基于朴素贝叶斯分类算法的股指预测研究

预测大盘指数的涨跌幅度在股票投资中具有重要的意义。大盘指数的涨跌既与国家的宏观经济政策有关,也与大盘指数自身运行状态有关。结合朴素贝叶斯分类算法和股票大盘指数涨跌的影响因素建立了大盘指数分类预测模型,以上证指数为例进行了实验,结果表明分类预测模型有效,准确性较高。     

基于R语言的网络舆情对股市影响研究

以开源R语言为平台,东方财富网的股评为研究对象,结合中文文本挖掘技术和SVR支持向量回归模型.利用中文挖掘技术,对股评进行去噪声、分词、同义词合并、去停用词、TFIDF、文本向量化将非结构化文本数据转化为结构化的特征向量矩阵,与股票的收益率建立SVR回归模型,通过预测未来的股票收益率来预测股价的涨跌趋势.研究结果表明,预测股价涨跌趋势与实际趋势基本吻合,可以通过分析网络舆情来对股市未来发展趋势进行预测.     

基于循环神经网络和深度学习的股票预测方法

本文提出一种基于多路循环神经网络与深度学习的股票预测方法。针对股票的涨跌预测问题,使用分布式向量表示方法提取出股票相关的新闻文本特征,同时考虑到股票相关信息的时序性以及新闻影响的持续性特质,使用多路循环神经网络模型对所提取的特征与交易信息进行协同训练,从而获得历史信息的低维向量表示。最后将多个循环神经网络的输出进行拼接,利用深度神经网络共同对股票的涨跌进行分类预测。本文使用上证A股的价格与新闻数据进行实验,实验结果表明,本文所提出的方法在股票预测任务上具有明显的优越性。     

多元回归法预测饱和醇在不同色谱柱上的保留指数

建立了饱和醇结构拓扑指数和在不同固定相上保留指数相关性的多元回归模型。所研究的饱和醇包括伯、仲、叔醇，由19个饱和醇组成训练集，另外6个饱和醇组成测试集，训练集回归得到的模型拟合训练集保留指数平均相对偏差为0．56％，预测测试集的保留指数平均相对偏差为1．25％。因此，本方法是一种很好的预测饱和醇类气相色谱保留指数的方法。     

关于股票价格优化预测的建模仿真研究

股票数据具有非线性和含有大量噪声的特点,传统股票预测模型难以充分识别股票非线性特征以及降低噪声,导致预测精度不高.为了提高预测精度,去除冗余特征并加强特征的区分度,引入流形学习中的线性局部切空间排列算法,提出了一种新的支持向量回归机的股价预测优化模型.首先利用线性局部切空间排列算法对股票原始数据进行特征提取,然后采用支持向量回归机对提取到的特征和股票价格之间的非线性关系建模,并利用遗传算法优化支持向量回归机的参数,最终提高股票价格的预测精度.为证明模型的有效性,采用标准普尔500指数在2012—2013年、2014—2015年2个时间段内的股票数据进行检验.实验证明,提出的模型相较其他对比模型具有更高的预测精度,更强的泛化能力.     

基于高光谱的棉花中钾含量的预测研究

本研究以农一师十团试验田棉花为研究对象，通过野外调查取样和室内理化分析与光谱测试，研究了棉花钾素含量与光谱特征的关系．结果表明对原始反射率进行微分处理能提高模型的预测精度，在所有预测模型中，二阶微分模型的预测效果最好，由45个样本所得出的回归方程的相关系数达到-0．5994，达极显著水平，为所有回归方程中的最大值，通过对该模型检验，得出该模型的预测平均相对误差仅为8．40％。预测精度迭到91．6％，RMSE=0．279。     

基于行业背景差异下的金融时间序列预测方法

股票市场预测可为投资决策提供重要依据,但在当前的量化投资领域,研究者大多基于单一行业对股票的金融时间序列进行预测研究,忽略了行业背景差异下的股票特征信息;同时,还存在难以有效提取股票时序数据特征、股票情感指标以及股票趋势预测不准确等问题.为解决上述问题,提出利用一种新的WBED(Word2vec-BiLSTM and EncoderDecoder)混合模型对不同行业背景下的股票信息进行时间序列预测研究.该方法采用WB模型进行情感分类,计算情感值,获取情感指标;然后引入双注意力机制,在Encoder模型中利用特征注意力机制给股票时序数据特征赋予不同权重以区别不同特征的重要程度,在Decoder模型中利用时间注意力机制给Encoder模型中LSTM的隐状态赋予不同权重以区别不同时间维度信息的重要程度;最后,利用股票时序数据和情感指标进行股票预测.另外,考虑到不同行业背景下的股票对象对模型超参数的敏感度可能不同,所以为不同行业的股票对象选择合适的超参数使模型的预测性能更好.参考"2019中国上市公司500强",选取三个行业中的九家上市公司股票作为研究对象,采用四种对比模型和四个模型评价指标进行实验分析.实验结果表明,提出的新的混合模型在行业背景差异下的金融时间序列预测研究中有一定的优越性.     

基于损失函数为指数平方形式的稳健 Logistic回归

Logistic回归模型在处理分类数据中有着十分广泛的应用,通常为了简化模型而使用Logit变换将模型化为线性回归模型,但Logit变换会导致误差分量分布函数不同,从而导致模型误差增大.首先对Logit变换进行修正,在考虑离群值影响的基础上,利用指数平方损失函数和自适应LASSO形式稳健回归惩罚函数,从而对线性回归模型进行了修正,其次对股票涨跌情况进行了预测,最后结果表明,修正的模型对期望风险较小的投资者有更高的预测成功率.     

基于EDP算法的股票价格预测

股票价格预测一直是金融分析领域的一个重点和难题．目前，运用智能系统对股票市场进行预测的方法已经被广泛确立．本文提出了用基于贝叶斯网络的EDP算法进行股票预测的模型，相对于传统的预测方法，具有收敛速度快的特点，根据实验的仿真结果显示，该模型对于股票价格预测效果较好．     

变步长BLSTM集成学习股票预测

提出采用变步长双向长短期记忆网络(BLSTM)集成学习方法学习历史数据中股票价格变动的规律.针对股票涨跌变化的预测改进均方误差(MSE)损失函数,采用简易的模拟交易盈利评价指标以更好地度量预测模型在金融市场中的期望表现.通过前10～50步长的数据训练BLSTM,预测下1min各股票的涨跌变化.实验结果验证了不同数据预处理下,改进损失函数的有效性及变步长集成方法相对于单一网络的有效性.     

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics, BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach, ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique, SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest, RF)模型进行训练和贝叶斯调参。结果表明：与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F₁评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明：与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

Linear power amplifier modeling based on predistortion technology

Different power amplifier(PA) models have their own effects on PA linearization. In this paper, the nonlinear characteristic of the radio frequency power amplifier(RF PA) is simulated based on the two models combining predistortion technology, and the nonlinear effects of the two models are analyzed, respectively. The simulation results show that Power Series model normalized mean square error(NMSE) is-37.8 d B, which is less than Power Series model-30.4 d B before loading predistortion technology. NMSE of the two systems are-23.4 d B and-26.0 d B respectively, while Saleh model compensates better than the Power Series model combing predistortion technology. The error vector magnitude(EVM) of Power Series model is only 6.75%, whereas the Saleh model EVM is 9.99%, indicating that Power Series model can better describe the nonlinear characteristic of PA. It will have a positive effect on improving the power utilization of wireless communication system.     

基于O-U过程的幂函数族期权定价

为了使股票模型更加接近市场实际情况,文章针对股价波动的几何布朗运动模型对收益率假设的缺陷,对该模型进行了改进,假设股票价格遵循能反映股票预期收益率波动变化的指数O-U过程,利用Girsanov定理获得了指数O-U过程模型的唯一等价鞅测度。利用期权定价的鞅方法,得到了指数O-U过程随机模型下具有连续红利支付的幂函数族期权的定价公式。     

基于马尔克夫的灰色残差GM(11)模型在塑料老化行为预测中的应用

针对数据的离散程度较大时灰色GM(11)模型的预测精度较差这一问题引入残差修正在采用马尔克夫过程确定预测值的残差修正值正负号的基础上通过对灰色GM(11)模型得到的模拟值和预测值进行修正构建了基于马尔克夫的灰色残差GM(11)模型。以大气自然老化环境下LDPE棚模的拉伸强度的预测为例研究所建模型在塑料老化行为预测中的适用性。结果表明：由所建模型得到的LDPE棚模老化18个月和21个月的拉伸强度预测值与实际值的相对误差分别为1.49%和4.96%预测精度明显高于灰色GM(11)模型(相对误差分别为3.40% 和6.75%)可用于塑料老化行为的预测。马尔克夫的灰色残差GM(11)模型所需实验数据少预测精度高为塑料老化行为的预测提供了一种简易而可靠的新途径。     

基于车辆车载诊断数据的山地城市道路异常驾驶行为空间分布特征

为了探究山地城市异常驾驶行为的空间分布规律,本文基于车辆OBD（On Board Diagnostics）数据建立了异常驾驶行为空间分布规律模型。首先,以重庆市6条主干道130个路段为研究对象,定性分析道路坡度、弯度、公交站和开口与异常驾驶行为间的关联性;然后,分别构建Possion回归模型和零膨胀Possion回归模型（ZIP）、零膨胀负二项回归模型（ZINB）,对急加速、急减速、急转弯和超速行为发生频率的空间分布特征进行了描述;最后,随机选取路段进行模型验证,结果表明：对于急加速率、急减速率空间分布特征,Possion回归模型拟合效果较优,绝对误差在10%~10%;急转弯率适宜采用ZINB回归模型,80.77%的绝对误差分布在（-0.005~0.005）;超速率适宜采用ZIP回归模型,71.15%的绝对误差基本分布在（-0.002~0.002）区间。     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。     

大兴安岭北部林区林火干扰强度对兴安落叶松群落影响研究

研究大兴安岭北部林区不同强度林火干扰对兴安落叶松群落的影响。通过对兴安落叶松群落乔木层、下木层和草本层植被的调查与分析发现：乔木层的多样性几乎没有变化．林火干扰对兴安落叶松林的平均胸径、平均树高和平均枝下高均有明显的影响，并且随着干扰强度的增强呈增长趋势．按照干扰强度由轻到重（即轻度、中轻度、中重度、重度）．平均胸径分别增加了5％（差异不显著）、24％、56％、87％；平均树高分别增加了8％、25％、56％、87％；平均枝下高分别增加了28％、48％、60％、93％；林火干扰对下木层植物的多样性指数随着林火干扰强度的增加，呈先上升再下降的趋势。在中轻度干扰下．达到最大值。之后随着林火干扰强度的增加缓慢下降．但均大于未干扰时的多样性干扰强度对该层植物的丰富度指数和均匀度指数的影响也是呈先上升，在中轻度时达到最大值，之后下降的趋势．中轻度干扰下的植物种类较未干扰时增加40％．重度干扰减少40％。草本层植物多样性指数随林火于扰强度的变化与下木层植物刚好相反：在中轻度时下降到最小值，之后随干扰强度的增加而上升。对于丰富度指数，中轻度于扰和重度干扰对其影响明显：中轻度干扰时植物种类增加了42％．重度干扰时减少了42％。均匀度指数只在中轻度干扰时显著降低．总之．一定间隔期的中轻度火干扰有益于兴安落叶松群落。