面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.     

基于选择性集成ARMA组合模型的零售业销量预测

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析。传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征。论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度。提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求。论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58%和41.28%。组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一。     

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题,提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度。建立了该算法应用于股指预测的模型,对上证综合指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对证券市场进行分析和预测的一种可行而有效的方法。     

ARES:用于预测的情感感知自回归模型

随着Web2.0的蓬勃发展,互联网上产生了大量由用户发表的评论,其中表达的观点看法对大众消费的影响越来越大,因此分析评论中蕴含的情感信息对产品销量的预测以及市场战略的调整有实际意义.针对这一问题,在分析图书销售领域网络评论特点的基础上,提出了相应的情感分析方法,首先利用词性列表及前缀词典完成极性词词典的自动抽取与构建,然后采用基于词典的方法对图书的评论内容进行情感分析及量化,最后通过将抽取的情感因素融合到自回归模型中,建立了新的预测模型——情感感知自回归模型(autoregressive emotion-sensitive model,ARES).实验结果表明,基于词典的分析方法能够有效地反映出评论自身的情感信息,并且融入了情感分析结果的模型在销量预测方面具有更好的准确性.     

多输出支持向量回归及其在股指预测中的应用

为了解决多输出回归问题，提出了一种新的多输出支持向量回归算法。给出了定义在超球上的损失函数，并将训练SVM转化为迭代解线性方程组，在求解过程中采用边计算边使矩阵降阶的方法，加快了运算速度。建立了该算法应用于股指预测的模型，对上证综合指数的建模与预测表明：与单输出支持向量回归算法建立的模型相比，该算法具有更好的整体预测精度和抗噪性能，是对证券市场进行分析和预测的一种可行而有效的方法。     

一种用于空间对象属性预测的空间广义线性回归模型

泛Kriging和广义线性回归模型是空间对象属性值预测最常用的方法,两种模型各有侧重.本文结合这两种模型的优点,并针对实际问题将两种模型合并,形成新的空间广义线性回归模型,并通过混合模型进行参数估计.实验表明,采用空间广义线性回归预测模型能获得更高的预测精度.     

基于IFOA-SVR的断路器销量预测

为了提高供应链中销量预测的准确性,提出一种改进森林优化算法(Improved forest optimization algorithm,IFOA)来优化销量预测.首先,引入量子系统中的delta势阱模型,使得算法能在充分利用局部最优的同时避免陷入局部最优;其次,引入自适应局部播种步长,从而优化算法的全局和局部寻优速度,保证算法精度;然后,定义森林广域播种中的自适应转移率,有效地平衡森林个体多样性与算法局部收敛能力之间的矛盾;接着,挖掘外部数据作为特征,通过计算每个特征与销量的相关性及其显著性进行特征选择并对历史销量数据进行基于聚合经验模态分解(Ensemble empirical mode decomposition,EEMD)的特征提取;最后,将上述特征用于支持向量回归模型的建立,并使用改进的森林优化算法对模型参数进行优化,最终得到销量的准确预测.     

基于T-S模糊模型的非线性预测控制策略

提出了一种新的基于T-S模糊模型的非线性预测控制策略. T-S模糊模型用于描述对象的非线性动态特性, 通过将模糊模型的输出反馈回来作为模型输入, 从而构成了模糊多步预报器. 由于T-S模糊模型每条规则的结论部分是一个线性模型, 因此整个模糊模型可以看作一个线性时变系统, 从而将模糊预测控制器中的非线性优化问题转化为一个线性二次寻优问题, 以方便求解. pH中和过程的仿真结果表明其性能优于传统的动态矩阵控制器.     

多变量时序回归树的黄瓜产量预测模型

为提高黄瓜产量预测能力,将黄瓜的全生育期作为研究对象,提出了一种基于多变量时间序列的回归树预测模型.将黄瓜全生育期采集到的多环境变量作为一个时间序列,根据黄瓜的生长期将整个时间序列划分成多个子序列,最后利用回归树算法对时间序列样本进行建模.该研究以戴多星这一黄瓜品种为实验对模型进行验证,实验结果表明,该模型能准确地预测黄瓜戴多星的产量,平均单株产量误差不大于0.05kg.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board

Success in forecasting and analyzing sales for given goods or services can mean the difference between profit and loss for an accounting period and, ultimately, the success or failure of the business itself. Therefore, reliable prediction of sales becomes a very important task. This article presents a novel sales forecasting approach by the integration of genetic fuzzy systems (GFS) and data clustering to construct a sales forecasting expert system. At first, all records of data are categorized into k clusters by using the K-means model. Then, all clusters will be fed into independent GFS models with the ability of rule base extraction and data base tuning. In order to evaluate our K-means genetic fuzzy system (KGFS) we apply it on a printed circuit board (PCB) sales forecasting problem which has been used as the case in different studies. We compare the performance of an extracted expert system with previous sales forecasting methods using mean absolute percentage error (MAPE) and root mean square error (RMSE). Experimental results show that the proposed approach outperforms the other previous approaches.     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。     

A new forecasting scheme for evaluating long‐term prediction performances in supply chain management

Supply chain management (SCM) practitioners in inventory sites are often required to predict the future sales of products in order to meet customer demands and reduce inventory costs simultaneously. Although a variety of forecasting methods have been developed, many of them may not be used in practice for various reasons, such as insufficient viable information about sales and oversophisticated methods. In this paper, we provide a new forecasting scheme to evaluate long‐term prediction performances in SCM. Three well‐known forecasting methods for time series data—moving average (MA), autoregressive integrated MA, and smoothing spline—are considered. We also focus on two representative sales patterns, each of which is with and without a growth pattern, respectively. By applying the proposed scheme to various simulated and real datasets, this research aims to provide SCM practitioners with a general guideline for time series sales forecasting, so that they can easily understand what prediction performance measures and which forecasting method can be considered.     

基于交叉验证网格寻优支持向量机的产品销售预测

综合考虑影响汽车销售的多种因素,运用交叉验证网格搜索优化支持向量机的惩罚系数和核函数参数,建立了适合汽车销售的预测模型.仿真实验结果表明,改进支持向量机优化汽车销售预测模型的预测效果比某公司当前采用的模型更佳,该模型具有较高的预测精度和较大的可信度,可为企业决策层提供较为准确的销售预测参考.     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

Efficient prediction of stock market indices using adaptive bacterial foraging optimization (ABFO) and BFO based techniques

The present paper introduces the use of BFO and ABFO techniques to develop an efficient forecasting model for prediction of various stock indices. The structure used in these forecasting models is a simple linear combiner. The connecting weights of the adaptive linear combiner based models are optimized using ABFO and BFO by minimizing its mean square error (MSE). The short and long term prediction performance of these models are evaluated with test data and the results obtained are compared with those obtained from the genetic algorithm (GA) and particle swarm optimization (PSO) based models. It is in general observed that the new models are computationally more efficient, prediction wise more accurate and show faster convergence compared to other evolutionary computing models such as GA and PSO based models.     

A novel nonlinear ensemble forecasting model incorporating GLAR and ANN for foreign exchange rates

In this study, we propose a novel nonlinear ensemble forecasting model integrating generalized linear auto-regression (GLAR) with artificial neural networks (ANN) in order to obtain accurate prediction results and ameliorate forecasting performances. We compare the new model's performance with the two individual forecasting models—GLAR and ANN—as well as with the hybrid model and the linear combination models. Empirical results obtained reveal that the prediction using the nonlinear ensemble model is generally better than those obtained using the other models presented in this study in terms of the same evaluation measurements. Our findings reveal that the nonlinear ensemble model proposed here can be used as an alternative forecasting tool for exchange rates to achieve greater forecasting accuracy and improve prediction quality further.