基于TEI@I方法论的通货膨胀问题分析与预测

基于TEI@I方法论提出了通货膨胀预测的研究框架.首先对通货膨胀的相关影响因素进行了分析,然后建立了因子预测模型、ARIMA模型、向量自回归模型以及马尔可夫状态转移模型,并分别进行了预测.然后采用Boostrap方法进行了集成,得到了每种预测方法的权重,并利用载止2007年12月的数据对2008年的月度通货膨胀率进行了集成预测,实证结果表明新的集成方法使预测结果更为稳定.     

基于TEI@I方法论的中国季播电视综艺节目收视率预测

本文以TEI@I方法论为指导,提出了一个季播电视综艺节目收视率预测的研究框架.季播电视综艺节目是中国电视行业近三年发展的新兴趋势,收视率预测研究对于其排编优化和广告资源科学定价具有重要的指导意义.本文在传统数据的基础上,加入了百度指数和新浪微指数,通过建立线性回归模型发现如下规律:首期收视率对后期收视率具有锚定作用;平均收视率呈现逐年下降趋势;每年冬季和每周周五易出现收视高峰;百度指数和新浪微指数与收视率存在显著正相关.除了线性回归模型外,本文还建立了RBF神经网络、支持向量回归模型,并进行了模型集成预测,实证结果表明:加入百度指数和新浪微指数能够提高预测精度,集成模型比单一模型更能有效地预测节目收视率的走势.     

基于神经网络最优组合预测方法的应用研究

针对最优组合预测模型最优权重分配时往往出现负权重等方面的不足 ,建立了基于 Ann模型组合预测模型 ,并进行了实证研究 ,结果表明该模型比最优组合预测具有更高的拟合精度 .最后从机理分析其中的原因 .     

一个基于集成情境知识的组合预测方法

根据钱学森定性定量综合集成的系统思想,在TEI@I复杂系统方法论的框架下,提出了一种基于集成情境知识的组合预测方法(CFMIK).该方法用情境知识引导经济预测过程,将一些难以显式出现在预测模型中的影响因素考虑进来,从而能够在一定程度上解决预测结果在发生随机事件冲击时误差较大的难题.以港口集装箱吞吐量预测为例,对比了CFMIK,AFTER组合预测方法和3种单项模型预测方法(ARIMA、BP-ANN和指数平滑法)的表现,结果发现CFMIK的表现显著地优于后4种预测方法.     

基于改进灰色系统模型的城市食品价格预测方法

论文以灰色模型预测数据序列发展总的趋势,再用马尔科夫概率矩阵预测确定状态的转移规律,简单论述了灰色理论哲学思想和在认知领域的普遍性和实用性。     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

灰色系统理论在T-501市场需求预测中的应用

对 T-50 1市场需求的预测 ,以前一直是在市场分析的基础上 ,采用经理评判法、专家预测法、市场调查法等定性方法进行预测 .本文尝试采用灰色系统的理论 ,建立 GM( 1 ,1 )预测模型 ,并用残差检验、关联度检验、后验差检验等方法验证了模型的正确性 ,对 T-50 1今后几年市场需求量作出了合理预测.     

能源工业生产量及主要能源消费量的分析与预测

本文利用文[1]中提出的关联度识别方法, 以云南省为例, 分析云南省主要能源(煤炭、石油、天然气、电力)消费量与能源消费总量的关系。并且, 分别建立了能源工业生产量及主要能源消费量的灰色GM(1, 1)模型, 本文定量分析的结果可为定性分析与决策提供可靠的依据。     

弱化缓冲算子对GM(1,1)模型的预测效应及适用性

在GM（1,1）模型预测中,缓冲算子能有效处理含有冲击扰动因素的原始数据,改善模型的预测效果. 本文在系统分析缓冲算子对GM（1,1）预测作用过程的基础上,提出了GM（1,1）模型的预测效应以及缓冲算子适用性的评价准则. 选用典型的6种弱化缓冲算子对河南粮食产量数据分长序列、宽间距序列和短序列三种情况进行了模拟计算分析. 确立了不同算子对GM（1,1）模型预测产生的效应及其适用范围,并选用具有类似特征的其他数据序列验证了研究结果的有效性.     

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型（简称GM(1,1)幂模型）的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。     

Method for Housing Price Forecasting based on TEI@I Methodology

Based on the TEI@I methodology proposed by Wang, et al, this paper presents an approach to forecast housing price. 114 indicators are selected by rough set theory, and the leading indicators are selected with time difference correlation analysis. Seasonal housing prices are forecasted by regression and grey models, and integrated via the wavelet neural network approach for error correction. Our analysis predicts that national commercial housing sales price would rise 6.88% in Q4-2006 and 6.64% in Q1-2007. Next, standard event study methodology is used to measure the effect on real estate investment of government policy, one of the most important indicators to forecast the housing price. It is found that the Chinese government's macro-policy in 2005 suppressed the growth of real estate investment and housing prices.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

短期负荷预报模型库的研究及应用

本文针对电力负荷变化的非平稳性和周期性，采用灰色模型，可调灰色模型分析用电负荷的趋势项并与历史负荷比较得一系列残差，然后应用自回归模型，傅氏模型，人工神经网络模型进行修正以提高精度。用一系列组合模型分别用于不同场合和要求下的负荷预测，并在微机上开发软件，通过实例计算，效果良好，具有一定的应用价值.     

基于粗糙集-神经网络的矿井通风系统可靠性评价仿真研究

通过对矿井通风系统可靠性运行状态的跟踪统计和分析,首先建立了一套适合于矿井通风系统可靠性评价指标体系;然后利用人工神经网络与粗糙集理论的优势互补,以粗糙集作为前置处理系统优化指标结构,构建了基于粗糙集神经网络的通风系统可靠性评价仿真模型,并依此模型进行了实例验证.结果表明,该模型的仿真结论与基于ANN的结论完全吻合,训练效率提高了数百倍.     

流程型企业主生产计划优化的ARMA-BP模型

为了解决流程型企业主生产计划(MPS)时段中计划参数与实际参数的不一致性问题,提出了自回归滑动平均模型(ARMA)与反向传播(BP)人工神经网络(ANN)的集成优化模型。基于主生产计划时段长度与产量之间的映射关系,利用平均时段长度折合产量法(OCM-ATS),该模型可用于分别逼近和预测主生产计划时段的长度时序和产量时序。给出的例子表明,该模型预测主生产计划时段的参数(计划参数)与实际参数的相对误差不超过3%。     

基于粗糙集-神经网络的城市产业生命周期识别

以城市经济为背景,提出了基于粗糙集-RBF神经网络的城市产业生命周期识别方法.首先运用基于MDV函数与信息熵的模糊聚类算法进行连续属性离散化处理,然后采用粗糙集理论约简出重要指标体系,最后将训练样本输入RBF神经网络进行学习和训练,并对检验样本的产业生命周期阶段进行判断.对大连市669组样本产业的分析结果表明:基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果,且与通常采用的模糊评价法相比,该方法对检验样本预测精度更高,是一种有效和实用的城市产业生命周期识别工具.     

基于知识发现的火箭武器研制费用预测

小样本的火箭武器研制费用预测通常难于应用线性回归方法,而灰色理论方法在实际中仍不能较好地解决费用与武器特征参数间存在的非线性问题。提出了融合粗集理论和神经网络预测火箭武器研制费用的新方法,利用粗集知识约简后的特征要素作为神经网络的输入,实现火箭武器研制费用的预测,并用实例证明了基于粗集-神经网络的费用预测精度高于灰色模型预测精度。     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题,集成灰色理论和神经网络方法,提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1,1）模型的初始值与背景值,利用Levenberg-Marquardt算法改进反向传播神经网络模型;采用组合预测思想,将多方法融合改进灰色模型和神经网络模型,分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例,验证上述方法在故障预测中的有效性。结果表明,灰色神经网络组合模型的预测精度优于单一预测模型,可用于装备的故障预测和预测性维修。