基于因子-主成分回归分析的股价技术分析研究

介绍了回归分析中多元线性回归的理论及应用方法,并以股价技术指标为研究对象,利用spss统计分析软件,建立了短期股价变动的多元线性回归模型。同时讨论了被选为自变量的参数之间存在的多重共线性问题,并分析该问题对线性回归分析结果造成的影响。因子-主成分分析的核心是用较少的相互独立的因子反映原有变量的绝大部分信息。主成分分析的主要思想是:从自变量中提取出新的变量,这些变量是原变量的适当线性组合,并且互不相关,因此应用SPSS软件进行数据缩减、提取主成分,并以主成分因子为新的自变量建立主成分回归方程,消除了多重共线性对回归模型的影响。最后对不同模型的测试结果进行了比较、分析,验证了因子-主成分分析在解决实际经济问题中的有效性。     

晴天光伏发电功率的日内变化规律及预测方法研究

针对晴天天气类型,研究了光伏发电功率的日内和年内尺度的变化规律,根据晴天出力变化速率曲线的特性,提出晴天光伏发电功率预测模型,在晴天光伏发电功率预测模型的基础上,根据光功率实时监测信息,加入分阶段实时修正系统,实现了日前预测与超短期预测相融合,提高了预测精度.黄河上游共和光伏电站实例应用结果表明:所提出的晴天光伏发电功率预测模型的总体平均预测误差在2%以下,用于光伏发电功率预测的其他方法如线性回归、神经网络、支持向量机等在相同条件下的预测误差区间为8%～20%,故所提出的方法预测精度有大幅度提高.该模型的输入值都是基于光伏电站自身的出力特性提取的,不需要辐射量、云层、气压、降水量等难以获取的信息,是一种简单并实用的创新预测方法.     

多元线性回归模型预测天津市用水量

采用多元线性回归法进行城市用水总量预测。通过主成分分析法确定有效自变量为：用水人口、国民生产总值、工业用水重复率、年降水量、绿化覆盖率,应用R语言编制相关程序,建立数学模型,实现多元线性回归分析。通过残差图检验模型的有效性可知模型回归效果良好。本文通过简便的方法为较准确地预测城市用水量提供参考。     

混合算法在港口吞吐量预测中的应用

针对单一预测方法存在的不足,采用一种联合时间序列法和因果分析法的混合算法预测港口吞吐量.并以宿迁港吞吐量预测为例,对这种方法进行了详细说明.预测过程中借助主成分分析法提取出影响港口吞吐量的关键因子,利用改进的灰色模型理论对关键因子中远期未来值做出预估,最后通过吞吐量与关键因子的线性回归得出宿迁港在预测年份的吞吐量值.通过对混合算法预测模型误差的检验发现,此预测方法的模型精度较高,能够满足港口吞吐量预测的要求,可以推广到类似港口吞吐量的预测中.     

地下水水质预测的一元线性回归方法研究--以乌鲁木齐河流域仓房沟地区为例

一元线性回归分析预测方法是利用一个自变量和预测变量之间的依赖关系来进行预测的方法,主要适用于中短期地下水水质变化预测.文章介绍了一元线性回归模型的建模过程和精度检验,并用C语言将其实现.利用模型预测了乌鲁木齐河流域仓房沟地下水水质的变化趋势.     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

小麦赤霉病神经网络和偏最小二乘预测模型

选取2004-2014年间发病期的气象因素为自变量,小麦赤霉病病穗率为因变量,借助神经网络的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法,建立了小麦赤霉病的气象预报模型.由于神经网络无法提供直观的函数来反映病穗率与气象因子之间的关系,为了进一步分析气象因子间的相关性,采用主成分分析法提取主成分,并利用回归分析得到线性函数关系,建立了偏最小二乘模型.神经网络预测模型平均预报精度达到99%,但只提供病穗率和气象因子之间的拓扑关系;偏最小二乘预测模型可以得到病穗率和气象因子之间直观的函数关系,模型平均预报精度达到97%.2种模型均具有较高的预报精度,对小麦赤霉病的预防工作具有一定的参考价值.     

配置储能装置的光伏预测配网优化研究

在分析区域光伏并入配网时交流母线PCC点电压波动机理的前提下,提出一种配置储能装置的光伏预测配网优化运行方法。该方法分析光伏发电输出功率与多种气象因素的相关性,将多种气象因素作为多个信息源处理,运用信息融合理论将其加权为一个综合影响因子λ,建立以λ为输入的BP神经网络预测模型,将模型输出的预测值实时传送给储能装置,采用基于滤波原理的光伏发电输出功率平滑控制,实现光伏功率平滑输出,这种方法可以和分时电价有效结合,既提高配网运行经济性的同时稳定节点电压,降低节点电压越限的可能。研究结果表明:所述预测模型具有较高的预测精度,对配网的安全优化运行有一定作用。     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

基于气象相似度与马尔科夫链的光伏发电预测方法

针对目前光伏发电预测中实用性较低、预测精度不高、气象条件利用不充分和预测跟踪性能较差等现象,设计出基于气象相似度与五状态马尔科夫链的光伏发电预测方法。该方法利用神经网络建立气象相似度—发电量相似度的过渡模型,用该模型预测可获得预测日发电量的预测结果,最后分别用三状态和五状态的马尔科夫链修正预测结果。实验结果表明:相比不充分利用气象条件的神经网络预测方法,基于气象相似度与五状态马尔科夫链的光伏发电预测方法具有较高的预测精度、实用性和良好的预测跟踪性能。     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

纸浆卡伯值光学测定中化学计量学方法的应用

用多元线性回归、逐步回归分析、主成分回归分析和人工神经网络这四种化学计量学方法处理蒸煮液的光谱数据,通过蒸煮液的吸光度来预测纸浆的卡伯值,结果显示：四种方法所确立的测量模型均具有较好的学习精度和预测精度,其中尤以人工神经网络模型同时具有较高的学习精度和预测鲁棒性。     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

主成分回归对脑卒中发病与环境因素间关系的解析

脑卒中的诱发已经被证实与环境因素包括气温和湿度之间存在密切关系.对脑卒中的发病环境因素进行分析可以对脑卒中高危人群进行风险评估并及时采取干预措施,而平均气压、最高气压、最低气压、平均温度、最高温度、最低温度、平均相对湿度、最低相对湿度8个自变量之间的共线性使得用多元线性回归方法得到的回归方程的精度降低.运用主成分回归分析,对脑卒中发病人数与环境因素进行了深入解析,结合统计软件SPSS的分析结果,给出了计算主成分的正确表达式,并将主成分与发病人数进行多元线性回归,最终确定了脑卒中发病人数与8个环境因素间的数学模型.     

智能数据预处理在浮选过程中的应用

针对反浮选过程的被控对象复杂、数学模型不确定以及控制要求高等特点，提出一种基于主元分析和模糊聚类的数据预处理算法。采用模糊C均值聚类算法得到聚类中心，进行线形回归从而对过程变量数据进行了预处理。主元分析法则用采进行辅助变量的选取和输入高维向量的降维简化．针对主元变量采用径向基函数网络建立了系统经济技术指标的预测模型。根据工业实际生产数据进行的模型校验和误差分析表明，能够满足浮选过程控制的精度要求。