基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

基于组合模型的大宗商品价格预测与可视分析——以甲醇价格为例

大宗商品价格因受国际和国内众多因素的影响而具有较大的波动性,对其进行准确预测具有较大的挑战.从对大宗商品价格影响因素的筛选出发,提出了基于因素分析的组合预测方法.对一年期的甲醇价格的跟踪预测表明,以广义自回归条件异方差(generalized auto-regressive conditional heteroskedasticity,GARCH)模型和自回归移动平均(auto-regressive and moving average,ARMA)模型相结合的组合预测模型对甲醇价格的中长期趋势预测有较好的效果.为结合专家的经验判断,弥补已有方法对波动拐点预测滞后的不足,并对各类组合模型的预测效果进行动态比较,构建了一个融合专家经验值的动态可视分析系统.     

太阳黑子的多项式趋势-自回归-条件异方差模型

用确定性趋势与残差服从条件异方差模型的自回归模型组合，作为太阳黑子相对数的数学模型，用它拟合1848—2002年太阳黑子相对数数据，取得很好的效果，首先通过逐步回归与逐步自回归，建立太阳黑子数的多项式趋势-自回归校正模型，然后通过PortmanteauQ检验和Lagrenge乘子检验证明残差存在强烈的异方差性，表明仅仅用多项式趋势-自回归校正模型是不够的，再配上一种条件异方差模型，即EGARCH模型控制其残差方差，从而建立多项式趋势 自回归 EGARCH模型，用此模型进行数据拟合回代，分析和预测，表明该模型的拟合，预测效果是好的，所分析的太阳黑子周期是恰当的。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于GARCH模型的海西州地区高血压发病情况研究

基于广义自回归条件异方差模型的理论,通过建立广义自回归条件异方差模型研究高血压月发病率和月平均气温之间的相互关系.文章通过EViews软件对青海省海西州地区高血压发病病例监测登记资料进行统计分析,并利用原数据建立广义自回归条件异方差模型,通过对模型中的残差序列进行独立性检验和预测,确定所建立的广义自回归条件异方差模型的合理性.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于GARCH-VaR模型的汇率风险实证研究

现阶段人民币汇率波动及其风险度量受到广泛关注.该文基于2013年1月4日至2016年12月5日美元、欧元、加元和港币的人民币汇率每日中间价数据,建立t分布和广义误差(GED)分布下的广义自回归条件异方差(GARCH)模型,并在此基础上计算四个汇率收益率序列的VaR值.最后,通过似然比(LR)方法检验VaR值的有效性,得出99%置信度下GARCH-GED模型计算的VaR值准确性较高.     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

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ARMA与BP神经网络模型的产品质量安全风险预测

主要通过对产品伤害人数的预测来表征产品质量安全风险。依据产品伤害人数的时间序列数据,建立较为稳定的ARMA模型和BP神经网络模型对产品伤害人数做出了科学的预测;并对两种预测方法进行了实证结果比较与分析,为管控产品质量安全风险提供方法支持。     

基于灰色BP神经网络的我国工业增加值预测研究

针对我国工业增加值存在季节波动性等外部因素影响其预测准确性不高的问题,提出了一种基于灰色BP神经网络的工业增加值预测算法,即采用以我国2008~2017年各季度工业增加值数据作为时间序列建立的灰色BP神经网络预测模型进行预测。结果表明,采用灰色BP神经网络组合模型预测的精度较灰色模型和BP神经网络模型精度分别提升了0.94%~4.98%和0.01%~0.08%,稳定性分别提升了1.43%~2.97%和0.03%~0.05%。此实验结果验证了灰色BP神经网络组合模型可以有效预测我国工业增加值的发展趋势,进而为政府部门制定工业发展政策提供有效依据。     

基于算术平均最小贴近度和BP神经网络的变权组合预测模型研究

通过构造新的差值-比例矩阵,对2012年的沪铜期货价格建立了基于算术平均最小贴近度和BP神经网络的变权组合预测模型,并对沪铜期货价格进行了实证研究.结果表明,基于算术平均最小贴近度和BP神经网络的变权组合预测模型的预测精度明显高于各个单模型的预测精度,说明了此变权组合预测模型是有效的.     

基于人工智能的人民币/美元汇率组合预测模型

针对在人民币/美元汇率收益率的尖峰厚尾、波动性聚集性与杠杆效应等特征,单个预测模型往往难以完全将这些数据特点完全反应,为更有效地利用各个模型的优点,利用协整关系和神经网络的非线性特点将不同的单一模型进行组合。实证表明:组合模型能产生更好的预测精度。     

利率期限结构波动效应协整的实证

在刻画短期利率波动具有长期回复均值和负向飘移率的非线性均值-广义自回归条件异方差(GARCH)模型中,引入马尔科夫区制转移特征,给出波动区制转移概率的计量递推公式和最大似然函数数值求解程序.对动态模型综合设计的科学性进行参数假设检验,证实非线性均值回复与马尔科夫区制转移效应的GARCH模型相比,其单独或双项组合的杠杆效应、负向信息强响应、高波动低持续等效应模型具有更强的现实数据拟合能力,可从时间序列和横截面角度,进一步揭示短期市场利率期限结构的内在波动规律.     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。