几种作物产量预测模型及其特点分析

作物产量预测是农业科学研究的一个重要内容，是农业决策的重要依据，不少学者进行了大量研究并建立了许多预测模型。简述了常用的GM（1,1）灰色预测模型、趋势一随机预测模型、神经网络预测模型和组合预测模型的原理、方法，并就应用情况及其特点进行了简要评价，为人们的选择性使用提供依据。     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.     

非参数区间估计在证券投资分析中的应用

通过引入一种新的估计方法非参数区间估计方法,以达到对证券投资咨询机构对证券市场大盘走势预测准确度的估计·给出了U统计量及其相应的渐进性质,并找到了在一定的置信度下U统计量的置信区间·实证估计结果表明,有95%的把握认为,中国证券市场投资咨询机构所提供的对大盘涨跌的预测,每次有一半咨询机构正确的概率最高不超过52%,最低不小于36%·因而投资者应慎重对待投资咨询机构的大盘预测·     

基于事例推理的短期负荷预测

将人工智能中的事例推理(CBR)技术引入到电力系统短期负荷预测中，针对传统规则专家系统知识获取的“瓶颈”问题，事例推理充分利用另一种知识资源(以往预测成功的例子)来解决新的预测问题．以前的预测行为作为历史事例以一定的结构和方式存储在事例库中，对于新的预测问题，从事例库中找寻相似事例，并利用其结论，确定新问题的解决方法．实际算例表明，对于短期负荷预测问题，基于事例推理的预测系统在预测精度上优于单一的数学模型，具有较强的实用性．     

矿产资源资产未来净收益动态预测系统

针对已建立的矿产资源资产净收益动态预测模型比较复杂、计算工作量大、手工计算难以完成的特点,开发了矿产资源资产净收益动态预测软件系统。分析了预测软件的设计思路、主要功能及实现过程,建立了系统软件的功能结构。净收益动态预测软件操作简便,使用方便,使矿产资源资产净收益动态预测能够真正付诸于实际。     

泰安岩溶水系统地下水水量水质模拟与预测

运用建立的地下水水量水质耦合模型，以2000年为基准，对泰安岩溶水系统2010年的水量及水质进行了模拟预测，指出现状开采条件下岩溶水系统地下水环境将持续恶化；为了实现地下水资源可持续利用，必须对岩溶水系统地下水资源进行优化控制规划。     

专利发展趋势预测模型的选择

对专利的主要构成因素进行了分析，在此基础上选择合理的专利发展趋势预测模型。     

基于趋势组合的知期电力负荷预测模型

在运用神经网络进行短期电力负荷预测中，天气是影响负荷的重要因素。为了更好地捕捉天气对负荷的影响，文中提出了一种基于神经网络的趋势组合短期负荷预测思想和模型，将短期负荷与天气变量的内在关系分解为3个不同的趋势分量，即周趋势分量、日趋势分量和小时趋势分量，每一个趋势分量分别用一个神经网络模型捕获，趋势分量的预测结果再用一个神经网络模型进行组合，从而得到最终的预测值，分别用改进的和传统的模型预测一周的小时负荷，结果表明，这种神经网络模型能取得更好的预测精度。     

新油轮市场需求的交互式逐步逼近建模及预测

基于组合模型的建模思想，提出了一种有效拟合时间序列数据的交互式逐步逼近建模方法，识别并拟合出了全球巨型油轮（VLCC）新船市场需求长期趋势和潜周期波动因素，通过所建立的时间序列组合模型预测了VLCC新船市场未来10年的发展趋势，计算结果表明，该方法不但可以化繁为简，降低计算难度，而且拟合效果优于根据理论分析推测建立复杂模型的一次性拟合方法，可广泛应用于各种时间序列数据的建模拟合与趋势预测。     

Conditional predictability of daily exchange rates

At what forecast horizon is one time series more predictable than another? This paper applies the Diebold–Kilian conditional predictability measure to assess the out‐of‐sample performance of three alternative models of daily GBP/USD and DEM/USD exchange rate returns. Predictability is defined as a non‐linear statistic of a model's relative expected losses at short and long forecast horizons, allowing flexible choice of both the estimation procedure and loss function. The long horizon is set to 2 weeks and one month ahead and forecasts evaluated according to MSE loss. Bootstrap methodology is used to estimate the data's conditional predictability using GARCH models. This is then compared to predictability under a random walk and a model using the prediction bias in uncovered interest parity (UIP). We find that both exchange rates are less predictable using GARCH than using a random walk, but they are more predictable using UIP than a random walk. Predictability using GARCH is relatively higher for the 2‐weeks‐than for the 1‐month long forecast horizon. Comparing the results using a random walk to that using UIP reveals ‘pockets’ of predictability, that is, particular short horizons for which predictability using the random walk exceeds that using UIP, or vice versa. Overall, GBP/USD returns appear more predictable than DEM/USD returns at short horizons. Copyright © 2002 John Wiley & Sons, Ltd.