基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

考虑竞争的电影首映日票房集成预测模型研究

电影首映日票房预测对该日排片、后续放映日票房及总票房有显著影响。在构建考虑竞争的电影首映日票房预测变量集的基础上,建立首映日票房集成预测模型。首先使用多元线性回归(multiple linear regression, MLR)、支持向量回归(support vector regression, SVR)、套索回归（Least absolute shrinkage and selection operator, Lasso）和极端梯度提升（Extreme Gradient Boosting, XGBoost）等算法建立基学习器,随后使用XGBoost算法作为原学习器构建堆栈集成预测模型,最后利用收集到的数据进行对比实验。实验证明,加入竞争变量的电影首映日票房预测变量集适用于首映日票房预测;相比单一模型,提出的集成预测模型的准确性、泛化性能和稳定性均有提升,相比较传统预测方法对首映日票房预测更准确。提出的集成预测模型有助于提升首映日票房排片的有效性。     

应用支持向量机的空中交通流量组合预测模型

为了提高空中交通流量预测的准确性,研究了将支持向量机(support vector machine, SVM)应用于空中交通流量预测的方法,建立了基于SVM的自回归预测模型,讨论了模型参数确定等关键问题.在SVM预测模型基础上,将SVM与多项式和鲁棒自回归预测模型结合,提出组合预测模型.利用北京周边空域实测流量数据进行的对比实验结果表明: SVM预测模型的预测误差小于5%, 组合预测模型的预测误差小于2%, 均优于多项式和鲁棒自回归预测模型;组合预测模型的预测精度和稳定性整体上又优于SVM预测模型.     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

基于经验模态分解建模法的肌肉疲劳检测

针对表面肌电信号的非平稳特性,采用自回归(auto regression,AR)模型对表面肌电信号进行分析,对短时间内的表面肌电信号的肌肉疲劳迅速做出判定。首先对表面肌电信号进行经验模态分解,得到本征模态函数和趋势项,然后对趋势项进行零化处理,再对本征模态函数分量进行重构处理,重构后的信号可视为均值为零的平稳信号,最后将去势化的信号建立自回归模型,采用基于该模型的第一个时变参数(first time-varying parameter of auto regression modle,ARC1)作为检测肌肉疲劳灵敏度的快速指标。用疲劳前后的相关特征值的灵敏度波动比(sensitivity to variability ratio,SVR)来表征肌肉疲劳的灵敏度,较平均功率频率对疲劳反应灵敏度要高。该方法通过表面肌电信号对肌肉疲劳检测时,具有时间短、灵敏度高以及将表面肌电信号细微特征信息放大、便于识别等优点。     

我国北方森林地下火燃烧温度预测

森林地下火燃烧是一个隐蔽、漫长的阴燃过程，整个燃烧过程都靠自身释放的热量维持，所以开展地下火燃烧温度预测研究，对于地下火监测预警具有重要意义.以大兴安岭地区呼中国家级自然保护区典型植被兴安落叶松林为研究对象，通过室内模拟点烧试验，基于非线性混合效应模型预测不同含水率下地下火燃烧温度.结果表明：基于Logistic和Richards回归的非线性混合效应模型适合地下火燃烧温度预测；3参数的混合效应模型拟合效果最好；不同含水率下不同深度地下火燃烧温度预测模型的预测值和真实值间都不存在显著差异(P>0.05),模型预测精度较高，尤其是在3 cm深度处，平均相对误差(MRE)都小于15%,具有较高的应用价值.     

服装品牌产品销售预测

通过建立产品销售预测模型,为服装品牌企业的产品管理提供决策依据.对现有预测工具进行比较分析后,选择SQL Server 2008软件的解决方案,运用时序算法,构建ART(自动回归树)模型.以案例品牌历史销售数据为基础,通过所构建的模型得到销售预测回归公式.通过模型验证了预测数据与实际数据的误差在可接受范围内,证明所构建销售预测模型的可行性.同时,基于所构建的模型建立案例品牌销售预测流程并提出产品管理策略.     

基于ELMR-SVMR的海水水质预警模型研究

海水水质预警对海洋环境监控和保护有着重要的意义.极限学习机回归和支持向量机回归(extreme learning machine regression-support vector machine regression,ELMRSVMR)集成预警模型采用预测与评价相结合的方式,实现对未来海水富营养化状况综合预警的目的.其中SVMR方法用于构建海水富营养化评价模型;ELMR用于对未来一段时间的水质状况进行综合预测,ELMR的预测结果作为评价模型的输入变量.集成模型的可靠性直接影响预警的有效性,ELMR-SVMR的可靠性通过分析ELMR预测误差对SVMR评价模型的灵敏度得到.将各参变量的预测误差结果作为评价模型的灵敏度影响参量,通过灵敏度计算可获得对ELMR-SVMR模型的灵敏度评价.通过与其他方法的实验对比及分析,验证了该区域范围内所建ELMR-SVMR预警模型的有效性,为探索建立有效的海水水质预警模型提供了一种新途径.     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

基于GA-SVR的煤炭需求预测模型研究

在煤炭需求预测中, 存在历史样本量较小和非线性强的特点, 从而致使预测精度较低. 将支持向量机回归(support vector regression, SVR)与遗传算法(genetic algorithm, GA)相结合, 提出了适用于小样本量学习的GA-SVR煤炭需求预测模型. 通过分析选取5项指标作为煤炭需求的影响变量;以历史煤炭需求与其影响变量值为学习样本, 结合遗传算法确定SVR预测模型参数;实例结果表明GA-SVR模型预测精度优于BP神经网络模型.     

基于高斯间距核回归的产品设计时间预测

为克服产品设计时间预测中的小样本和异方差噪音问题,建立一种基于高斯间距核回归(Gaussian margin kernel regression,GMKR)预测模型。首先,假定核函数回归模型的权重向量服从高斯分布,利用相对熵与输出概率密度的自然对数和设计优化目标,构建GMKR模型;然后,假设高斯分布的协方差阵为对角矩阵以简化GMKR模型,并利用粒子群算法求解相应优化问题。最后,以注塑模具设计的实例进行分析,结果表明基于GMKR的时间预测模型可行有效。     

基于数据扩展的短时交通流量预测

多种机器学习和深度学习的模型和算法应用于短时交通流量预测,但是,大多数模型尤其是深度学习模型对训练样本的数量要求较高。为此,提出了一种基于数据扩展的短时交通流量预测方法,该方法基于自编码神经网络分别结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)构建预测模型,该模型利用自编码神经网络扩展的数据分别训练长短时记忆神经网络和支持向量回归进行交通流量的预测,结果表明,所提出的预测模型具有较高的精度和较好的泛化能力。     

基于ARMA-GARCH模型的上证指数短期预测研究

将在处理金融数据易变性方面具有优势的广义自回归条件异方差模型(GARCH)和在平稳时间序列数据预测方面具有优势的自回归移动平均模型(ARMA)相结合,提出ARMA-GARCH预测模型。以2007年10月08日到2011年11月4日997个上证指数收盘价格为样本对综合预测模型进行估计,并用随后五天的上证指数收盘价对综合预测模型进行检验。检验表明模型有效地刻画了上证指数的短期变化。     

基于Prophet-DeepAR模型的Web流量预测

Web流量预测一直是数据中心网络的热点问题，对于提高网络服务质量具有重要意义。由于Web流量具有非线性、自相关性和周期性等复杂特点，对其准确预测有很大的挑战性。为充分挖掘出Web流量的可预测信息，同时使预测模型具有充分的可解释性和可配置性，本文提出一种基于Prophet和深度自回归(DeepAR)的组合预测模型。其中，Prophet是基于时序分解的加性模型，对Web流量的趋势、季节性周期、节假日信息进行建模。同时，使用基于概率预测的DeepAR模型对Prophet残差隐含的自回归信息建模，捕获长短期依赖关系，以减低Prophet残差的方差，并充分捕获Web流量的自回归信息。在真实的Web流量数据集上进行验证实验，结果表明在RMSE和MAE两项评价指标上均优于对比模型，验证了该组合模型的有效性。     

基于时间序列算法的电力无功测量

为了对电力系统的无功进行有效的控制,必须对无功进行预测.对无功的预测也就是对系统功率因数的预测.利用时间序列分析方法,建立了3种预测模型,分别是自回归模型、滑动平均模型和混合模型.通过对3种模型的比较,最终选用混合模型的时间序列分析方法对电力系统的功率因数进行预测.经实测检验,混合模型分析方法的误差非常小,表明该方法具有一定的实用价值.     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

基于灰关联度的IGOWLA算子中国楼市库存的预测分析

在回顾灰关联度和诱导广义有序加权对数平均算子(IGOWLA)等概念的基础上,构建了基于灰关联度的IGOWLA算子最优组合预测模型。分别利用多元线性回归模型、残差自回归模型、GM(1,1)模型对我国商品房待售面积进行了单项预测,建立了基于灰关联度的IGOWLA算子组合预测。