混合多个SVR模型的金融时间序列预测

基于支持向量回归(SVR)进行金融时间序列预测,使用PSO算法确定SVR超参数,并用实验的方法选择合适的SVR输入向量。为了解决金融时间序列非平稳性导致的单一SVR模型预测精度不稳定的问题,提出一种混合多个SVR模型的预测算法,选取训练数据的不同子集训练出多个SVR模型,采用对多个模型的预测结果加权求和的方法进行预测,各个模型的权重根据其预测误差动态调整。在全球5大股指上的实验表明,该算法的预测能力明显优于单一SVR模型。     

基于趋势点状态模型的时间序列预测算法

针对传统的时间序列线性预测算法对时间序列的线性程度要求高,而非线性方法一般建模复杂且计算量大,提出了一种基于趋势点状态模型的时间序列预测算法.该算法无须考虑时间序列是否具有显著线性特征,通过序列间耦合度挖掘时间序列上的相似子序列,找出相对应的相似序列趋势点,建立趋势点状态模型并求出预测值.算法建模简单,复杂度较低.通过模拟实验,结果表明该算法性能良好,尤其对具有周期性的时间序列预测精度很高.     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于遗传算法的时间序列预测算法研究

模型参数的估计是时间序列预测研究的重要内容,经典模型参数估计方法对参数估计结果不进行评估和优化,预测精度往往达不到要求。本文提出基于遗传算法进行模型参数估计的方法,该方法具备了群集思想和递推思想的特征,仿真实验表明所提出算法相比传统算法,具有更高的预测精度。     

基于EPNET模型和多期预测的时间序列预测

文中主要研究了基于EPNET(Evolutionary Programming Net)的时间序列预测问题。EPNET是一种进化人工神经网络模型,它能够同时代化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。在此基础上,提出了基于该模型的时间序列预测算法,介绍了该算法实现时的有关问题。     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

基于时间序列模型的城市交通拥堵情况预测方法

城市交通拥堵情况预测序列多为单层级处理,导致预测结果误差较大,为此提出基于时间序列模型的城市交通拥堵情况预测方法。首先,进行预测指标选取及数据采集,采用多目标的方式扩大预测范围;其次,设计多目标预测序列,进行交通拥堵状态判别及无量纲化处理;最后,构建时间序列交通拥堵情况预测模型,并进行对比分析。测试结果表明,该预测方法的针对性较强,能够将预测绝对误差控制在1.5以下,具有实际应用价值。     

基于时间序列模型的黄金价格预测

由于黄金价格受到诸多经济及政治因素的影响,其生成过程十分复杂,因此研究黄金价格的动态演变过程具有极强的现实意义。而具体的预测要根据市场的过去和当前的需求,以及影响市场需求变化的因素之间的关系,利用一定的判断、技术和模型,对其价格波动变化及发展趋势进行分析和判断。利用时间序列相关理论,建立黄金价格的ARMA模型,发现其可以动态刻画黄金价格数据的生成过程并且较好地对黄金价格进行预测。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于一种时间序列模型的河流重金属污染浓度预测研究

水环境是一个充满不确定性的复杂巨系统,传统水质模型很难体现重金属污染物在河流中迁移的随机性,因此经典的时间序列模型——ARIMA模型被应用于河流重金属污染浓度的预测。实例分析证实,通过采用将荻得的最新数据不断地添加到用于模型设定的样本中,并再此基础上获得最近向前一个时期预测值的动态预测方法,ARIMA模型能够获得很好的预测表现,尤其是在充分考虑模型残差统计分布特征的情况下,采用具有学生t分布的模型预测更精确。     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

基于动态递归神经网络模型的混沌时间序列预测

提出了一种动态递归神经网络模型进行混沌时间序列预测,以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数,并按预测相点步进动态递归的生成训练数据,利用混沌特性处理样本及优化网络结构,用递归神经网络映射混沌相空间相点演化的非线性关系,提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测,其结果与已有网络模型预测的结果相比较,精度有很大提高。因此,证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。     

A novel statistical time-series pattern based interval forecasting strategy for activity durations in workflow systems

Forecasting workflow activity durations is of great importance to support satisfactory QoS in workflow systems. Traditionally, a workflow system is often designed to facilitate the process automation in a specific application domain where activities are of the similar nature. Hence, a particular forecasting strategy is employed by a workflow system and applied uniformly to all its workflow activities. However, with newly emerging requirement to serve as a type of middleware services for high performance computing infrastructures such as grid and cloud computing, more and more workflow systems are designed to be general purpose to support workflow applications from many different domains. Due to such a problem, the forecasting strategies in workflow systems must adapt to different workflow applications which are normally executed repeatedly such as data/computation intensive scientific applications (mainly with long-duration activities) and instance intensive business applications (mainly with short-duration activities). In this paper, with a systematic analysis of the above issues, we propose a novel statistical time-series pattern based interval forecasting strategy which has two different versions, a complex version for long-duration activities and a simple version for short-duration activities. The strategy consists of four major functional components: duration series building, duration pattern recognition, duration pattern matching and duration interval forecasting. Specifically, a novel hybrid non-linear time-series segmentation algorithm is designed to facilitate the discovery of duration-series patterns. The experimental results on real world examples and simulated test cases demonstrate the excellent performance of our strategy in the forecasting of activity duration intervals for both long-duration and short-duration activities in comparison to some representative time-series forecasting strategies in traditional workflow systems.     

基于数据预处理灰色神经网络组合和集成预测

当研究的系统扰动因素过大或系统行为在某个时川点发生突变，出现严重扰动系统的异常数据时，提出不应直接按原始数据建模预测，而应根椐实际情况适当地对数据预处理．提出了基于数据修正的改进型灰色神经网络组合和集成预测，并根据南昌火车站旅客发送量时间序列建立了多个模型，从模型预测效果对比中说明数据修正、改进型灰色模型和改进型灰色神经网络、灰色神经网络组合和集成确实能提高预测精度．另外，修正数据要把握一个度，不能修正全部数据，只能修正较异常的数据，要在数据的趋势性和预测的灵敏性间取得平衡。     

A hybrid model based on differential fuzzy logic relationships and imperialist competitive algorithm for stock market forecasting

In this study, a new kind of fuzzy set in fuzzy time series’ field is introduced. It works as a trend estimator to be appropriate for fuzzy time series forecasting by reconnoitering trend of data appropriately. First, the historical data are fuzzified into differential fuzzy sets, and then differential fuzzy relationships are calculated. Second, differential fuzzy logic groups are established by grouping differential fuzzy relationships. Finally, in the defuzzification step, the forecasts are calculated. However, for increasing the accuracy of the models, an evolutionary algorithm, namely imperialist competitive algorithm is injected, to train the model. A massive stock data from four main stock databases have been selected for model validation. The final project, has shown that outperformed its counterparts in term of accuracy.     

A distance-based fuzzy time series model for exchange rates forecasting

Fuzzy time series model has been successfully employed in predicting stock prices and foreign exchange rates. In this paper, we propose a new fuzzy time series model termed as distance-based fuzzy time series (DBFTS) to predict the exchange rate. Unlike the existing fuzzy time series models which require exact match of the fuzzy logic relationships (FLRs), the distance-based fuzzy time series model uses the distance between two FLRs in selecting prediction rules. To predict the exchange rate, a two factors distance-based fuzzy time series model is constructed. The first factor of the model is the exchange rate itself and the second factor comprises many candidate variables affecting the fluctuation of exchange rates. Using the exchange rate data released by the Central Bank of Taiwan, we conducted several experiments on exchange rate forecasting. The experiment results showed that the distance-based fuzzy time series outperformed the random walk model and the artificial neural network model in terms of mean square error.     

Fuzzy forecasting based on fuzzy time series

This article presents an improved method of fuzzy time series to forecast university enrollments. The historical enrollment data of the University of Alabama were first adopted by Song and Chissom (Song, Q. and Chissom, B. S. (1993). Forecasting enrollment with fuzzy time series-part I, Fuzzy Sets and Systems, 54, 1–9; Song, Q. and Chissom, B. S. (1994). Forecasting enrollment with fuzzy time series-part II, Fuzzy Sets and Systems, 54, 267–277) to illustrate the forecasting process of the fuzzy time series. Later, Chen proposed a simpler method. In this article, we show that our method is as simple as Chen's method but more accurate. In forecasting the enrollment of the University of Alabama, the root mean square percentage error (RMSPE) of our method is 3.1113% while the RMSPE of Chen's method is 4.0516%, which shows that our method is doing much better.     

基于序列分解的复杂系统的时序预测方法

现实中的时序数据，往往取自于复杂系统，表现出长记忆效应与短时不规则波动同时并存。传统的时序数据的分析和预测方法一般对不同层次的影响不加以区分，而是为其建立一个统一的模型，这使得在对复杂系统建模时需要用大量的参数予以表征，影响预测效率与精度。为此采用新的方法，将序列数据本身进行多平滑因子分解，对分解后的序列进行多尺度的采样并分别建模、预测，最后将结果整合。该方法应用于股票的实验表明，即使对起伏波动很大的时间序列，也能够得到较好的预测结果。     

基于图神经网络和长短期记忆模型的房价预测方法

针对目前仅单独考虑价格序列中样本的趋势或仅考虑多个关联属性与价格间的函数关系,而不能更准确地进行房价预测的问题,构建了时空注意力图卷积长短期记忆模型AG-LSTM,包含局部特征提取模块、区域特征提取模块、复合预测模块。局部特征提取模块分别使用同构图和异构图神经网络提取各小区及价格关系属性、各小区和配套邻居节点相关性的特征信息;区域特征提取模块先对邻近小区节点进行聚类,再结合图注意力网络获得小区节点对所属区域的重要性程度,建立区域与小区之间的映射矩阵,根据小区节点信息和映射矩阵得到区域特征;复合预测模块使用长短期记忆模型对由局部特征和区域特征组成的复合特征进行时序建模,实现房价预测。以链家网北京房价数据进行了实验,结果表明AG-LSTM预测结果优于已有基线模型。该模型同时挖掘了小区间位置关系、小区与其配套间位置关系、多个关联属性、价格时序趋势对房屋价格的影响,较好地实现了房屋价格的预测。     

基于混合进化算法的RBF神经网络时间序列预测

提出一种基于梯度下降法的混合进化算法,用于确定径向基函数（RBF）神经网络结构和优化其参数.在进化算法中嵌入梯度下降算子,对每一代中若干个精英个体以一定概率利用梯度下降法进行搜索,以加强算法的局部搜索能力.利用混合进化算法对RBF网络结构和参数同时进行训练和优化,对网络节点数和参数进行混合编码.仿真实验结果表明该RBF网络具有较强的泛化能力.