实时灰色最小二乘支持向量机模型在蒸汽预测中的应用

针对锅炉蒸汽产量预测的非线性和灰色性,提出将实时灰色最小二乘支持向量机模型应用于蒸汽预测,预测结果与实时 模型的预测结果进行对比,证明该模型具有更高的预测精度,可为蒸汽生产和调度提供决策依据。     

Finite‐sample properties of tests for equal forecast accuracy

This study examines the small‐sample properties of some commonly used tests of equal forecast accuracy. The paper considers the size and power of different tests and the performance of different heteroscedasticity and autocorrelation‐consistent (HAC) variance estimators. Monte Carlo experiments show that the tests all suffer some size distortions in small samples, with the distortions varying across tests. The experiments also show that, adjusted for size distortions, the tests have broadly similar power, although some small differences exist. Finally, the experiments indicate that the size and power performances of HAC estimators vary with the features of the data. Copyright © 1999 John Wiley & Sons, Ltd.     

空中交通流量预测的人工神经网络和回归组合方法

为了寻找合适的空中交通流量预测方法,在综合回归预测方法和人工神经网络预测方法优点的基础上,提出采用组合预测方法的思想,并基于多元线性回归模型确定组合方法的权重系数。以北京管制区大王庄导航台流量预测为实例,分析结果表明:组合预测方法对实际流量有好的拟合度,能提高人工神经网络的泛化能力,并减小预测的误差,即总体上不仅优于传统的回归预测方法,也优于单独的人工神经网络预测方法。组合方法为空中交通流量的预测提供了一种可靠而有效的新途径。     

基于广义粗集和知识共享的供应链需求预测R5模型

在知识共享前提下,提出了供应链需求预测的案例推理R5模型.此模型以粗集方法进行知识发现,建造和划分案例库,以案例推理管理和应用知识,将广义粗集的数据挖掘功能引入案例推理模式当中,用于指导供应链企业从过去的合作经验中有效学习其合作伙伴的“预测知识”,进而利用新的需求信息进行当前产品的需求预测模型选择.仿真算例表明,将变精度粗集和广义相似关系这两种粗集的泛化形式引入案例推理机制,可以提高推理效率和容错性;利用数据挖掘技术,从相关产品的环境信息及供应链成员的特征参数中发现需求预报的领域知识与深层知识,可以降低知识获取成本及模型选择的主观性.     

Revisions in analysts' earnings forecasts: evidence of non‐linear adaptive expectations

Prior studies use a linear adaptive expectations model to describe how analysts revise their forecasts of future earnings in response to current forecast errors. However, research shows that extreme forecast errors are less likely than small forecast errors to persist in future years. If analysts recognize this property, their marginal forecast revisions should decrease with the forecast error's magnitude. Therefore, a linear model is likely to be unsatisfactory at describing analysts' forecast revisions. We find that a non‐linear model better describes the relation between analysts' forecast revisions and their forecast errors, and provides a richer theoretical framework for explaining analysts' forecasting behaviour. Our results are consistent with analysts' recognizing the permanent and temporary nature of forecast errors of differing magnitudes. Copyright © 2000 John Wiley & Sons, Ltd.     

基于ARMA-GARCH模型的上证指数实证分析

研究上证指数收益率过程。本文以2004年9月30日至2011年9月30日期间的上证指数收盘价为基础,验证序列的相关性、稳定性及异方差性,建立ARMA-GARCH模型进行实证分析和预测,分别在误差服从正态分布、t分布、GED分布条件下比较拟合和预测效果,得到t分布的ARMA-GARCH模型最优,表明其更适合上证指数收益率的研究。     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetl...     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

裸眼系列完井方式下水平井产能预测研究

针对实际裸眼完井、割缝衬管完井、绕丝筛管完井、裸眼井下砾石充填完井、裸眼预充填砾石筛管完井、裸眼封隔器贯眼尾管及带ECP的裸眼封隔器贯眼尾管完井等七种裸眼系列的水平井完井方式,考虑地层损害和完井方式及完井参数的影响,进行了产能预测数学模型的研究。实例计算表明,其数学模型及计算方法均是正确的,对指导水平井完井方式的选择与完井参数优化设计具有重要的意义。