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。     

预测控制最新算法综述

随着预测控制在工业过程控制中的广泛应用，预测控制在算法和理论研究上都取得了长足进展。本文系统地总结了模型预测控制算法和非线性模型预测控制算法，并对各种算法的特征进行评述，指出预测控制算法存在的问题和研究方向。     

神经网络模型用于多变量综合预测

本文研究神经网络用于多变量时间序列预测的原理与方法，提出组合多种信息的综合预测方法。以股票交易为例，用神经网络组合各类信息，运用信心股价理论对中国股市的发展进行跟踪预测。在此基础上进一步从信息利用的角度说明了神经网络预测方法的特点。结果表明，神经网络模型用于多变王时间序列预测，其精度和趋势均较统计方法有所提高；神经网络综合预测，对中短期股票价格的预测，有实用价值。     

组合预测方法在浙江省粮食产量预测中的应用

在介绍组合预测方法的基础上，利用最优加权法对浙江省几年后的粮食总产量进行预测。采用线性规划方法确定最优组合的权系数，并对预测出的结果进行了分析和讨论。     

神经网络在水资源预测中的应用

人工神经网络通过神经元之间的相互作用来完成整个网络的信息处理，具有自学习和自适应等一系列优点，因而用它来进行水资源预测是可行的。针对水资源预测问题，初步建立了基于神经网络的预测系统，给出了应用实例。这是水资源预测的一种新的尝试。     

基于神经元网络的股票市场预测

本文利用时延神经元网络模型对上证指数作了预测。股价的涨跌预报可视作高维空间的非线性分类问题，本文使用增益可调的反向传播算法，对股票市场的走势作了预报。借助前馈神经网络对非线性函数的逼近能力，本文对上证指数这个时间序列作了连续若干天的一步预测。最后，我们采用不同形式的误差地预测结果作了比较。     

住宅市场需求的组合预测

将组合预测方法引入住宅市场需求预测，以实例具体介绍了组合预测的应用过程，实例中采用了神经网络、灰色模型等预测方法的组合体系，对当前环境下的住宅市场需求预测进行了有益的探索。     

市场需求Logit组合预测的研究

首先阐述了网络市场营销和传统市场营销的区别，分析了在该环境下市场需求的变化和相应的特点。其次，研究了一种利于计算机建模的市场需求组合预测方法，即采用Logit回归法训练数据的市场需求组合预测模型。最后，将该方法用于家用电冰箱市场需求趋势预测的示例研究，采用信息熵的方法，检验了组合预测模型的预测效果。实例表明，该方法可以通过调整组合权重提高预测精度。     

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     

混沌系统可预测尺度研究

着重讨论了混沌系统未来状态预测的“长期”与“短期”问题。混沌系统的初始状态敏感性决定了其不可长期预测性。但在短期内对混沌系统的运动作出准确预测还是可能的。基于此，给出了混沌时间序列的平均可预测尺度及最长可预测尺度，以此来界定短期预测的时间范围。最后利用Logistic映射以及Henon映射产生的混沌时间序列对上述理论进行了实例骓证，得到了较为理想的结果。     

基于标准差的预测有效度的组合预测模型

针对考虑预测精度标准差的预测有效度的组合预测模型，提出了新的优性组合预测、预测方法优超和冗余度的定义．然后探讨了非劣性组合预测以及优性组合预测存在的充分条件，并给出冗余信息出现的一个判定定理．最后也讨论了组合预测模型的新的近似计算方法，给出实例分析，结果令人满意．     

最优需求预测下预测与处理过程中的牛鞭效应

研究了在AR(1)市场需求模式下,生产商与零售商所组成的供应链系统中,当零售商采取不同预测技术时,在信息预测,处理及传递过程中产生的牛鞭效应问题.证明当存在订货提前期时,零售商采用移动平均法及一次指数平滑法预测会导致在需求预测,信息处理及传递过程中产生牛鞭效应;而采用最优预测仅在需求相关性很强时存在有限值的牛鞭效应.并对二级供应链进行拓展,证明在信息传递过程中,非最优预测将导致上游需求模式复杂化,牛鞭效应逐级递增,而最优预测可使上游需求模式简化,遏制误差的传递.     

一种新的集成预测方法——GPVECM

采用基于遗传规划的因子提取方法来解决从大量非平稳数据中提取非平稳因子的问题,并提出一个基于遗传规划与向量误差修正模型相结合的集成预测方法(GPVECM).此方法以预测误差最小化为目标优化了因子提取过程,将因子提取与预测模型有机地集成在一起.本文应用GPVECM方法对中国进出口贸易预测进行了实证检验,取得了良好的预测结果,表明此方法能够有效地提炼数据中的信息,从而提高预测精度,进行有效预测.     

外商直接投资趋势研究——基于灰色马尔可夫预测模型与时间序列模型的对比

外商直接投资是影响中国经济发展的重要因素,而未来外商直接投资的预测是其发展和决策的基础.文章在阐述外商直接投资对中国经济发展的作用以及对未来中国利用外资水平预测的必要性的基础上,选取2000-2013年度中国利用外商直接投资(FDI)的数据,通过建立灰色马尔可夫(GMM)和时间序列模型,对中国利用FDI的趋势进行预测,并对预测结果精度进行比较,以得出较优的预测模型.研究结果表明:传统灰色模型合格,但仍有可提升的空间;在此基础上,建立GMM预测模型对结果进行修正,所得模型的灰色关联度有很大提升,且与真实值差距进一步缩小;建立时间序列模型,并据此对数据进行预测;比较GMM与时间序列模型预测结果的精度,可知,GMM的预测精度较高,拟合效果较好.为验证这一结果的可信度,文章选取1990-2013年度北京市和重庆市FDI水平的数据,建立GMM和时间序列预测模型,再次发现GMM预测效果优于时间序列模型的预测效果.基于此,GMM对中国利用外资水平的预测结果较为可信,预测结果对完善中国直接利用外商投资的机制具有一定参考价值.     

先行指标与宏观经济波动预测

文中基于非参数协整检验, 建立了基于先行指标预测我国经济短期波动的平滑转换自回归模型,以考察不同先行指标对短期内宏观经济波动的预测能力. 结果显示： 经济合作与发展组织（OECD）先行指标对季节调整后实际产出水平的预测误差基本在1%以内, 国家统计局先行指标对国内生产总值（GDP）同比增长率的预测误差基本在5%以内. 对2011年第2季度后GDP增长的样本外预测结果表明, 两种先行指标的预测结果都与实际GDP增长率很接近, OECD指标的预测精度略优于国家统计局指标.     

外汇储备的组合预报法

通过深入研究我国外汇储备季度增量与主要宏观经济变量的计量关系,发现宏观经济形势对外汇储备增长有重要影响.提出R²权重组合预报法, 该方法将R²统计量作为模型预测结果组合的权重, 对不同模型的预测结果进行组合加权,得到了较为稳定而且准确的预报结果:外汇储备规模将会持续增长.对此结果提出了相应的政策建议.     

GA-SA模型预测中国能源需求

为预测中国能源需求,本文提出了一种新的遗传算法(genetic algorithm)和模拟退火法(simulated annealing)混合方法,称为GA-SA,该方法能利用各自的优势,克服彼此之间的弱点.分析了GDP、人口、固定资产投资、能源效率、能源消费结构及居民生活水平六个主要能源影响因子后,使用1981至2012共32年间各因子及能源消费的观察数据,运用GA-SA方法优化非线性二次能源评估方程,得出了该方程的权重系数.结果显示,提出的方法和选取的能源因子构建的GA-SA模型预测的能源值与观察数据值及其接近,并与其它模型进行了比较,准确性上提高了至少两个数量级.运用提出的GA-SA模型预测了中国在2015和2020年时两种不同情景下的能源需求量,并提出了一些政策性建议.     

基于WNN-RAGA 的非线性组合预测方法

将小波变换与神经网络结合构成WNN非线性组合模型，弥补单一预测方法的不足，利用RAGA 的全局优化能力，优化WNN 学习的网络参数，解决传统WNN网络学习算法在学习后期收敛速度慢、存在局部最小值以及训练结果不稳定的问题。实例的预测结果显示出这种基于WNN-RAGA 非线性组合预测的良好预测性能。     

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.     

Robust trading rule selection and forecasting accuracy

Trading rules performing well on a given data set seldom lead to promising out-of-sample results, a problem which is a consequence of the in-sample data snooping bias. Efforts to justify the selection of trading rules by assessing the out-of-sample performance will not really remedy this predica- ment either, because they are prone to be trapped in what is known as the out-of-sample data-snooping bias. Our approach to curb the data-snooping bias consists of constructing a framework for trading rule selection using a-priori robustness strategies, where robustness is gauged on the basis of time- series bootstrap and multi-objective criteria. This approach focuses thus on building robustness into the process of trading rule selection at an early stage, rather than on an ex-post assessment of trading rule fitness. Intra-day FX market data constitute the empirical basis of the proposed investigations. Trading rules are selected from a wide universe created by evolutionary computation tools. The authors show evidence of the benefit of this approach in terms of indirect forecasting accuracy when investing in FX markets.