预测支持系统的研究与发展

预测在决策中起着非常重要的作用，但作出准确的预测是很困难的，预测支持系统集预测方法，预测领域及应用领域知识为一体，充分利用计算机的支持作用，是帮助人们进行预测的有效工具，研究人员非常重视预测支持系统的研究，本文对预测支持系统的结构设计、模型管理、人工智能在系统中的应用以及预测支持系统的一些实际应用进行了概述，并分析了“多库”结构预测支持系统在进行复杂问题预测时的一些不足之处，指出Ａｇｅｎｔ预测支持     

非平稳时间序列的组合预测建模条件及应用

本文考虑当被预测的时间序列变量为非平稳过程时,由单项预测构成组合预测的条件。研究发现组合预测中的任何一个单项预测,与被预测变量具有协整关系是构成组合预测的重要条件。最后,讨论汇率预测的组合建模问题。     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

基于关联度的跳频频率多步预测方法与仿真

对于跳频频率多步预测,目前采用较多的是基于欧氏距离意义下的最邻域混沌预测方法.但基于欧氏距离意义下的最邻域混沌预测方法预测精度难以满足实际需求,因此限制了其多步预测能力.为此,为了提高预测精度及多步预测能力,提出了一种基于关联度的跳频频率多步预测方法.通过计算机仿真表明,基于关联度的跳频频率多步预测方法较基于欧氏距离意义下的最邻域混沌预测方法具有更高的预测精度及多步预测能力.     

神经网络在预测中的一些应用研究

预测是一个很难的研究课题，近来利用新的科学理论探索新的预测方法是预测界人士进行预测课题研究的一个重要方面．其中人工神经网络在预测领域中的应用研究进展最快，它包括研究神经网络预测方法和神经网络在预测过程中作为辅助工具．本文介绍几种主要的神经网络预测方法及其应用和利用神经网络确定ＡＲＭＡ 模型的结构．     

飞机研制费用的组合预测方法

针对飞机研制费用预测样本数据较少、影响因素复杂,单一预测方法预测质量不高的问题,采用组合预测方法预测飞机研制费用。组合了径向基函数（radial basis function, RBF）神经网络、格拉姆施密特回归、偏最小二乘回归(partial least squares regression, PLSR)3种预测方法,基于样本数据建立了飞机研制费用组合预测模型,并与单项预测进行了对比分析。结果表明,组合预测具有满意和稳定的预测精度,并可以降低单项预测的质量风险,是飞机研制费用预测可靠而有效的方法。     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

调和平均的组合预测方法之性质研究

调和平均的组合预测是一种非线性组合预测方法．对基于最小几何距离的加权调和平均组合预测模型的性质进行了研究，从理论上说明了该种方法的有效性．首先提出新的非劣性组合预测、优性组合预测、预测方法优超、冗余度的概念；其次指出模型的任一个可行解对应的组合预测至少是非劣性组合预测，并给出优性组合预测存在的一个充分条件；最后证明在一种单项预测方法优超另一种单项预测方法的条件下冗余预测方法出现的判定定理．     

不确定性系统预测理论的基本问题

论述了不确定性系统预测理论的基本概念及原理、预测特性及分类、预测的精度要求及评价标准、预测的指标体系及建模原理以及预测方法的基本问题 ,为建立适应时代发展需要的新型预测理论与方法奠定了基础 .     

招股书净利润预测误差与初始收益率关系——1993～2009年我国A股IPO市场的证据

从投资者和IPO公司对净利润预测误差的预期判断差异视角,分析了净利润预测误差和首日初始收益率的相关性;基于分位数回归方法检验1993～2009年我国A股IPO样本净利润预测偏好、误差与首日初始收益率之间的决定关系,实证发现:年度平均预测偏好表明,IPO公司能适应期间发生的重大金融事件,预测精度呈上升趋势;预测误差越大的公司,公司规模和预测期对预测误差的正向作用越强;公司规模越大、预测期越短,则IPO公司比随机游走和增长模型的预测能力越强;累计投标询价方式下,IPO公司和投资者对净利润预测误差的判断倾向于分歧;当IPO公司净利润预测悲观时,固定价格方式下,投资者会出现预测分歧;而相对市盈率定价方式下,投资者倾向于做出一致的预测判断。     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

灰色马尔柯夫链预测模型及其应用

一、前言 灰色预测与马尔柯夫链(以下简称马氏链)预测是两类应用较为广泛的预测方法,它们都可以应用于时序预测,但各具特色和局限。 灰色预测是指以GM(1,1)模型为基础所进行的预测,它主要用于时间短、数据资料少、波动不大的预测问题,只需很少的几个数据就可建立模型进行预测,尤其对短期预测具有较高的精度。但其预测的几何图形是一条较为平滑的曲线,要么单调递增,要么单调递减,进行长期预测时,预测值往往偏高或偏低(根据几何图形而定),因而对随机波动性较大的数据列拟合较差,预测精度较低。而马氏     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.     

组合预测方法在粮食单产预测中的应用

组合预测是利用各种预测模型所包含的独立有用预测信息来对事业未来发展趋势进行预计，估测的过程。通过粮食单产预测实例，论证了组合预测方法是一种比单一预测方法具有更能收到料好预测效果的佳法。     

多agent股票预测支持系统的设计

股票市场的预测是一个非常难的研究课题，建立股票预测支持系统是进行股票预测的一种有效手段，本文提出一种全新的利用多agent系统来设计股票预测支持的方法，将每一种定性或定量的预测方法都设计成一个预测agent，各个预测agent都有预测求解方法，知识处理及同其它agent通讯合作的能力，随着系统的运行，各个agent不断地学习以提高自己的能力，从而提高整体系统预测准确性。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

线性预测类算法解相干性能分析

针对经典的线性预测类算法进行了深入系统的研究,给出了各类线性预测算法间的相互关系。在此基础上分析了单向多阶性预测和双向线性预测算法能够解相干的本质,并进一步给出了线性预测算法与空间平滑算法的内在联系。最后通过计算机仿真验证了单向多阶线性预测和双向线性预测算法的解相干性能。     

农村土地整理效益预测模式构建

农村土地整理效益预测是农村土地整理工作开展的重要组成部分,如何预测及预测要达到的目的需要进行科学的探索。采用层次分析法构建了土地整理的效益预测模式,对土地整理的经济效益、社会效益和环境效益作综合预测,并在这3种效益的基础上分出3个子预测层,共同构成预测树,根据预测树的结果分析土地整理工作的效益。图1,表2,参2。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。