灰指数模型在事件发展趋势预测中的应用

灰色系统既含有已知的信息,又含有未知的非确定性信息犤1犦,广泛存在于社会生活的各个领域。利用灰色系统理论犤1犦,预测灰色系统的演变,预测效果一般较好犤2,3犦。文章采用灰色模型GM(GreyModel)对诸如交通阻塞一类社会事件的发展进行预测,把预测结果作为中间值,再运用残差模型犤1犦加以修正,最后得到比仅限于灰指数模型更为精确的预测数据。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

灰色理论模型在股价预测中的应用

灰色系统理论是为处理非确知信息应运而生的一门新兴学科,其中灰预测是它的一个重要应用.文章将灰色预测理论应用于股票市场中,并提出了一种改进的二阶灰色模型.实验表明,改进的二阶灰色模型通过增加一个反映升降情况的因素对原二阶灰色模型的预测数据进行修正,使得预测结果更为准确.     

基于灰色预测理论的测量仪器校准周期的确定

介绍了灰色预测理论在确定测量仪器校准周期中的应用。为了更精确地确定仪器在校准过程中的校准时间间隔，利用灰色模型对测量仪器的性能指标进行建模，得出仪器性能的变化趋势，为达到更高的预测精度，利用残差的一元非线性回归模型对模型进行了修正。最后以电压源Agilent66103A的输出电压为例，通过对其输出误差的建模来预测输出误差超出设定阈值的时刻，从而确定了仪器需进行校准的时间间隔。     

一种融合粗糙集与灰模的装备故障预测方法

结合粗糙集理论和灰色系统理论对不精确信息处理的优势,文中提出一种融合粗糙集理论与GM(1,1)灰色预测模型的故障预测方法,先运用粗糙集的属性约简算法对故障诊断决策表进行约简,推出最优诊断规则,再利用GM(1,1)灰色预测模型对约简决策表中的各条件属性测试值计算得到其预测值,从而代回约简的诊断决策表进行故障预测,最后在某型机载电台装备中以某一故障为例进行应用验证,结果表明故障预测效率和精度都较高,从而为提高装备的可靠性和维修性提供依据.     

基于灰色理论的电力变压器故障预测

文章提出了一种基于综合灰色模型的电力变压器油中溶解气体浓度预测的方法,进而预测电力变压器的故障.首先对非等间隔时间序列进行等间隔处理,然后对序列进行级比检验,对于级比检验不合格的序列进行弱化处理,使用GM(1,1)得到预测序列,检验预测序列精度,对精度未满足要求的序列使用残差 GM(1,1)进行残差修正,通过预测某超高...     

灰预测与时间序列模型在航天器故障预测中的应用

灰预测是灰色系统理论的重要组成部分,已成功应用于若干领域的预测;时间序列分析是定量预测方法之一;研究了利用以灰预测模型为基础,建立的残差灰预测模型和AR时间序列模型对航天器故障状态进行预测的方法;首先分析了灰预测模型以及残差灰色预测模型的建立过程,之后分析了AR时间序列模型的建立过程;然后利用所建立的模型进行航天器故障状态的预测,给出预测结果;研究表明,残差灰预测模型预测误差比基本灰模型降低,在特定的数据特征条件下也要优于AR时间序列模型.     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

基于灰色GM（1,1）模型的区域人才需求预测

区域人才预测是一个典型的灰色系统.本文采用灰色系统理论对区域人才需求量进行预测,通过对部分已知数据的生成、开发,提取有价值的数据信息,预测结果相对误差较小,预测精度较高.     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

文化算法在股票数据建模中的应用

数据预测在金融投资领域占有重要地位,而股票价格是金融数据中最复杂的数据类型之一。本文将文化算法应用于股票指数建立时间序列模型,并且针对股票数据的特点,选择适应股票规律的文化算法模型,并与线性回归算法得到的数据结果进行了对比分析,以此来分析文化算法在该问题应用上的优劣。实验结果表明,利用文化算法模型进行预测取得了较好的结果,其预测精度较高,预测的相对误差在3%以内,涨跌分析正确率在70%以上。     

Stock Trading Using RSPOP: A Novel Rough Set-Based Neuro-Fuzzy Approach

This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with DENFIS forecast model and the stock trading without forecast model.     

组合预测模型在猪肉价格预测中的应用研究

本文在分析了神经网络、灰系统和时间序列预测模型的基础上,设计了将其中两种模型组合的预测方法。该方法的主要思想是利用回归预测思想将预测分为因素预测和结果预测两部分,并分别采用不同预测模型进行预测,从而达到提高预测精度的目的。利用该方法对吉林省近期的生猪价格进行预测,实验结果表明,该方法比单个预测方法有更好的预测效果,并且通过对不同组合的实验结果的分析发现,灰系统与神经网络相结合的方法具有更高的预测精度。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于分段线性表示和高斯过程分类的股票转折点概率预测

针对股票交易过程中价格转折点的预测问题,提出了一种基于分段线性表示(PLR)与高斯过程分类(GPC)相结合的股票价格转折点预测算法PLR-GPC。该算法通过PLR提取股票历史价格序列的转折点,对转折点进行分类标记,建立基于GPC的股票价格转折点预测模型,以上述股票历史价格序列对模型进行训练,最终由预测模型对股票价格转折点进行预测,并对预测结果进行概率解释。将PLR-GPC与基于BP神经网络(BPN)的PLR-BPN算法、基于加权支持向量机支持向量机(WSVM)的PLR-WSVM算法进行实验对比:PLR-GPC在预测准确率上高于PLR-BPN与PLR-WSVM;在投资收益率上高于PLR-BPN,与PLR-WSVM持平。实验结果表明PLR-GPC在股票价格转折点的预测上是有效的,并且可以应用在实际股票投资交易中。     

基于关联规则的股票预测方法研究

近年来证券市场迅速发展,股票信息爆炸式增长,如何从庞大的数据信息中找到有用的知识为投资者的投资行为提供指导,已成为一个重要的学术研究方向。股票市场的预测方向多种多样,主要包括股价趋势、循环周期和持续时间等。从关联规则挖掘技术入手,引入主观兴趣度约束和客观兴趣度约束,挖掘股票收益率信息,实现对股价趋势的预测。同时对比实际股票数据结果,测试挖掘规则的准确率。     

Generative adversarial network (GAN) and enhanced root mean square error (ERMSE): deep learning for stock price movement prediction

The prediction of stock price movement direction is significant in financial circles and academic. Stock price contains complex, incomplete, and fuzzy information which makes it an extremely difficult task to predict its development trend. Predicting and analysing financial data is a nonlinear, time-dependent problem. With rapid development in machine learning and deep learning, this task can be performed more effectively by a purposely designed network. This paper aims to improve prediction accuracy and minimizing forecasting error loss through deep learning architecture by using Generative Adversarial Networks. It was proposed a generic model consisting of Phase-space Reconstruction (PSR) method for reconstructing price series and Generative Adversarial Network (GAN) which is a combination of two neural networks which are Long Short-Term Memory (LSTM) as Generative model and Convolutional Neural Network (CNN) as Discriminative model for adversarial training to forecast the stock market. LSTM will generate new instances based on historical basic indicators information and then CNN will estimate whether the data is predicted by LSTM or is real. It was found that the Generative Adversarial Network (GAN) has performed well on the enhanced root mean square error to LSTM, as it was 4.35% more accurate in predicting the direction and reduced processing time and RMSE by 78 s and 0.029, respectively. This study provides a better result in the accuracy of the stock index. It seems that the proposed system concentrates on minimizing the root mean square error and processing time and improving the direction prediction accuracy, and provides a better result in the accuracy of the stock index.