基于“克强指数”对中国GDP的混频预测研究

通过构建MIDAS混频数据模型,基于"克强指数"对中国季度GDP增长率进行预测研究,并与ADL同频模型的预测误差相比较,结果表明,MIDAS混频数据模型在预测精度上占优,因此可用月度"克强指数"对季度GDP增长率进行预测,为宏观经济政策的制定提供依据。     

基于混频模型的外商直接投资对中国宏观经济波动预测研究

引入外商直接投资(foreign direct investment, FDI)和“三驾马车”,基于混频数据抽样模型预测中国季度GDP增长率，考察新冠疫情背景下FDI对中国宏观经济波动的影响。研究发现，单变量混频模型的均方根误差(root mean square error, RMSE)小于基准模型，预测精准度更高；多元混频模型引入FDI后，模型的实时预报RMSE比值为0.13,低于未引入的0.16,预测季度GDP增长率更精准；基于FDI预测的季度GDP增长率较“三驾马车”更高，表明FDI促进经济增长。     

基于ADL-GARCH的电价预测模型及其应用

根据电价序列的特点,首先利用动态计量经济理论构建出一般的自回归分布滞后ADL模型,通过检验统计量修正得到ARMA短期电价预测模型,然后对ARMA模型进行GARCH效应检验,最后根据检验结果构建出ARMA-GARCH的短期电价预测模型.利用新模型对美国加州电力市场的电价进行短期预测,结果表明,新模型能够有效地跟踪实际电价变化的趋势,具有较高的预测精度和良好的适应性.     

RBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性.     

基于深度学习的PM2.5短期预测模型

为了提高PM2.5浓度短期预报的准确率,解决现有PM2.5浓度短期预报准确率不高的问题,提出了一种基于卷积神经网络和长短时记忆的深度学习预报测型.首先,综合考虑气温、相对湿度、降水量、风力、能见度等多种气象要素,综合分析气象要素与PM2.5浓度相关性.其次,利用PM2.5浓度数据、气象站点观测数据和气象要素网格实况分析数据进行融合处理,生成用于训练和测试的时空序列数据,并使用卷积神经网络和长短时记忆网络获取时空特征.通过大量实验确定模型中关键参数,然后利用最优参数建立预测模型.最后,使用模型对PM2.5未来24 h浓度进行预测,并与支持向量机、业务中的预报模型进行对比.实验结果表明,相比其他机器学习方法和预报方法,卷积神经网络和长短时记忆相结合的预测方法能有效提高PM2.5浓度未来24 h预测精度,并具有较高的泛化能力.     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于修正残差的协同预测模型边坡失稳预测应用

斜坡的协同预报模型是一种新的斜坡失稳时间预测模型。通过改变边界条件的灰色预测模型对残差进行了分阶处理,使原有协同预测模型的精度和预测准确性更高。并结合实例检验了改进的预测模型用于滑坡短期预报的有效性、可行性。     

主动式升沉补偿控制系统及运动预报

针对主动式升沉补偿系统的时滞特性会造成控制效果变差甚至使系统失稳问题,考虑采用模型预测控制算法对其进行控制.并从提高系统抗干扰性角度出发,将模糊-比例积分微分(PID)控制与模型预测控制进行结合形成预测模糊PID控制,并将其与动态矩阵PID控制进行了仿真比较.最后为了进行实时的升沉补偿,采用时间序列法自回归预测模型对吊装点的运动进行了预报.仿真结果表明:预测模糊PID控制在系统存在时滞的情况下既保证了系统的稳定性又提高了系统的抗干扰性;时间序列法自回归预测模型对于极短期的运动预报具有较高的预测精度,可以满足主动式升沉补偿系统的预报要求.     

基于GIOWA算子的中国FDI预测研究

首先通过相图对我国1980~2014年实际利用外商投资(FDI)的数据进行检测发现不存在混沌吸引子,即得出FDI可预测性的结论.接着在ARIMA、Logistic模型、多元线性回归模型的基础上并通过引入GIOWA算子,利用我国实际利用外商投资总额建立一个组合预测模型,并把它应用于我国FDI的预测.通过各类误差比较得出组合预测显著优于三个单项模型的预测结果,证明了组合预测模型对于时间序列的预测具有更好的预测效果.最后利用所建立的组合预测模型对2015~2017年我国FDI进行预测,预测结果表明接下来的三年我国FDI将保持低于5%的增长率稳定发展.     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

天气数据模糊化处理对神经网络短期负荷预测模型的影响研究

介绍了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法,计及了天气和日期特征量．应用模糊集理论将天气和日期特征量模糊化后作为BP神经网络的一部分输入进行训练,同时考虑实际历史负荷数据构造了短期负荷预测模型,预测未来24h负荷．通过典型算例与普通BP方法预测结果相比,表明该方法是有效的并具有较高的预测精度．     

参数联合求解的短期负荷混沌预测模型

为了提高短期负荷的预测准确性,基于短期负荷的混沌变化特性,提出一种模型参数联合求解的短期负荷混沌预测模型.首先将相空间重构的参数和最小二乘支持向量机的参数联合编码成粒子的位置向量,使每一个粒子根据自身飞行经验和种群飞行经验不断改变前进方向,从而找到最优位置向量,即相空间重构和最小二乘支持向量机的参数.然后采用最优参数建立短期负荷预测模型,并采用短期负荷数据进行性能分析.结果表明,预测模型可以发现短期负荷数据隐含的变化规律,获得了满意的短期负荷预测结果.     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

中国高频资产价格对经济增长影响效应及作用路径研究——基于多元混频数据M-MIDAS模型的分析

构建了六种混频数据M-MIDAS模型研究中国高频资产价格对低频经济增长影响效果及预测能力.结果表明:当滞后阶数变动到30阶时,以两参数贝塔(Beta)权重函数构建的MMIDAS模型拟合效果及样本内预测结果最优,Beta-M-MIDAS模型能够提取更多高频变量股票价格的日数据信息.高频资产价格股票价格、房地产价格对中国经济增长会产生显著正延迟效应,其中房地产价格的影响效应大于股票价格的影响效应.     

基于平流层环流变化的夏季长江下游强降水频数气候预测模型

采用相关分析方法,研究了6~8月长江下游强降水频数与前期冬季12~2月全球50 hPa纬向风的关系;并研制了基于KLM滤波的夏季长江下游强降水频数气候预测模型。结果表明,存在3个显著的相关区:北极附近,北太平洋中纬度和南半球高纬度地区。用这些前期12~2月全球平流层关键区的纬向风建立KLM预测模型进行预测试验,发现它对近10年6~8月长江下游地区强降水频数的变化具有较好的预测能力,明显优于多变量的线性回归预测;其中与北极附近和南半球高纬度地区平流层纬向风相关稳定,而与北太平洋中纬度纬向风的相关存在一定程度的不稳定。基于平流层环流变化的夏季长江下游强降水频数KLM模型可以为短期气候预测业务预报提供重要参考。     

基于改进的分形插值与SVM的股指预测模型

为了更好地分析和预测股指时间序列的短期变化趋势,提出了一种确定分形插值自由参数的新方法,由此建立了一个改进的分形插值模型,并将该模型与支持向量机模型相结合构造混合预测模型.经R/S分析可知上海证券综合指数的日收盘数据具有长程相关性,于是将混合预测模型用于分析和预测上海证券综合指数时间序列,发现混合预测模型较其他方法具有更好的拟合效果,且在短期预测方面有更高的预测精度.     

H-W指数平滑法预测豫北地下水水位

借助R软件将监测点水位原始数据绘图,分析出序列有下降趋势,分解原序列,利用Holt-Winters指数平滑法进行地下水短期和长期预测,并进行比较.结果表明,此模型的短期预测较好,在未来研究中,对于长期预测可以将函数型数据与神经网络或者其他的预测模型相结合,使预测结果达到最优.     

基于GMDH的宏观经济短期预测模型

传统的宏观经济短期预测研究通常基于定量或定性预测模型,而GMDH 算法兼具定性定量的特点,建立了基于GMDH 自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统GMDH模型、二次自回归模型进行了比较.结果表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.     

基于多元线性回归的渡槽变形预测模型研究

提出了一种基于多元线性回归的渡槽沉降变形健康监测模型,介绍了应用MLR建立变形预测模型的步骤,并与多元逐步回归(MSR)进行对比.针对预测样本数目的不同取值,研究其在实际工程中的预测能力.通过对浙江天台红旗渡槽的监测数据研究,验证了基于MLR的渡槽变形预测模型的预测精度满足工程要求,预测能力略优于MSR,且短期预测能力优于长期预测能力.因此,合理选择预报天数对于渡槽变形预测尤为重要.     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.