基于分形理论的居民消费价格指数预测

随着我国经济的迅速发展,物价水平明显升高,居民的正常生活受到了很大影响.以居民消费价格指数(CPI)为研究对象,运用分形理论的相关预测知识,分析了我国2000—2011年的居民消费价格指数走势,结合散点图得出CPI指数还会持续上升的结论.在此基础上分析了CPI指数上升的原因,从政策和市场等方面提出相应措施以合理控制物价,确保市场运作的协调统一.     

居民消费价格指数建模与预测

为了提高居民消费价格指数预测的准确性,根据模型参数之间的内在联系,建立了一种参数联合求解的居民消费价格指数预测模型.收集消费价格指数的历史数据,将相关参数编码成为一个基因.通过遗传算法模拟生物进化机制搜索最优参数,利用最优参数建立居民消费价格指数预测模型.应用实例的结果表明,该模型可以获得理想的居民消费价格指数预测结果,为非线性预测问题的建模与预测提供了一种思路.     

基于神经网络和混沌理论的短时交通流预测

文章通过分析短时交通流量数据在时间序列上的特点，结合神经网络和混沌理论，从非线性时间序列预测的角度对交通量预测进行探讨。并用该方法对广州至佛山高速公路交通流进行了预测，取得了较为满意的效果。     

基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数,建立了基于ARIMA的物价指数预测模型。实验结果表明,该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内,因此该模型拟合效果较好,预测值接近实际值。最后,应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。     

对我国2008年居民消费价格指数的预测

从国家统计局公布的2001年到2008年11月的CPI数据,可明显的看出我国已进入通货膨胀期,面对通货膨胀的压力,中央银行年内10次上调存款准备金率。本文对我国2008年CPI指数进行趋势预测,使人们更好的把握对未来经济的预期。     

ARIMA模型在居民消费价格指数预测中的应用

将ARIMA模型应用于居民消费价格指数的拟合和短期预测中,采用2001年1月至2013年10月中国居民消费价格指数的月度数据,借助EViews 6.0软件对数据进行拟合分析,建立了乘积季节ARIMA(5,0,6)(1,1,0)12模型,并讨论了模型的准确性,对未来中国居民消费价格指数进行了预测,该模型具有较高的理论与实际价值。     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

基于马尔科夫链模型的中国居民消费价格指数的分析和预测

本文运用马尔科夫链模型分析了自2002年中国加入世界贸易组织(WTO)以来的月居民消费价格指数(CPI),基于CPI定基比数据建立了变动趋势的二阶转移矩阵,基于CPI同比数据建立了经济状态的三阶转移矩阵,利用转移矩阵的遍历性分析得到中国经济的平稳分布,并对中国未来经济进行了预测,同时给出了一些政策建议。     

组合模型对居民消费价格指数序列的分析及预测

求和自回归移动平均模型(简称ARIMA)及支持向量回归模型(简称SVR)是两个重要且行之有效的分析及预测时间序列的方法.他们都能在一定程度上反映数据所包含的信息且信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型对居民消费指数(CPI)进行了预测,结果显示组合模型提高了指数的预测精度.     

基于混沌理论与径向基函数神经网络的混沌时间序列预测

根据混沌时间序列的特性 ,给出了将混沌理论与径向基函数神经网络相结合对其预测的方法 .首先在虚假邻域概念基础上 ,提出了可同时确定合适的嵌入维数与时间延迟的方法 ,从而可据此确定径向基函数神经网络的输入 ;然后 ,用径向基函数神经网络进行学习及预测 .最后 ,给出一个实例 .     

基于BP神经网络的我国股指期货价格预测

应用BP神经网络理论提出了我国股指期货市场价格走势短期预测模型。首先根据实验数据的特点分别构建单因素、多因素BP神经网络预测模型,再通过重复试验的方法,运用BP神经网络对股指期货价格序列进行训练,从而对股指期货价格进行预测。结果表明,通过BP神经网络预测模型得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

因子分析和神经网络相融合的股票价格预测

为了提高股票价格的预测精度,提出一种因子分析与神经网络相融合的股票价格预测模型.首先采用因子分析法确定影响股票价格的主要因子,然后将主要因子作为神经网络的输入向量进行学习和建模,并采用遗传算法对神经网络进行优化.该模型融合了因子分析和神经网络的优势,可以准确刻画股票价格变化的复杂性和非平稳性,提高了股票价格的预测精度,而且泛化能力更优.     

一种改进的神经网络集成法预测PMV指标

为解决大样本的PMV指标预测问题,采用基于模糊聚类的神经网络集成方法,将原始样本集模糊划分为多个相交子集,通过这些模糊子集训练神经网络得到预测个体,再对个体输出加权结合获得预测结果.在进行神经网络集成过程中,采用微粒群算法有效克服了聚类和常规神经网络训练容易陷入局部最优的缺点,总结出一种更加有效的神经网络集成方法.实验结果表明:基于微粒群的神经网络集成算法有较好的全局优化性能,其集成的神经网络系统能更准确地预测PMV指标.     

基于改进小波神经网络的汇率预测研究

选取2010-01-01—2010-10-31期间内,美元兑人民币的汇率基准价,以Morlet为母小波基函数,采用紧密结合的的小波神经网络对汇率基准价作非线性逼近,并在此小波神经网络基础上进行改进,并通过Matlab软件对原网络与改进网络的训练过程进行了数值仿真.仿真结果表明,改进网络模型对汇率基准价的预测是可行的,其预测精度更高.     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.