基于奇异谱分析的航空客运需求分析与分解集成预测模型

考虑到航空旅客运输需求影响因素复杂以及航空客运需求序列非线性非平稳等特征,本文提出了一个基于奇异谱分析(SSA)的航空客运需求分析与分解集成预测模型.需求分析阶段,首先使用SSA对航空客运需求序列进行有效分解,接着借助奇异熵理论,将序列重构为长期趋势项、中期市场波动项和短期噪声项;预测阶段,使用排列熵(PE)判断各重构序列复杂度的高低,并依据序列复杂度分别选择粒子群算法(PSO)和布谷鸟算法(CS)双优化的支持向量回归模型(SVR)或单整自回归移动平均模型(ARIMA)进行预测,结果表明,该分解集成预测模型较ARIMA、SVR等基准模型有着更好的预测性能.     

基于时变模型平均方法的我国航空客运量预测

机场扩建、政策导向、经济发展等外在因素的变化常常导致航空客运量数据发生结构性改变,其模型的设定也在很大程度上存在不确定性,因此,精准而稳定地预测航空客运量变得十分困难.为了解决以上问题,本文采用了一种时变模型平均方法(TVJMA)(Sun等,2020,2012)对全国Top 5机场的客运量进行了预测研究,该方法在模型平均时基于最小化局部Jackknife准则给出了最优的权重选择,并通过非参数估计,实现了最优权重随时间变化.实证结果表明,本文所采用的TVJMA方法显著优于其它基准模型,包括Hansen和Racine (2012)的Jackknife模型平均(JMA)以及自回归模型(AR),单整自回归移动平均模型(ARIMA),季节性单整自回归移动平均模型(SARIMA)和时变参数模型(TVP)等传统方法.进一步,对不同的预测步长,TVJMA在航空客运量的预测效果同样具有稳健性.因此,TVJMA方法可以有效地降低由于航空客运量的结构性变化和预测模型不确定性等导致的预测风险,进而做出精准而稳定的客运量预测.     

基于小波分解和残差GM(1,1)-AR的非平稳时间序列预测

提出基于二进正交小波变换和残差GM(1,1)-AR方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用灰色残差模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果表明,这种方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于综合集成预测方法的新冠肺炎疫情预测

自2019年12月以来,新冠肺炎(COVID-19)疫情在全球范围内持续扩散,不仅严重危害到世界各国人民的生命健康,对公共医疗卫生体系提出严苛考验,还对经济贸易活动造成了巨大冲击,对国际社会产生了深远影响.一些研究采用数学预测模型对病毒传播和疫情发展进行模拟仿真,以帮助研究人员和政策制定者了解病毒传播机理,采取合理防疫政策进而抑制病毒进一步传播.然而现有研究存在一定局限性,例如方法选择单一、过于依赖模型参数选择、病毒传播与政策调整导致的数据时变性等问题.为解决上述问题,本文提出了基于时变模型平均(TVJMA)、时变参数模型(TVP)、传染病vSIR模型(vSIR)、逻辑回归模型(LR)、多项式回归模型(PNR)、自回归移动平均(ARMA)六种模型方法的综合集成预测框架,对不同地区疫情最为严重的6个国家的累计确诊人数进行预测.结果表明,对于单一预测方法,TVJMA方法表现优于其他五种方法;综合集成预测方法在绝大多数情况下明显优于单一方法,特别是基于误差修正权重的多模型组合预测方法,显著地提高了预测精度.对于不同预测步长,综合集成预测方法具有稳健性.     

基于分解-聚类-集成学习的汇率预测方法

本文集成了经验模态分解(EEMD)、最小二乘支持向量回归(LSSVR)和K均值聚类方法,提出了一个新的外汇汇率预测方法,称为基于EEMD-LSSVR-K的分解-聚类-集成学习的外汇汇率预测方法.该方法利用聚类策略将分解-集成学习中固定权值集成学习扩展到基于局部数据特征加权的非线性集成加权学习,从而克服了分解-集成方法中集成学习阶段的不足.本文将该方法用于四种主要外汇汇率的预测,实证结果表明:在提前1天、提前3天和提前6天的预测中,本文所提出的EEMD-LSSVR-K方法的水平预测性能和方向预测性能显著地优于基准模型;同时也证实了聚类策略能够有效提高分解-集成模型的预测效果.     

混沌时间序列的混合预测方法

提出了一种基于小波变换、粒子群优化的最小二乘支持向量机(PSO-LSSVM)和广义自回归条件异方差模型(GARCH)的混沌时间序列的混合预测方法.首先利用小波变换将混沌时间序列分解和重构成概貌时间序列和细节时间序列; 然后利用PSO-LSSVM模型预测概貌时间序列的未来值,采用GARCH模型预测细节时间序列的未来值;最后将概貌时间序列和细节时间序列的未来值求和作为最终的预测结果.采用该方法对Mackey-Glass和变参数Logistic混沌时间序列进行预测. 结果表明该方法能精确地预测混沌时间序列,验证了文中所提方法的有效性.     

基于CEEMD-CNN-LSTM的股票指数集成预测模型

为有效应对金融时间序列数据的高噪声、时间依赖性和非线性，本文构建了一种CEEMD-CNN-LSTM模型。该模型基于互补集成经验模态分解(CEEMD),以及卷积神经网络(CNN)与长短期记忆网络(LSTM),将原始金融时间序列分解重构为高频项、低频项和趋势项，同时应用CNN-LSTM模型分别对各分项进行预测，并将各分项的预测值集成为最终预测结果。为验证CEEMD-CNN-LSTM模型对金融时间序列数据预测的准确性和有效性，选取沪深300、标准普尔500(S&P500)股票指数收盘点数进行了实证分析。实证结果表明，CEEMD-CNN-LSTM模型能同时提取序列依赖关系和局部特征，可有效避免数据直接输入模型导致预测结果右偏等问题，与其他主流预测模型相比，其预测精度更高，预测误差显著降低。     

基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

基于改进迁移学习的高速铁路短期客流时间序列预测方法

高速铁路短期客流的预测能为客票分配、开行方案制定、车站客运组织等运营层面组织工作服务,以提高运力资源配置效率和运输服务水平。针对该预测工作往往缺乏有效样本、难于处理时间序列的非稳态性等难点,本文提出一种基于改进迁移学习的高速铁路短期客流预测方法。该迁移学习算法是在经典提升(Boost)算法基础上,结合时间序列特征所提出的。首先,通过时间序列的初筛机制得到源域时间序列与目标域时间序列的距离,并获取与目标域时间序列更相似的源域时间序列。然后,通过将整体时间序列分解为线性时间序列和非线性时间序列,采用季节性差分自回归移动平均模型进行线性拟合后,获取非线性时间序列作为初始源数据集合。最后,通过对训练样本和随机森林回归模型的权重调整实现多样本的迁移,能有效降低负迁移,提升算法稳定性。并以某铁路局客票数据为例进行高速铁路客运量预测及验证,结果表明改进迁移学习都能有效提升预测精度,证明该方法能高效地运用于实际的高速铁路短期客流预测中,有利于提升运力资源配置效率和高速铁路运输服务水平。     

基于LSTM-SVR模型的航空旅客出行指数预测

航空旅客出行的情况对民用航空机场建设与运营具有重大意义，定义了一种航空旅客出行指数，运用机器学习方法对航空旅客出行指数进行预测，克服了单一预测模型精度的不足，提出一种将长短期记忆网络(LSTM)与支持向量回归(SVR)相结合的航空旅客出行指数组合预测模型，并对预测结果集进行聚类分析。以上海机场航空旅客数据为实证，验证了LSTM-SVR组合预测模型可行性与有效性，实验结果显示：LSTM-SVR组合预测模型较传统单一预测模型具有更高的精度；同时，LSTM-SVR组合预测模型与其他组合预测模型相比也有较明显优势。此外，基于K-均值算法对航空旅客出行指数进行聚类分析并给出评级，此举为机场运营管理及旅客出行提供一定的决策支持。     

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).     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

A Demand Forecasting Method Based on Stochastic Frontier Analysis and Model Average: An Application in Air Travel Demand Forecasting

Demand forecasting is often difficult due to the unobservability of the applicable historical demand series. In this study, the authors propose a demand forecasting method based on stochastic frontier analysis(SFA) models and a model average technique. First, considering model uncertainty,a set of alternative SFA models with various combinations of explanatory variables and distribution assumptions are constructed to estimate demands. Second, an average estimate from the estimated demand values is obtained using a model average technique. Finally, future demand forecasts are achieved, with the average estimates used as historical observations. An empirical application of air travel demand forecasting is implemented. The results of a forecasting performance comparison show that in addition to its ability to estimate demand, the proposed method outperforms other common methods in terms of forecasting passenger traffic.     

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(P，d，0)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计，采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验，结果表明：减小遗忘因子可以提高一步预测的性能。此外，将该算法分别应用于工作日和双休日的数据时，仿真实验都取得了较好的预测效果，说明该算法对不同交通流状况具有较好的适应性。     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

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.     

短时交通流预测FSMSVR模型

针对城市道路短时交通流的复杂非线性特点和以往的预测仅考虑典型交通条件（无交通事故等突发事件）的现状,结合交通流的特征,提出了一种有限状态机支持向量回归模型（finite state machine of support vector regression model,FSMSVR）的短时交通流预测机制. 通过线性回归算法和指数平滑算法划分交通流状态,根据各状态特点结合支持向量回归算法建立有限状态机工作机制,实现涵盖典型和非典型交通条件的短时交通流预测. 通过实验例证,对比了FSMSVR模型和传统SVR模型对城市道路6min交通流的预测,研究结果表明,该预测机制能够提高预测精确度,在非典型条件下有着较好的预测表现.     

基于二层分解技术和改进极限学习机模型的PM_(2.5)浓度预测研究

准确的PM_(2.5)浓度预测对于保护公众健康和提高空气质量有重要意义,然而,由于PM_(2.5)浓度序列的随机性、非线性以及非平稳性等特征增加了对其准确预测的难度.本文提出了一种基于二层分解技术和改进极限学习机(ELM)模型的PM_(2.5)浓度预测方法,该方法融合了快速集成经验模态分解(FEEMD)和变分模态分解(VMD)两种分解技术以及经过差分演化(DE)算法优化的ELM模型.为了验证所提出预测方法的有效性,本文使用该方法对北京市和石家庄市的PM2.5浓度序列进行了预测研究.结果表明:1)相比于单层分解技术,本文提出的二层分解技术可以更加有效地降低PM2.5浓度序列的非线性及非平稳性特征;2)基于二层分解技术的DE-ELM预测模型可以显著提高PM_(2.5)浓度的预测精度.