基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

非平稳时间序列的状态空间建模与预测

本文研究了非平稳时间序列的状态空间建模与预测方法。在建模的过程中,采用了分解模型的方法,从原始时间序列直接建立起状态空间模型,对趋势性建立起随机走动模型,对周期性因素建立了动态谐波模型,从而摆脱了Ｂｏｘ－Ｊｅｎｋｉｎｓ建立ＡＲＩＭＡ模型的繁琐程序。     

用于时间序列数据建模的多模态模糊认知图

针对单一模型难以准确反映时间序列多种变化模态的问题,提出了一种基于模糊认知图的时间序列数据多模态建模方法.该方法使用随机自助法选取多个子序列,以包含各种变化模态.在各个子序列上分别建立子模糊认知图模型.使用粒计算方法对子模型进行有效融合;并分析了不同权重策略融合的性能.所建立的模型不仅可以对时间序列数据进行数值及区间预...     

基于随机模糊神经网络的噪声混沌时间序列建模与预测

提出了一种基于随机模糊神经网络对噪声混沌时间序列进行建模与预测的方法,并介绍了一种基于非单值逻辑随机模糊神经网络(SFNN)的结构和学习算法.在此基础上,应用该网络对含随机噪声的麦克-格拉斯混沌时间序列进行了仿真,仿真结果表明,在噪声较大的情况下,SFNN比FNN方法有更好的预测效果.     

混沌时间序列建模及预测

讨论了混沌时间序列的建模及预测方法 ,给出了各重要参数的选取算法 ,并应用于实例 ,与传统的时间序列预测方法相比较 ,取得了精度更高的预测结果 ,从而为一类非线性时间序列提供了从数据采集识别到建模预测的完整技术.     

基于增量学习模糊神经网络的金融时间序列预测

在金融企业中,时间序列是一种重要的数据类型。高效、准确地预测金融时间序列对于企业的运作具有重要意义。提出使用一种具有增量学习能力的模糊神经网络(FNN-IL)应用于金融时间序列的预测。FNN-IL能学习蕴涵在时间序列中的知识,并能跟踪时间序列的运行从而动态调整模糊规则库。对比试验表明FNN-IL的性能优于传统的FNN。     

时间序列分析建模与予报子系统CSTSMP的开发与使用

本文简述了CSTSMP子系统的功能及主要算法,并就如何使用该子系统提出了专家指导意见,并用具体例子说明其使用方法。     

基于小波变换的轨道摄动时间序列建模及仿真

卫星摄动分析是卫星定轨的关键。卫星摄动变化规律复杂,直接影响定轨精度和计算效率。在摄动力分类和轨道摄动偏差统计分析的基础上,给出了一种基于小波变换的卫星轨道摄动时间序列分析建模方法。研究了基于小波变换的卫星轨道摄动偏差特征提取方法,能够对轨道摄动偏差做出很好的预测和噪声平滑;采用时间序列分析方法,构造了摄动偏差残差的统计模型;建立了基于卫星轨道摄动偏差残差AR（2）平稳时间序列表示的稀疏参数化卫星摄动的精确模型,达到对卫星轨道进行有效预测的目的。     

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上，首次提出混合广义自回归务件异方差（Mixture Generalized Autoregressive Conditional Heteroscedastic Model简记MGARCH）模型；给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分务件；给出该模型参数估计的EM算法：利用BIC定阶准则对MGARCH模型的各成份进行定阶；计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力，有广阔的应用前景。     

基于模糊时间序列预测的二目标区间数折衷规划

用效用函数代替传统投资规划目标函数中的收益率,采用S型隶属函数描述反映投资收益带给投资者的心理满意度水平,利用模糊时间序列的模糊逻辑关系预测满意度水平,建立目标函数为区间收益和区间风险的二目标区间数规划,在引入优化系数的基础上,并采用折衷规划的方法求解.对上证180成分指数进行实证检验表明:所提出的模型对待定参数依赖性小,具有很强的鲁棒性;在参数在标量范围内,所提出的模型具有很好的投资决策效果.     

非平稳时序分析在GPS伪距观测值建模中的应用

伪距观测值的仿真建模在GPS系统分析、误差消减等方面有很广泛的应用,原有的一些建模方法得到的仿真结果误差不能满足特定应用的需要.为此,提出了一种利用非平稳时间序列分析的方法,以达到减小仿真误差的目的.该方法通过对实际采集的GPS伪距数据的特征进行分析,采用自回归-求和-滑动平均(ARIMA)模型建模,并运用逆函数法对模型参数进行估计,最后通过Matlab编程进行了仿真,仿真结果表明利用该统计模型得到的仿真伪距与实际测量值的误差不超过3米,得到了较为满意的效果.     

时序模糊多指标决策的模糊关联分析法

提出了时序模糊多指标决策问题 ,基于模糊关联分析给出了一种新的决策方法 .运用模糊集理论构建各时段的模糊加权决策矩阵 ,应用一种对模糊数排序的方法找出各时段的正、负理想方案 ,并通过所有时段各方案与正理想方案的相对模糊关联度的模糊加权和来确定最优方案 .最后给出了一个数值例子.     

时鲜农产品价格预测的ARIMA时序模型构建与应用

掌握农产品价格变化规律,了解农产品价格变化趋势,将有利于正确引导农产品流通和农业生产,实现农产品区域供求平衡;能为政府和农户提供结构调整的依据,有效提高农民效益。针对农产品价格这一重要问题的研究,以南京市青椒价格为例,构建非平稳时间序列ARIMA(p,d,q)模型(ARIMA:Auto Regressive Integrated Moving Average,自回归求和平均),描述并预测时鲜农产品价格的动态变化。结果表明ARIMA(0,1,1),(0,1,1)模型能很好地模拟并预测时鲜农产品价格,为农产品市场信息的准确预测提供重要方法。图6,表3,参8。     

关于导弹定价的时序模糊综合评判

本文利用模糊集分析的方法，量化了影响导弹价值的因素，建立了关于导弹定价的时序模糊综合评判模型。并且对改装后的导弹定价和分批交付的导弹综合定价进行了定量计算并分析了结果。     

时间序列处理中一阶分形模糊滤波器效果分析

一阶分形模糊控制滤波器是一种自适应滤波器,根据噪声的分形特征量变化改变滤波器的控制参数,自动调整其滤波特性,可以应用于时间序列的处理中。分析了一阶分形模糊控制滤波器的频率-幅度特性,白噪声和有色噪声分形盒维数的变化;讨论了滤波器中时间序列的短时分形盒维数的定义及分形模糊控制函数形式及选用方式。针对一个低频信号混杂不同有色噪声的时间序列的滤波处理算例表明分形模糊控制滤波器能够提高信噪比,相对固定滤波器具有较小的均值误差;但是其过于简单的结构和对时间序列分形特征量应用的不准确影响其性能。提出改变分形模糊滤波器结构、利用噪声多重分形特征量并采用神经网络、查表法确定模拟控制函数等来改善分形滤波器性能的方法。