基于EMD和GARCH模型的股票收盘价格预测

首先对股票收盘价序列进行经验模式分解(EMD),对分解后的本征模函数(IMF)与残差序列分别拟合ARMA-GARCH模型.将所建模型的预测结果相加,往后预测5 d的收盘价格,并与原始序列所建ARIM A-GARCH模型的预测结果进行比较.比较结果可以帮助股票投资者预测股票市场行情.     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于EMD-CNN-LSTM混合模型的短期电力负荷预测

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long...     

基于非对称GARCH-MIDAS模型的原油价格波动预测

针对原油价格波动的预测问题,将GARCH-MIDAS模型扩展为两类:A-GARCH-MIDAS模型研究正负面的油价波动因素对原油市场的不同影响;GARCH-MIDAS-X模型将短期成分扩展到额外的波动决定因素,将扩展模型应用于原油WTI数据.样本内估计结果表明,非对称效应对原油价格波动性有显著影响;样本外预测结果表明,非对称效应显著提高了波动率模型的预测性能.     

基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

基于经验模态分解与人工鱼群神经网络的短期负荷预测

提出了采用经验模态分解（EMD）、人工鱼群算法的RBF神经网络与BP神经网络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用经验模态分解（EMD）将非平稳的负荷序列分解成若干平稳序列,然后根据分解后各分量的特点构造不同的神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果。     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

基于多项式指数模型的煤层气储层测井产能预测研究

以沁水盆地某研究区的测井、实验测试和排采资料为基础,围绕煤层气储层产能预测技术开展研究.煤层气产能受煤层气储层自身特性和排采制度等多种因素的影响,是各种影响因素综合作用的结果,是开采过程中系统内在变化的反映.而利用测井方法获取的储层参数,主要反映的是储层静态特征.利用测井方法评价储层产能,就是力图利用这种通过测井方法获取的静态的储层参数来预测储层的产能.本文通过灰色关联分析法计算各个储层参数影响煤层气储层产能的权重,并利用反映储层含气特性的含气量和灰分,以及反映储层渗流能力的裂缝孔隙度和渗透率4个参数建立多项式指数模型对煤层气储层的产能进行预测.并通过实际储层的产能级别数据验证,该模型的具有很好的预测效果.     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于改进DEA模型的财务景气波动监测研究

企业经营的财务状况存在着类似于宏观经济的从收缩到扩张、从繁荣到萧条的景气循环。借鉴宏观经济景气监测的原理,基于数据包络分析(DEA)原理及其改进模型,文章构建了企业财务景气波动指数,设计了企业财务景气波动图和财务景气信号显示图的监测方法,为直观地描绘企业财务状况周期性波动的特征和过程提供了一种新手段。基于此模型和方法,采用酿酒饮料业上市公司的财务数据进行了应用研究。     

基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。     

基于GARCH模型的波动率预测及应用

以中国石油（601857）股票2010年1月15日至2011年1月17日交易日收盘价格的实际数据为样本,建立了股票对数收益率波动率的GARCH模型,利用Eviews软件进行参数估计得到波动率的方程,并对波动率进行预测,从而得到基于GARCH模型预测波动率的欧式看涨期权的价格和风险值VaR的计算。     

基于经验模态分解的时间序列预测方法

时间序列预测方法广泛应用于各个领域。对非平稳非线性时间序列预测方法进行了研究,利用经验模态分解法将此类序列分解为平稳时间序列,然后选择合适的步长,应用机器学习算法对各个平稳子序列进行预测,各个子序列的预测值之和即为原序列的预测值。将该方法应用于楼宇等电能能耗数据,实验结果表明,基于经验模态分解方法的时间序列预测方法精度较高,适用于预测非线性非平稳时间序列。     

非线性非平稳波浪极短期预测的复合优化模型

海浪的时间序列一般具有非线性和非平稳性,针对直接对其进行预测精度较差,本文利用复合模型对波浪进行了预测。利用长短期记忆神经网络模型的非线性学习能力和经验模态分解的非平稳数据处理能力,采用镜像对称和长短期记忆算法联合消除经验模态分解端点效应,建立了一种用于不规则波极短期预测的复合经验模态分解-长短期记忆模型。研究表明：通过比较分析水槽试验获得的一般不规则波、线性聚焦波和非线性畸形波的预测效果,结果揭示出经验模态分解端点效应对模型预测精度具有负面影响,本文基于自适应镜像延拓的复合经验模态分解-长短期记忆模型可以更好地预测极短期非线性、非平稳波浪时序的变化趋势。     

基于多尺度组合模型的区域农业旱灾损失率预测

针对旱灾系统的非平稳和非线性特征,提出了基于经验模态分解和最小二乘支持向量机的多尺度组合预测模型。为了避免分解过程中旱灾序列取值域发生改变的问题,首先采用逆Logistic变换对原始序列的取值域进行扩展;然后使用经验模态分解将旱灾序列进行平稳化,提取出旱灾序列中不同时间尺度的子序列,根据子序列的波动特征选择适用的方法进行预测;最后将预测子序列进行重组和还原。以河南省农业旱灾综合损失率为例进行3步仿真预测。预测结果表明,多尺度组合模型的预测效果和精度均好于最小二乘支持向量机模型的,说明在旱灾序列处理中应优先选用多尺度分析法。     

基于 EMD 和 RVM 的股指期货价格预测

提出了一种基于EMD（经验模态分解）与RVM（相关向量机）的股指期货价格预测方法。首先将目标价格序列通过EMD技术进行分解,然后对分解后的分量进行重组得到三个新序列,通过分析这三个新序列的特点,构造不同的RVM模型对每个新序列分别进行预测,最后将三个新序列的预测结果通过RVM组合得到最终预测值。实验结果表明,该方法能取得良好的预测效果。     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

基于经验模态分解的风电功率短期预测方法

采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。     

空气质量调控模型与方法研究——以苏州市为例

空气污染已成为制约中国发展的核心环境问题,分析并挖掘空气污染、企业排污、气象要素等环境数据的关联关系,对区域环境治理具有重要指导意义。本研究以江苏省苏州市2015年12月份逐时监测的空气质量指数、企业污染气体排放记录以及气象信息为基础,分析企业排污、气象要素对空气质量的影响,根据分析结果选用12月份的单日监测数据建立空气质量-企业排污-气象要素关联模型,以12月份双日监测数据对模型进行验证,模型计算结果与实测值对比显示,相关系数R=0.597,均方根误差RMSE=30.061。最后利用模型开展空气质量定量化调控实验。提出的基于关联模型的空气污染防治方法,可为政府管理部门明确减排对象、量化减排指标等提供科学依据和数据支持,有效降低空气污染防治成本。     

基于经验模态分解的短期负荷预测

提出了一种新的电力系统短期负荷预测混合模型,该模型将经验模态分解（EMD）、支持向量机与BP型神经网络有机结合在一起,充分利用了各方法的特点。利用经验模态分解将负荷序列分解成若干序列,根据各序列的变化特点,在考虑温度影响因素的基础上构建不同的支持向量机模型,然后利用BP网络进行非线性重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。