基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

新油轮市场需求的交互式逐步逼近建模及预测

基于组合模型的建模思想，提出了一种有效拟合时间序列数据的交互式逐步逼近建模方法，识别并拟合出了全球巨型油轮（VLCC）新船市场需求长期趋势和潜周期波动因素，通过所建立的时间序列组合模型预测了VLCC新船市场未来10年的发展趋势，计算结果表明，该方法不但可以化繁为简，降低计算难度，而且拟合效果优于根据理论分析推测建立复杂模型的一次性拟合方法，可广泛应用于各种时间序列数据的建模拟合与趋势预测。     

软件可靠性预测的小波分析方法

软件可靠性预测对于软件可靠性评估以及软件工程项目的过程控制具有重要作用。本文提出的软件可靠性预测模型,通过小波分解将非平稳的软件可靠性随机序列分解成趋势项、周期项和一系列时间调制平稳随机序列,对趋势项和周期项按常规的预测方法进行预测,而时间调制平稳随机序列再用小波方法预测,最后合成得到软件可靠性预测。实例分析表明,本方法是可行的。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

基于小波优化LSTM-ARMA模型的岩土工程非线性时间序列预测

为了更精确地预测岩土工程应力、变形等的非线性时间序列,提出了基于小波优化的长短时记忆神经网络?自回归滑动平均模型（LSTM-ARMA）预测模型。首先使用小波分析将监测序列分解成趋势项和噪声项,采用LSTM网络滚动预测趋势项、ARMA模型预测噪声项,并将趋势项预测值与噪声项预测值之和作为总的时间序列预测值。在此基础上,以上海云岭超深基坑工程为案例进行了基坑地表沉降分析,结果表明组合模型的预测精度要高于单一LSTM模型且更加稳定;进一步采用弹塑性有限元对基坑开挖诱发的地表沉降进行了预测,并与人工智能预测结果进行对比,验证了人工智预测模型的合理性。分析表明,当后续工况与前置工况所诱发的变形机理突变时,人工智能预测误差增大,但伴随后续工况的推进,人工智能预测误差将逐渐减小。     

GARCH模型和SV模型对深圳股市的比较

文章采用GARCH模型和SV模型对深圳股市进行了实证分析;结果表明,基本SV模型较GARCH(1,1)模型能更好地拟合实际金融时间序列数据;从总体上来说,基本SV模型的预测效果优于GARCH(1,1)模型。     

基于长期验潮数据的海平面预测方法与案例应用

在充分考虑长时间序列潮位具有周期性、趋势性和随机性特征的基础上, 建立一套基于随机动态预测模型的海平面变化分析方法。模型中的周期项模拟首次采用小波分析与谱分析相结合的方法; 趋势项采用逐步回归法拟合; 残差序列采用自回归移动平均混合模型进行拟合; 三项叠加建立随机动态预测模型, 参数的确定采用非线性最小二乘迭代法。应用塘沽验潮站57年的月平均海平面高度数据进行案例分析, 通过实测数据验证和预测精度统计学检验, 表明此方法对海平面变化的模拟与预测具有较高精度, 可为海平面上升预测研究提供有效可行的借鉴与范例。     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

EMD和GARCH模型应用于股票价格预测

将EMD（经验模式分解）方法应用到股票价格趋势的预测中,找出影响股票市场波动的关键因素,旨在提高预测的精确性。通过EMD方法将上证指数日收盘价数据分解为不同频率的数据段,重组为高频序列、低频序列和趋势序列,运用高阶自回归和GARCH模型对分解出来的各序列进行拟合和预测,避免各个分段预测过程中的误差累积,最后对预测数据重组,得到样本外数据的预测序列。结果表明,该模型具有较好的预测效果,能给投资者提供更为合理的股票投资意见,同时为趋势预测研究提供借鉴。