一种新的组合权重在组合预测模型中的应用

为了提高组合预测的精度,提出了一种新的组合权重计算方法,该方法通过将平均绝对百分数误差(MAPE)和最小二乘法相结合来确定组合预测模型的权重值。将这种新的组合权重方法应用到组合模型中,并对湖北省国内生产总值(GDP)进行预测。首先,建立了差分自回归移动平均(ARIMA)模型和指数曲线回归模型;然后,用MAPE和最小二乘法确定组合模型的权系数,在此基础上将两种权系数进行组合,形成组合权重。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.3%。     

不变权重与变权重组合预测方法的汇率预测研究

本文分别介绍了基于均方误差倒数方法的不变权重组合预测模型和基于Kalman滤波的变权重组合预测方法,并对人民币/美元的汇率进行了实证分析,结果表明后者在预测精度和拟合程度上优于前者。     

变权重组合模型在路基沉降预测中的应用

通过对软土路基沉降发展规律及其沉降曲线特点的深入研究,结合4种单项软土路基沉降预测模型提供不同的有价值预测信息的特点,引进重组合预测思想,在单项预测模型的基础上提出了路基沉降变权重组合预测方法,工程实例分析表明,利用该模型与方法得到的预测曲线与实测曲线吻合良好,能够满足工程要求,此外,变权重组合预测模型比其它单项模型具有明显的优越性,为软土路基沉降发展预测提供了一种有效而实用的方法.     

组合预测中新旧历史数据对组合权重影响仿真分析

预测过程中新旧历史数据对预测结果的影响程度不同,本文基于新旧历史数据对预测模型的影响程度不同给出时间权重的概念,着重探讨并给出了确定时间权重应该满足的条件,并基于所给时间权重建立了组合权重确定模型,最后通过实证仿真分析得到考虑新旧历史数据的影响能有效地提高组合预测的精度     

Boosting算法中基分类器权重的动态赋值

Boosting是一种有效的分类器组合方法,其通过加权投票来组合多个基分类器进行分类.在对基分类器进行权重赋值时,该算法采用了以基分类器在当前训练集上的错误率的某种变形来对基分类器进行权重赋值,这是一种静态的赋值方法.介绍一种动态地对基分类器进行赋权重的方法,这种方法利用当前测试实例属于某个被错误分类数据子集的程度,并按照程度的大小给相应的基分类器赋适当的权重.跟静态赋权重相比,这种方法考虑了测试实例属性取值的不同,进而能动态地调整基分类器的权重,从而达到进一步优化分类性能的目的.实验表明,动态权重赋值的方法在大多数情况下跟静态赋值相比具有更好的分类性能.     

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。     

基于时变权重的区间时间序列组合预测模型构造

时变权重组合预测模型可以有效反映各预测方法在各时刻点上的预测值对组合预测结果的影响,并可以提高预测精度,基于此,针对区间数时间序列构造组合预测模型的问题,提出一类构造区间数时变权重方法;该方法主要是在3种实数的时变权重求解方法基础上构造相应的3种区间数时变权重,并利用所得出的时变权重构造区间时间序列组合预测模型;为验证该模型的准确性,应用具体算例对模型加以实现,并通过区间预测误差度量指标验证该类模型的预测结果;结果发现:基于3种时变权重求解方法下的区间时间序列组合预测模型均优于各单个方法的预测结果,且基于最优化赋权法得到的时变权重区间组合预测结果的精确度较另外两种有所提高。     

基于多准则的组合预测模型权重研究及其应用

针对传统组合预测模型大多是通过建立单一准则方程进行优化,而没有更好地考虑各单一模型之间互支持信息带来的不确定性问题,建立基于多准则的组合预测模型权重确定算法。首先,通过建立区间数模型构建样本区间距离并进行相关折算归一化生成样本的基本概率分布BPA(basic probability assignment),作为单一预测模型的初级权重;然后,通过对D-S证据理论进行改进,建立证据可信度、证据精度和证据自冲突系数3个准则分别用于评价单一模型自身精度及其之间互相支持信息,通过对3个准则排序得到综合排序值作为单一模型初级权重的权重调整系数;最后,综合多时刻数据归一化后确定单一模型的最终权重用于组合预测。研究结果表明:经过权重调整后的组合预测精度得到显著提高,且经过调整系数R调整后的不变权组合预测模型最优。     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

基于成分数据作球坐标变换的非负可变权系数的确定

针对传统的确定不可变权系数的组合预测模型未考虑各时点权重变化的特征,引入变权组合预测模型权系数的确定方法;非负可变权系数组合预测模型中各时点的权系数可以被看成一个成分数据,已有研究将成分数据应用于组合预测中,但未对权重为零的情形作深入讨论;考虑将成分数据的球坐标变换方法与组合预测方法相结合,给出一类非负可变权系数的组合预测赋权方法;最后以2017-07-03—2018-05-11美元兑换人民币汇率的开盘价数据验证了确定可变权系数方法的可行性和合理性;结果表明,文中所提出的方法能够有效提高组合预测的预测精度。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

一种加入动态权重的AdaBoost算法

【目的】由于AdaBoost算法弱分类器对各待测样本其投票权重是固定不变的,这会导致使用该算法进行分类时准确性不高,于是针对该问题提出了一种结合静态权重与动态权重的学习算法AdaBoost＿DW。【方法】该算法保留了AdaBoost算法训练阶段产生的全部弱分类器,在预测阶段加入了能度量待测样本与各个弱分类器适应性的动态权重,通过双权重共同决定该弱分类器的投票权重。【结果】实验结果表明,AdaBoost＿DW算法的分类精度绝大多数情况下高于原AdaBoost算法。【结论】证明了动态权重的加入能够提高原AdaBoost算法在各数据集上的分类准确率。     

基于Kullback散度的主客观权重相结合的投资决策方法

运用信息论中的Kullback散度解释已有的两种主客观权重相结合的多指标决策问题,以最小化Kullback散度的方式建立了确定指标权重的一种优化模型,并给出了一种新的组合权的确定方式,对4家企业投资决策的实例分析表明,应用该指标赋权确定的决策方法既保持了与主观和客观权重法的一致性,又体现了主客观相结合的统一性。     

一种模糊组合预测方法

针对预测问题的不确定性,提出一种将组合预测结果扩展到置信集合的模糊组合预测方法.该方法利用概率中置信区间原理并结合模糊数概念,对观测值和各单项预测值进行模糊描述;以组合预测值对观测值的拟合度最高为目标,建立模糊规划模型,求解权重系数.该组合预测方法与单项预测方法相比,预测精度有所提高,具有一般组合预测方法的优点,并以模糊数的形式将预测结果确定在一置信集合内.最后以实例证明了该方法的有效性.     

基于变分模态分解的瓦斯浓度多尺度组合预测

为提高煤矿瓦斯浓度的预测精度，将瓦斯浓度序列变分模态分解后对各模态分量分别采用差分整合移动平均自回归（ARIMA）模型和门控循环单元（GRU）模型进行预测，采用诱导广义有序加权函数平均（IGOWFA）算子组建变权组合预测模型的方法，对实验数据比较，结果表明：与采用单一预测方法或固定权值组合预测方法相比该方法的预测结果具有更高的预测精度，为煤矿判断瓦斯事故发生概率提供依据。     

高填石路堤沉降变权重组合预测方法研究

高填石路堤的沉降变形过程一般为从填石体施工期的瞬时变形到进一步的蠕变变形,利用沉降资料进行路堤沉降预测的常用模型可较好地反映其沉降变化规律及发展趋势,但尚存在一定的局限性为了尽可能多地利用全部有用信息,利用"组合预测"思想,提出一种对多种常用预测模型进行变权重组合预测的方法,从而可根据有限的沉降实测数据达到预测路基沉降发展的目的,且工程实例分析表明,双曲线、指数曲线及时间平方根曲线的变权重组合能较好地预测高填石路堤的发展规律,具有明显的优越性.图5,表3,参8.     

变尺度混沌粒子群与小波的地基沉降预测应用

针对粒子群算法易出现早熟,搜索精度低的问题,从惯性权重的确定和算法搜索精度两个方面进行了改进。其中惯性权重由随迭代次数非线性递减函数和一随机扰动项确定,利用这个扰动项的突变性来跳出极小值区域,同时为增加粒子的多样性,提高算法搜索精度,引入了变尺度混沌搜索,并将该方法和标准粒子群算法分别与小波去噪结合,预测地基累计沉降量并做了对比,实验表明本文方法具有良好的全局和局部搜索能力,预测精度高。     

组合预测方法中权系数的应用研究

针对组合预测方法中权系数的确定问题,提出两种组合预测方法。一种是引入误差评价公式来确定权系数的固定权系数组合预测方法;一种是基于神经网络的误差倒数变权组合预测方法。通过实例分析说明了两种方法的可行性,且结果表明方法比单模型方法预测和传统组合预测方法具有更高的拟合精度。     

基于模糊粗糙集的公路地质灾害影响因子的权重分配

地质灾害影响因子权重分配是地质灾害区划的关键,以贵州省三凯线地质灾害调查数据为实例,于公路沿线随机选取非灾害点,选择高程、坡度、河流切割密度、地层岩性4个地质灾害主要属性,形成属性决策表,根据相关知识采用不同的三角模糊隶属度函数,确定模糊粗糙集地质灾害要素权重分配模型,计算各属性与地质灾害之间的依赖度,建立模糊粗糙集地质灾害属性权重确定方法,该权重应用于因子叠加方法进行公路地质灾害区划,研究表明:用模糊粗糙集确定的地质灾害影响因子权重,相比传统专家打分所确定的权重具有较高的精度.     

一类组合预测模型的权系数确定的Shapley值方法

在提出预测有效度概念的基础上,将各单项预测模型看作组合预测合作对策的局中人,以组合预测有效度的平方和作为合作的准则,再按合作对策的Shapley值在各单项预测模型中进行分配,从而确定各单项预测模型在组合预测中的权重系数.实例分析结果表明该方法能够有效提高组合预测有效度.