基于神经网络的交通信息融合预测方法

为了更加准确地预测动态变化的交通信息，通过分析城市道路交通流量变化的特点，提出一种基于神经网络的融合预测方法。这种方法根据预测数据各属性的特点，将数据构造为多个相关的时间序列。在此基础上，对各序列采取不同的处理方法，然后利用神经网络进行融合，得到最终的预测结果。这种方法可用于数据动态预测的各种领域。实验结果表明，采用这种方法可以有效地改善数据预测的误差。     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法，以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足，并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力，在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

电信行业时间序列预测系统设计与实现

预测分析是电信行业知识管理系统中的一个重要部分 .利用数据仓库中存储的庞大信息 ,通过回归分析、指数平滑、灰色预测以及神经网络组合预测算法对电信行业各种数据信息进行合理的组织和预测计算 ,供决策者参考 .文中简要介绍电信行业时间序列预测系统的结构设计 ,算法设计以及预测结果的分析方法.     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

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。     

基于神经网络动态非线性非平稳经济系统预测

考虑实际经济系统中广泛存在着非线性和时变性因素，以及大部分变量的序列具有增增长特性，提出了用网络方法，建立实际经济系统的时变非线性模型，采用增广卡尔曼滤波算法训练神经网络，并根据先验信息（序列的时间增长特性）构造参数转移矩阵，对实际经济的预测分析结果证明，与传统定常非线性预测模型相比，该方法不仅可以在线递推预测，而且由于参数转移矩阵的引入，预测精度得到很大的提高。     

季节性预测的组合灰色神经网络模型研究

对于季节性时间序列具有增长性和波动性的二重趋势性 ,本文提出了季节性预测的组合灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节性预测问题 ,给出了一个应用实例 ,为季节性预测提供了一种新的、有效的方法 .     

神经网络方法及其在非线性时间序列预测中的应用

在介绍神经网络方法后，对其应用于非线性时间序列预测进行了探讨。     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

AN EMPIRICAL ANALYSIS OF SAMPLING INTERVAL FOR EXCHANGE RATE FORECASTING WITH NEURAL NETWORKS

Artificial neural networks (ANNs) have been widely used as a promising alternative approach for forecast task because of their several distinguishing features. In this paper, we investigate the effect of different sampling intervals on predictive performance of ANNs in forecasting exchange rate time series. It is shown that selection of an appropriate sampling interval would permit the neural network to model adequately the financial time series. Too short or too long a sampling interval does not provide good forecasting accuracy. In addition, we discuss the effect of forecasting horizons and input nodes on the prediction performance of neural networks.     

A GENERAL APPROACH BASED ON AUTOCORRELATION TO DETERMINE INPUT VARIABLES OF NEURAL NETWORKS FOR TIME SERIES FORECASTING

Input selection is probably one of the most critical decision issues in neural network designing, because it has a great impact on forecasting performance. Among the many applications of artificial neural networks to finance, time series forecasting is perhaps one of the most challenging issues. Considering the features of neural networks, we propose a general approach called Autocorrelation Criterion (AC) to determine the inputs variables for a neural network. The purpose is to seek optimal lag periods, which are more predictive and less correlated. AC is a data-driven approach in that there is no prior assumption about the models for time series under study. So it has extensive applications and avoids a lengthy experimentation and tinkering in input selection. We apply the approach to the determination of input variables for foreign exchange rate forecasting and conduct comparisons between AC and information-based in-sample model selection criterion. The experiment results show that AC outperforms inf     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

基于混合算法的电力系统负荷预测

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对EUNITE竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。     

基于模糊C均值聚类和神经网络的短时交通流预测方法

短时交通流预测是动态交通控制和诱导的前提。提出一种模糊C均值聚类和神经网络相结合的短时交通流预测方法。用同一组实测数据对比计算了该方法与BP神经网络预测方法、模糊神经网络预测方法分别得到的预测结果。计算结果表明：所提出的方法的预测准确性明显地高于其他两种方法。     

神经网络在预测中的一些应用研究

预测是一个很难的研究课题,近来利用新的科学理论探索新的预测方法是预测界人士进行预测课题研究的一个重要方面．其中人工神经网络在预测领域中的应用研究进展最快,它包括研究神经网络预测方法和神经网络在预测过程中作为辅助工具．本文介绍几种主要的神经网络预测方法及其应用和利用神经网络确定ＡＲＭＡ 模型的结构．     

基于神经网络和Markov链的交通流实时滚动预测

将神经网络与Markov链理论应用于随机波动的交通流预测,提出一种交通流实时滚动预测方法TDFNM。该方法采用BP网络构建交通流基准预测曲线,使用SOM网络划分残差的Markov链状态,计算各状态加权中心及状态转移概率矩阵,以此预测未来状态,并以加权中点修正计算得到精度较高的预测值,同时实现实时滚动预测。采用方法TDFNM对实测交通流量进行仿真实验,结果表明,该方法比常规BP网络具有更高的准确性,而且具有较强的适应性。     

Artificial Neural Network for Combining Forecasts

ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＣｏｍｂｉｎｉｎｇＦｏｒｅｃａｓｔｓ￥ＳｈａｎｍｉｎｇＳｈｉ，ＬｉＤ．Ｘｕ＆ＢａｏＬｉｕ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＣｏｌｏｒａｄｏａｔＢｏｕｌ...     

粗正交小波网络及其在交通流预测中的应用

基于交通流预测的特点和输入向量的主成分分析方法,把粗集理论与正交小波网络相结合,给出了一种基于粗集的正交小波网络交通预测模型,并成功应用于城市交通流的实时预测.粗正交小波网络具有极强的鲁棒性,可以有效克服季节、天气等随机因素对交通流量预测性能的影响;主成分分析方法解决了正交小波网络多维输入时的维数灾难.实验结果表明,该模型的预测精度和收敛速度明显优于常规BP网络和小波框架神经网络,对交通流量等预测问题具有较高的应用价值.     

BP神经网络模型的改进

本文在深入研究ＢＰ神经网络模型的基础上，提出了对该模型的若干改进技术处理方法，并通过仿真试验．实践表明，这些改进和技术处理方法是有效的．