小波神经网络在绝缘子漏电量预测中的应用

为了实现对绝缘子漏电量的准确预测，提出了基于小波神经网络的预测模型，分析了网络的拓扑结构，给出了网络学习方法．通过对绝缘子漏电量样本数据进行预处理，生成学习样本和测试样本，进而对预测模型进行测试，实现了对绝缘子漏电量的准确预测．将其应用于电业局的绝缘子漏电量预测中，达到了实际应用的精度要求．实验和实际应用表明，该预测模型的误差小，精确度高，能有效地预测绝缘子漏电量。     

回归模型在交通运输量预测中的应用缺陷分析

交通运输量的预测误差大一直是令人困扰的难题．论文以四川省“十五”公路客运量的预测为例，在比较各种预测模型预测误差的基础上，对导致目前常用交通运输量预测模型预测失真的原因进行深入分析，指出GDP与人口的高度共线性、使用名义GDP作为自变量、预测模型中未能反映定性因素的影响是造成现有模型预测精度不高的主要原因，最后提出了提高交通运输量预测精度的建议。     

系统安全性预测模型与系统的建立

系统安全性预测对预防事故起到至关重要的作用，而预测模型的正确选择是预测的关键。本文就目前安全性预测的原则、预测模型的复杂程度、特点和选择等若干问题进行了分析，并就系统安全性预测中如何处理这些问题进行了探讨。在综合分析的基础上，建立了合理的预测系统。组合预测利用各种预测方法提供的有用信息，有效提高了预测精度，改变由于预测模型选择不合理而带来得预测误差。     

基于预测误差的用水预测模型选择方法研究

时间序列法是用水量预测的常用方法,其中预测模型的选择是提高预测精度的关键.针对目前以拟合精度作为模型选择标准的方法,提出了以预测值的置信区间最小为标准选择预测模型的方法.以山西省运城市工业用水量资料为例,分析给出了幂函数、S函数、直线、指数函数、二次和三次抛物线等6个模型95%置信水平下5年和10年两种预测期的预测区间,均以幂函数预测精度最高;对该系列近5年的用水量进行了预测,预测误差也以幂函数最小.表明以预测区间最小选择用水预测模型的方法是合理的、可靠的.     

多时间尺度下变体生成式对抗网络的股价预测

股价预测能为公司经营、投资决策和市场监管提供重要依据。【目的】为了避免特征提取不足与预测不准等问题,我们构建了多时间尺度下变体生成式对抗网络对股价涨跌方向进行预测。【方法】首先以双向长短期记忆网络构造生成器,以卷积神经网络构造判别器;然后分别对生成器与判别器在多时间尺度数据上进行博弈训练,提取长期与短期特征后将结果拼接;最后获得预测模型。【结果】选取沪深300指数、建设银行与陕西煤业股价为样本进行实证分析,试验发现沪深300指数涨跌预测准确率达到59.63%,个股数据验证表明本文模型具有一定的稳定性与优越性。【结论】本模型能提高预测股价涨跌的准确率,丰富了金融数据分析方法。     

焊接热影响区性能的神经网络预测模型

针对四类２４种钢材，将其化学成分和ｔ８／５性能的数据作为样本，构造学习空间，建立了一种新的预测方法ＢＰ网络预测模型，并讨论了网络参数对网络收敛速度及误差函数的影响     

数据多维处理LSTM股票价格预测模型

股票的价格具有非线性、随机性等特征,为更精准地预测股票价格,充分利用股票价格数据的时间相关性和数据自身的变化趋势,提出数据多维处理的LSTM股票价格预测模型。通过对股票价格因子数据进行多维处理,提高数据有效信息,形成可以高度反映股票价格的多维数据,在此基础上建立长短期记忆网络组合预测模型,通过收集股市中的股票数据进行实验。实验结果表明,模型预测值与实际股价数据的均方根误差和平均绝对误差仅为0.013 2和0.010 3,相较于单一长短期记忆网络预测模型,2项误差分别降低90.81%和91.65%。数据多维处理LSTM股票价格预测模型具有较高的预测精度。     

基于径向基函数的城市日用水量预测方法

结合城市日用水量影响因素的特点和变化规律，分析探讨了城市日用水量预测模型的求解方法．建立日用水量和其相关因素之间的预测模型，分别采用径向基函数（RBF）网络算法与支持向量机（SVM）回归法求解该预测模型．RBF网络具有结构自适应确定，输出不依赖初始权值的优良特性；SVM回归法采用结构风险最小化准则（SRM），以统计学习理论作为理论基础，运算速度快，泛化能力强，预测精度高．通过分析验证的结果，证明了该日用水量预测模型的可行性，采用RBF和SVM两种求解方法均能得到满意的结果．     

原油生产成本与钻井成本预测模型的探讨

针对我国东部３个油田企业原油生产成本和钻井成本费用的变化趋势，探讨了影响油气生产成本和钻井进尺成本变化的各种因素，提出了（１）以累计原油（或天然气）产量作为自变量，建立起原油成本费用和累计原油产量关系基础上的原油（天然气）生产成本预测模型；（２）以累计钻井进尺和钻机月速作为自变量，建立起钻井成本和累计进尺与钻机月速关系基础上的钻井成本预测模型，并以时间序列预测模型验证了该模型的可行性．为了验证预测结果的可靠性，分别对３个油田１９８５～１９９４年间成本函数进行了检验．检验结果表明，预测值与实际值之间误差极小，吻合良好．说明上述模型用于原油生产成本和钻井成本预测，具有很强的模拟能力和预测能力．     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于BP神经网络的我国股指期货价格预测

应用BP神经网络理论提出了我国股指期货市场价格走势短期预测模型。首先根据实验数据的特点分别构建单因素、多因素BP神经网络预测模型,再通过重复试验的方法,运用BP神经网络对股指期货价格序列进行训练,从而对股指期货价格进行预测。结果表明,通过BP神经网络预测模型得到的预测值与股指期货的实际价格有着很高的拟合度。     

智能神经网络在时序信号预测上的应用

从80年代开始，人工神经元网络的研究技术在理论和实际应用上已经比较成熟，在信号处理系统中也开始采用该技术进行非线性时间序列信号的预测分析。但由于该理论黑箱模型的特点，无法引入先验知识，从而预测精度难以提高。针对该问题，提出了通过滚动预测的方法，并引入了一种智能化的新型神经元模型，建立区别于传统的神经网络预测模型，达到了较为理想的预测效果。并且以股票价格的预测作为实验模型，对该方法进行了验证，表明了它的实际应用价值。     

融合多源数据的股指预测研究

金融市场中股票价格的变动受到多方面因素的影响,如何更好地利用更多的大数据为投资决策进行服务始终是各方研究的重点。本研究以沪深300指数为研究对象,采用图像化处理的方式融合财经新闻、市场交易数据和技术指标等多源异构数据,建立了卷积神经网络模型,对未来不同时间长度的股指图像数据进行涨跌预测。通过对模型结构的稳健性检验,使用60天融合新闻情绪、技术指标与股价三类图片的三层图片预测模型,预测股指未来5天后的涨跌样本外准确率可达65.2%。融合多源数据后的图片数据能够丰富单一的股价数据,从而提升了模型的预测准确率。通过与传统的线形模型、LSTM循环神经网络模型及其他经典卷积神经网络模型比较,本研究构建的预测模型在样本外预测效果最佳,表明本研究构建的基于多源异构数据的图片预测模型在股指预测中具有可行性和一定优势。     

基于遗传神经网络的个股价格短期预测

针对个股价格的短期预测,提出了一种基于遗传神经网络算法的股票收盘价格分析和预测方法,在允许的相对误差下,所得到的模拟结果表明预测系统能够较好地预测股票价格的趋势.人工神经网络预测股票价格具有良好的应用前景,而遗传神经网络算法则可提高预测的速度和可靠性.     

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...     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于优化MACD模型的股票价格变化趋势预测方法

【目的】探寻一种有效预测股票价格变化趋势的方法。【方法】在指数平滑异同移动平均线(MACD)指标中加入市场活跃程度(ACT)、波动率(VOL)、离差值(DIF)趋势程度3个指标来构建股票价格变化趋势预测模型。采用热点图对MACD策略中的参数以及股票进行选择、融合,并运用技术分析工具、支持向量机(SVM)与相关向量机(RVM)等机器学习方法对MACD策略中产生的交易信号进行优化,筛选特征变量。【结果】将设计的股票价格变化趋势预测策略的数据换成A股全市场数据并进行回测,发现近10年的年化收益率(14.8%)胜过沪深300指数(7.201%),而且使用A股全市场的数据有效避免了幸存者的偏差。【结论】优化改进的股票价格变化趋势预测模型可以在一定程度上预测股票上升的趋势,有效规避风险。