基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

基于改进的灰色GM(1,1)模型能源消耗预测

在灰色GM(1,1)预测模型基础上,对GM(1,1)模型存在的建模偏差进行修正,使修正后的模型符合数据规律,提高预测精度.结合新陈代谢理论,建立基于新陈代谢的无偏GM(1,1)模型.该模型利用数据的新旧更替,能在不断补充新信息的同时,及时地去掉老信息,避免随着信息的增加,较旧的数据对模型的信息显著性下降的弊端.通过实证,该模型的预测精度优于GM(1,1)模型、无偏GM(1,1)模型以及新陈代谢GM(1,1)模型.     

基于灰色-马尔可夫模型的国内游客总数预测

结合灰色模型在小样本下预测精度较高的优点和马尔可夫模型对随机波动数据处理结果较好的优点,以2004—2015年国内游客总数构建传统灰色GM(1,1)模型、无偏灰色GM(1,1)模型、灰色马尔可夫模型和无偏灰色马尔可夫模型,并对比2016—2018年国内游客总数的预测值与实际值.结果表明,灰色马尔可夫模型和无偏灰色马尔可夫模型相比于传统灰色GM(1,1)模型和无偏灰色GM(1,1)模型的平均相对误差分别提高了2.36个百分点和2.33个百分点,灰色模型结合马尔可夫模型后能够解决对随机波动数据的预测偏差,有效提高预测精度.     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

基于无偏灰色GM(1,1)模型的城市用水量预测

针对城市用水量预测工作中常存在城市用水量原始数据样本量较小、信息不充分的问题,充分利用无偏灰色GM(1,1)模型的少数据建模,短期预测精度高,消除了灰色GM(1,1)模型预测所固有的偏差的优点,建立无偏灰色GM(1,1)城市用水量预测模型,并应用于实际城市用水量预测中。与常用的处理此类问题的灰色GM(1,1)模型比较,算例结果表明所建模型有效可行,提高了预测精度。     

基于灰色人工神经网络组合模型的交通量预测

针对公路远景交通量预测工作中常存在交通量原始数据呈随机性、非线性变化的特点,同时学习样本量较小、信息不充分的问题,充分利用贝叶斯正则化神经网络非线性逼近,良好的泛化能力和无偏GM(1,1)模型的少数据建模,弱化原始数据随机性并增强规律性,消除了传统GM(1,1)模型预测所固有的偏差的优点,建立无偏GM(1,1)-贝叶斯正则化神经网络交通量组合预测模型,并应用于实际交通量预测中.与传统BP预测模型比较,算例结果表明所建模型有效可行,提高了预测精度.     

基于灰色GM(1,1)模型的桩基沉降预测研究

简述现有桩基沉降预测方法存在的不足,结合桩基沉降的特点,引入灰色预测GM(1,1)模型,建立基于灰色GM(1,1)模型的单桩及群桩沉降预测研究模型,并给出其建模的原理及建模的过程。最后,通过工程实例,进行实证分析,研究表明该模型具有良好的适应性,能更好地反映桩基沉降变形的规律,提高预测的精度,具有良好的工程应用价值和推广前景。     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

基于灰色马氏链模型的农村居民消费水平预测

选取2000—2018年全国农村居民消费水平为样本数据,对农村居民消费水平变化趋势进行研究.将灰色模型与马氏链模型相结合,建立灰色马氏链预测模型.通过对比发现,灰色马氏链模型能够提高预测精度,并利用灰色马氏链模型对2019—2025年的农村居民消费水平进行了预测.结果表明:农村居民消费水平有明显的上升趋势.     

基于RBF神经网络的粮食生产预测研究

提高中国粮食生产量的预测精度与效率是人们关注的一个重要问题.对RBF神经网络的结构、特性和训练算法作了简要的概述.根据粮食产量与其影响因素之间存在的映射关系,应用RBF神经网络建立了多因素非线性时间序列预测模型,并进行了仿真试验.结果表明,用RBF神经网络进行粮食生产预测得到了十分满意的结果.     

基于RBF神经网络的城市快速路短时交通流预测研究

为检验灰色模型及径向神经网络模型用于短时交通流预测的可行性及适用性,本文分析和比较了灰色模型GM（1,1）和RBF径向神经网络模型对短时交通流的预测效果。仿真实例表明,灰色模型不适合用于短时交通流预测,而径向神经网络能够准确预测短期交通流的未来变化趋势,当径向基函数的分布密度值在0.8~1.0之间时能够取得较高的预测精度。     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

基于SVM和RBF神经网络的民航不安全事件组合预测方法

为提高航空业安全水平,预测飞行过程中存在的主要事故风险,本文基于2002年2月至2014年2月的民航事故数据统计,采用SVM和RBF神经网络加权组合模型对民航不安全事件发生原因及飞行阶段事故数量进行了预测。通过对3种典型预测方法的均方根误差比较,证明了此方法的可行性与有效性,结论可为民航安全管理提供科学依据。     

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

Performance prediction for Grid workflow activities based on features-ranked RBF network

Accurate performance prediction of Grid workflow activities can help Grid schedulers map activities to appropriate Grid sites.This paper describes an approach based on features-ranked RBF neural network to predict the performance of Grid workflow activities.Experimental results for two kinds of real world Grid workflow activities are presented to show effectiveness of our approach.     

基于RBF神经网络的结构动力响应预测

介绍了径向基函数(RBF)神经网络学习速度快,动态仿真性强,具有较强的输入输出映射功能和全局最优逼近的结构特点.针对快速预测结构动力响应有助于克服结构振动控制中时滞效应的特点及BP网络存在的问题,应用RBF网络对结构的位移、加速度进行了预测,并采用BP网络作对比研究.仿真结果表明RBF神经网络训练速度快,精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证.