基于区间相离度及GIOWA算子的区间型组合预测方法

为了提高区间数的预测精度,以预测精度作为诱导值,区间相离度作为最优准则,通过广义诱导有序加权平均(generalized induced ordered weighted averaging,GIOWA)算子集结数据,提出了一种基于区间相离度及GIOWA算子的区间型组合预测方法.实例验证表明,该方法的预测精度优于各单项预测方法.通过对参数进行灵敏度分析,得到参数变化对组合预测最优解及预测精度的影响.     

基于IOWA算子的区间组合预测方法

针对预测值与实际值都以区间数形式给出的组合预测问题,引进诱导有序加权平均(IOWA)算子,提出了以区间中心位置误差平方和与区间长度误差平方和的凸组合为准则的区间组合预测模型,给出了确定Ⅰ-OWA算子区间组合预测模型权系数的数学规划方法,实例分析表明,该模型能有效提高区间组合预测精度.     

基于IGOWLA算子及三元区间数相似度的区间型组合预测模型

为了提高区间型数据的预测精度,构建了一种基于诱导广义有序加权对数平均(IGOWLA)算子及三元区间数相似度的区间型组合预测模型.首先将传统的区间数转化为三元区间数,然后利用IGOWLA算子对三元区间数进行集结,最后选取三元区间数相似度作为相关性指标构建模型.实例分析表明,该模型能有效地提高区间型数据的预测精度,是一种优性组合预测模型.另外,通过分析模型中的参数λ, 给出了参数λ的最优取值范围.     

基于区间数距离的IGOWLA算子的区间型组合预测模型

在用区间数描述不确定现象的预测问题中,由于每种单项预测方法在各个时点处的精度不同,定权区间型组合预测模型存在权重固定不变的不足.本文引入诱导广义有序加权对数平均(IGOWLA)算子,以区间数距离作为最优准则,构建一种基于区间数距离的IGOWLA算子的变权区间型组合预测模型.实证分析结果显示,本文所构建的区间型组合预测方法可提高预测精度,是一种有效的优性的组合预测方法.     

一类诱导广义有序加权对数的连续区间有序加权调和平均算子及其应用

结合连续区间有序加权调和平均(C-OWHA)与诱导广义加权对数平均(IGOWLA)两类算子,提出了一类诱导广义有序加权对数的C-OWHA(IGOWLC-OWHA)算子.以改进的Theil不等系数为相关性准则,构造了一种基于IGOWLC-OWHA算子的区间组合预测模型.算例分析表明,该模型能有效提高预测精度.     

基于广义诱导连续区间有序函数比例加权平均算子的区间型组合预测模型

以抽象单调函数为基础,构建了一类函数族的广义诱导连续区间有序函数比例加权平均(GICOWFPA)算子.在灰色趋势关联度为最优准则下,建立了基于GICOWFPA算子的区间型组合预测模型.实例分析表明,该模型的预测精度优于3种单项预测方法及文献[9,11]中提出的组合预测方法,因此本文预测方法是一种有效的组合预测方法.     

基于连续有序加权平均算子的区间组合预测

将连续的有序加权平均算子与诱导的有序加权平均算子相结合运用到区间组合预测问题中,首先定义了基于连续区间有序加权平均算子的区间预测相对误差、预测精度和非劣性组合预测等概念,其次以区间组合预测误差平方和为准则建立了基于连续区间有序加权平均算子的区间组合预测模型。在该模型下,进一步讨论了区间组合预测模型的性质和求解方法。最后给出了实例分析,表明该区间组合预测方法有效。     

基于一种贴近度的IOWHA算子预测模型的性质研究

为了克服传统的单项预测方法选取固定参数所带来的不足,在诱导有序加权调和平均算子(IOWHA算子)的基础上,引入贴近度构建了基于一种贴近度的IOWHA算子的最优组合预测模型,对该模型的预测精度、优性及非劣性给出定义,并从理论的角度探究了其非劣性组合预测、优性组合预测的存在性的充分条件.实例分析表明,该组合预测模型优于传统的组合预测模型,能够充分利用各个单项预测方法的信息并能提高预测精度,是一种优性组合预测.     

基于一种贴近度的IGOWLA算子的最优组合预测模型

为了克服传统的单项预测方法选取固定参数时的不足,在广义诱导有序加权对数平均算子(IGOWLA算子)的基础上,引入贴近度以及λ次幂误差,构建了基于一种贴近度的IGOWLA算子的最优组合预测模型,并给出了该模型的预测精度、优性及非劣性定义.实例分析表明,该组合预测模型优于传统的单项预测模型,能够充分利用各个单项预测方法的信息并提高预测精度,是一种优性组合预测.     

基于向量夹角余弦的区间组合预测多目标规划方法

在区间组合预测领域引入向量夹角余弦方法,提出基于向量夹角余弦的区间组合预测多目标规划方法。将区间值的上下限分别看作时序向量,考虑组合预测区间值上下限的时序向量与相应实际值区间的上下限时序向量间夹角余弦,建立多目标最优化模型,并转化为单目标规划问题求解获得组合预测方法的权重。最后,通过一个具体的算例表明本文所提方法能够有效降低预测的误差。     

一种组合预测模型及其应用

在分析宏观经济灰色预测模型、BP神经网络预测模型、回归分析预测模型等基础上,结合西安市宏观经济预测模型指标GDP的历史数据,采用最小二乘法求权系数的方法,建立并检验了一种组合预测模型．实验证明该模型的预测精度有显著提高．     

基于预测理论的投资组合选择模型的研究

为提高股票未来价格和流动性的度量精度,构造了一种区间模糊数的整体GM(1,1)预测模型.首先,利用整体GM(1,1)预测模型构造了模糊区间数; 然后,基于区间模糊数建立了模糊M -V模型,并基于区间数的中点、半径以及可接受度对模型进行了优化,以此得到了含有参数的单目标规划模型.最后,通过实例分析证明了模型的有效性.     

基于智能优化的分布式网络流量预测方法

网络流量预测是网络管理的重要内容,高效的流量预测方法可提高网络管理效率。针对网络流量的时变性等问题,提出了一种基于智能优化的分布式网络流量预测方法。该方法采用果蝇算法优化3次指数平滑预测模型中的平滑因子,对时间窗口内收集到的网络流量进行预测,从而有效地提高3次指数平滑模型下网络流量预测的准确度与效率。仿真实验表明：相比传统3次指数平滑预测模型,此方法可解决平滑因子的不确定性所导致的预测结果误差问题,有效提高了网络流量预测精度。     

基于心态指标的区间灰数预测模型

针对传统灰色预测模型仅适用于实数序列而无法进行区间灰数序列建模的缺陷,引入决策者心态指标,把区间灰数序列转化为带有心态指标的序列,并且当心态指标确定时,带有心态指标的序列就转化为体现决策者心态的实数序列,然后通过对体现决策者心态的实数序列建立灰色预测模型,从而得到了一种基于心态指标的区间灰数预测模型。由于决策者可以通过调整其心态指标建立灰色预测模型,因而使得模型预测更加符合实际。     

基于SVM-GA模型的城市天然气长期负荷预测

天然气长期负荷预测能够解决城市燃气供需不平衡的问题,为城市燃气公司的管理运行提供帮助。为了提高天然气长期负荷的预测精度,提出了基于SVM-GA(SupportVectorMachines-GeneticAlgorithm)的天然气长期负荷预测模型。分析确定影响天然气用气量的相关因素,应用遗传算法和交叉验证方法分别对支持向量机模型的惩罚因子c 及核函数参数g 进行优化,以期提高支持向量机模型的预测精度,将优化后的参数输入支持向量机模型中,进行天然气长期负荷预测。以某省实际的样本数据为例,将SVM-GA模型的预测结果与SVM 和交叉验证法结合模型及BP(BackPropagation)神经网络模型的预测结果进行比较分析。结果表明,SVM-GA 预测模型分别比SVM 和交叉验证法结合预测模型和BP神经网络模型在衡量预测精度的相对均方误差、归一化均方误差、归一化绝对平方误差、归一化均方根误差、最大绝对误差五个指标分别高0.58%、3.98%、2.99%、4.58%、8.64%和6.13%、26.28%、19.71%、21.09%、31.48%。因此支持向量机与遗传算法相结合的模型能够较准确地预测天然气长期负荷。     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

主梁变形预报的改进非等间隔权重灰色修正模型

针对斜拉体系加固张拉施工阶段主梁变形难以预报,传统非等间隔灰色模型在其应用中存在精度低的问题,提出了一种马尔科夫链残差修正的改进非等间隔权重灰色主梁变形预测模型。首先,该模型将主梁变形量和索力差分别看作传统非等间隔灰色模型中的原始数据列和时间差,考虑在累加生成和累减还原过程中是否引入权重分配系数,构建了4种不同的非等间隔权重灰色预测模型,并依据相似度准则确定相应的最优权重分配系数和最佳计算模型,提高预测精度;然后,采用马尔可夫链法反映出主梁变形残差序列的随机波动特征,从而对改进非等间隔权重灰色模型的预测值进行修正,较好地弥补了单一预测模型预测精度偏低的不足,进一步提高模型的预测精度;最后,通过该模型对斜拉体系加固主梁变形进行预测。研究表明,相对传统非等间隔灰色模型,在模型累减过程中引入权重分配系数后的模型相对误差平均值降低0.47%;采用马尔可夫链法对预测结果进行修正后,相对误差平均值降低10.32%,能显著提高预测模型的精度;与马尔科夫链修正后的传统模型相比,经累减还原优化后的修正模型相对误差平均值降低3.50%,预测精度更高,能够较好地反映出了斜拉体系加固主梁变形的发展趋势;该模型的核心理论是灰色系统理论,对实测数据并无特殊要求和限制,同样适应于其他工程领域的变形预测问题。     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数;然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG-LSTM),以此获得能够预测不同模糊粒的3组LSTM模型;最后建立加权Markov-FIG-LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov-FIG-LSTM模型的RMSE、MAE和MAPE指标比FIG-LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

区域视角下我国老龄化人口的组合预测模型

为提高预测老龄人口的精度,以残差修正GM(1,1)模型、灰色-BP神经网络模型和Logistic预测模型作为单项模型,建立了一种基于相关系数的诱导有序加权平均(IOWA)算子组合预测模型.利用该模型对2000—2020年我国东部、中部、西部和东北部地区及全国老龄(≥65岁)人口数量进行预测显示,该组合预测模型的预测效果显著优于上述3个单项预测模型,表明该模型能够有效地提高老龄人口的预测精度.利用该组合预测模型对未来10年我国东部、中部、西部和东北部地区及全国老龄人口数进行预测显示:我国老龄人口数总体呈现逐步增长态势,同时区域间的老龄化进程差异也不断增大,其中东部地区老龄人口增长得相对较快,中部地区则增长得相对较慢.该预测结果可为我国老龄人口政策的制定提供参考.