精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。     

基于动态混沌神经网络的预测研究——以马铃薯时间序列价格为例

针对农产品价格波动的非线性特征明显、传统时间序列方法在预测农产品价格短期波动存在不足等状况,本文将混沌理论和神经网络技术应用到农产品价格短期预测研究中,充分利用相关技术优势,设计了动态混沌神经网络时间序列预测模型.在此基础上,选取2008年1月21日-2012年7月1日的中国马铃薯日度价格为研究对象,对所构建的动态混沌神经网络时间序列预测模型进行学习、训练和测试,并用统计分析方法对模型性能进行评价与分析,最后,将所构建模型的预测结果与传统预测方法预测出的结果进行比较研究.结果显示:整个动态混沌神经网络结构为27-12-1,所设计的基于动态混沌神经网络的马铃薯价格时间序列预测模型在预测精度和性能上较ARMA模型均具有明显优势,这一预测模型在农产品价格时间序列短期预测研究上将具有广阔的应用前景.     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

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).     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

基因表达式编程在组合预测建模中的应用

介绍一种利用基因表达式编程的方法来自动生成非线性函数的组合预测模型,并进行误差估计分析, 改变过去只依靠各个子方法的简单线性相加,不能很好地反映非线性真实世界的传统组合预测建模方法.通过对我国CPI的真实历史数据验证, 验证结果表明: 与传统的ARIMA,灰色GM(1,1), BP神经网络和线性组合预测四种方法对比,基因表达式编程建立的组合预测模型所预测的数据准确度明显提高.     

基于支持向量机的时间序列预测模型分析与应用

阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架。将支持向量机预测模型应用于某型航空发动机的滑油金属含量监测中,并与递归神经网络预测器进行了比较。得出支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力,可预测区间较长且具有较高的准确度,而递归神经网络模型在中、短期预测中与支持向量机相差不大,在较长区间预测中效果较差的结论。     

A GENERAL APPROACH BASED ON AUTOCORRELATION TO DETERMINE INPUT VARIABLES OF NEURAL NETWORKS FOR TIME SERIES FORECASTING

Input selection is probably one of the most critical decision issues in neural network designing, because it has a great impact on forecasting performance. Among the many applications of artificial neural networks to finance, time series forecasting is perhaps one of the most challenging issues. Considering the features of neural networks, we propose a general approach called Autocorrelation Criterion (AC) to determine the inputs variables for a neural network. The purpose is to seek optimal lag periods, which are more predictive and less correlated. AC is a data-driven approach in that there is no prior assumption about the models for time series under study. So it has extensive applications and avoids a lengthy experimentation and tinkering in input selection. We apply the approach to the determination of input variables for foreign exchange rate forecasting and conduct comparisons between AC and information-based in-sample model selection criterion. The experiment results show that AC outperforms inf     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

人工神经网络模型在种植业劳均耕地面积预测中的应用

利用人工神经网络建立了具有时间序列的对象的预测模型 ,并提出了基于本模型的数据处理方法 ,在此基础上 ,对吉林省榆树县大坡镇西山村的种植业劳均耕地面积作了预测 .证实了本模型的正确性和科学性.     

AN EMPIRICAL ANALYSIS OF SAMPLING INTERVAL FOR EXCHANGE RATE FORECASTING WITH NEURAL NETWORKS

Artificial neural networks (ANNs) have been widely used as a promising alternative approach for forecast task because of their several distinguishing features. In this paper, we investigate the effect of different sampling intervals on predictive performance of ANNs in forecasting exchange rate time series. It is shown that selection of an appropriate sampling interval would permit the neural network to model adequately the financial time series. Too short or too long a sampling interval does not provide good forecasting accuracy. In addition, we discuss the effect of forecasting horizons and input nodes on the prediction performance of neural networks.     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

四层BP网络的一种结构设计方法及应用

针对BP神经网络的特点提出一种基于递阶遗传算法的四层BP神经网络的结构设计模型及应用。现有的BP训练方法只能训练BP网络的权重和阈值,网络的结构得预先用某种方法确定。利用很好设计的递阶遗传算法能够把网络的结构、权重和阈值同时通过训练确定。以经济系统中的人口时间序列数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,提出的方法是可行的。     

China’s energy consumption forecasting by GMDH based auto-regressive model

It is very significant for us to predict future energy consumption accurately. As for China’s energy consumption annual time series, the sample size is relatively small. This paper combines the traditional auto-regressive model with group method of data handling (GMDH) suitable for small sample prediction, and proposes a novel GMDH based auto-regressive (GAR) model. This model can finish the modeling process in self-organized manner, including finding the optimal complexity model, determining the optimal auto-regressive order and estimating model parameters. Further, four different external criteria are proposed and the corresponding four GAR models are constructed. The authors conduct empirical analysis on three energy consumption time series, including the total energy consumption, the total petroleum consumption and the total gas consumption. The results show that AS-GAR model has the best forecasting performance among the four GAR models, and it outperforms ARIMA model, BP neural network model, support vector regression model and GM (1, 1) model. Finally, the authors give the out of sample prediction of China’s energy consumption from 2014 to 2020 by AS-GAR model.     

基于改进多孔算法的时间序列预测

针对小波分析技术存在的边界问题,提出一种改进的多孔算法。使用该算法得到的系数序列,在具备时移不变性的同时,消除了右侧边界存在数据畸变的现象,使小波分析技术结合神经网络等传统预测模型的方法应用于单变量时间序列预测任务具备可行性。为进一步提高预测精度,引入了神经网络集成技术以改善网络泛化能力。实验表明,这种组合预测模型预测效果与稳定性优于传统预测模型。     

神经网络模型用于多变量综合预测

本文研究神经网络用于多变量时间序列预测的原理与方法，提出组合多种信息的综合预测方法。以股票交易为例，用神经网络组合各类信息，运用信心股价理论对中国股市的发展进行跟踪预测。在此基础上进一步从信息利用的角度说明了神经网络预测方法的特点。结果表明，神经网络模型用于多变王时间序列预测，其精度和趋势均较统计方法有所提高；神经网络综合预测，对中短期股票价格的预测，有实用价值。     

基于ARMA模型的故障率预测方法研究

在对比多种时间序列模型的基础上,结合故障率预测的特点,得出了自回归一移动平均混合模型(简称ARMA模型)是其中最适用于使用阶段故障率预测的方法这一结论.给出了基于ARMA模型的故障率预测的基本思想、预测模型、实施步骤,并按此法对某航空公司波音飞机故障率进行了预测,说明ARMA模型适用于故障率预测,且预测结果准确性较高.     

基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型研究

建立了航材消耗的灰色系统预测模型与神经网络预测模型，同时给出了一种新的具有广泛代表性的组合预测模型－－广义加权函数平均组合预测模型及其加权系数的参数估计方法，并利用此方法建立了基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型，最后以实例说明了其预测效果。     

基于自适应神经网络的边坡位移预测

通过对边坡位移历史数据序列进行特征分析 ,计算出饱和嵌入维数和最大 Lyapunov指数 ,给出了边坡位移的最大可预报时间尺度。在此基础上 ,确定了神经网络的输入节点数 ,建立了基于自适应神经网络的边坡位移预报方法 .通过对三峡升船机高边坡和新滩滑坡实际位移数据进行预测 ,结果令人满意 .这对于建立边坡位移的实时监测 -预警系统有重要意义.     

无检测器交叉口交通流量预测的灰色神经网络模型

为解决一般预测方法要求原始数据量较大,而无检测器交叉口获得的交通流量数据又非常有限的矛盾,提出了一种基于灰色神经网络的无检测器交叉口交通流量预测方法。通过选择不同长度的历史数据构建不同的灰色预测模型,对于不同灰色预测模型得到的预测结果再使用神经网络进行组合,该方法综合了GM预测所需原始数据少、方法简单,而神经网络具有非线性拟合能力的特点。以107国道新市站2002年观测的交通流量作为原始数据,采用灰色神经网络进行时交通流量预测,结果表明了该方法是有效可行的。