：银川市API呈现年际下降,月际周期波动的特点;相对于其他小波,采用db10对数据进行分解、预测、重构后获得的结果最好;分解预测重构模型的预测精度较高,优于小波函数替代模型,适用于银川市空气污染指数的预测．     

基于EEMD和改进Elman神经网络的地球变化磁场短时预测

针对地球变化磁场时间序列的混沌特性,提出了一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Elman神经网络的地球变化磁场预测模型.首先,利用EEMD将非平稳的地球变化磁场时间序列分解为一系列具有不同特征尺度的本征模态函数(intrinsic mode function,IMF);然后,针对每一个IMF分别建立改进Elman神经网络模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地球变化磁场数据为研究对象,并与基于单一Elman神经网络预测模型相比较,结果表明,EEMD-改进Elman神经网络模型的预测值能紧跟地球变化磁场的变化趋势,且明显优于基于单一Elman神经网络的模型,体现出更好的预测效果.在地磁Kp3时,预测3h平均绝对误差为1.74nT.     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于相空间重构和非参数神经网络集成股市预测研究

利用奇异谱分析方法对股市时间序列重构，降低噪声并提取趋势序列，并利用C-C算法确定嵌入为维数和延迟阶数进行相空间重构，生成神经网络的学习矩阵，进一步利用Boosting技术和不同的神经网络模型，生成神经网络集成个体，最后采用非参数回归模型进行集成，建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型，以此建立股市预测...     

基于Attention机制的LSTM股价预测模型

针对时间序列分析方法和神经网络对于股价预测具有一定局限性的问题,将基于Attention机制的LSTM模型应用于股价预测;以2014-01-02—2020-09-22日的上证工业指数、上证环保指数等相关数据为样本,在LSTM模型中引入Attention机制,使模型聚焦于重要的股价特征信息,预测股票第二日的最高价;实证研...