基于后效时间长度的股票价格预测

研究股票价格准确预测问题,针对股票走势预测受政治经济变化等多种因素的影响,具有较强的时变性和非线性特性。传统方法多为线性系统的预测方法,不能有效提高预测精度。为准确确定股票走势后效的时间长度,提高预测精度,根据地统计学与支持向量机提出了一种新的股票价格预测方法。先对数据进行平稳化处理并以地统计学分析股票价格数据的结构性,确定后效时间长度,根据后效时间长度确定各样本的拓阶次数,并对数据进行主成分分析,消除各描述特征携带的噪音。最后采用非线性支持向量机对得到的主成分构建模型并预测。以深发展A股与上证A股两个数据集进行仿真,预测精度均明显高于参比模型。仿真结果表明,新方法能准确预测股价走势,且稳定性好,为股价预测领域提供了有效的手段。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于深度信念网络的医院门诊量预测

有效的医院门诊量预测是现代医院对医疗资源实现智能化管理的重要前提之一。现有的医院门诊量预测方法大多针对的是单一的数据集,缺少对数据的充分挖掘和深入分析。为此,提出一种基于深度信念网络的医院门诊量预测方法,用深度信念网络对医院各科室的门诊量数据进行无监督学习,完成对门诊量数据的特征提取,挖掘各科室门诊量数据间的相互关系,在网络的顶层叠加一个逻辑回归层并将提取出的数据特征作为输入来预测各科室未来的门诊量。仿真实验结果表明,基于深度学习的预测模型可以得到较高的门诊量预测精度,是一种可行且有效的预测方法。     

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。     

融合传递熵的图神经网络农产品期货预测模型

针对农产品期货价格波动的非线性及国内外期货产品的联动性特征,考虑到传统神经网络预测模型未能针对多源输入变量间的因果关系进行定量表征,构建融合传递熵的图神经网络预测模型。通过计算传递熵表示节点间的邻接矩阵,作为先验信息识别变量间的因果关系;设置多尺寸滤波器的时间卷积模块提取节点特征,用于识别序列时间依赖性;设置图卷积模块实现对节点信息及其邻域信息的传播与特征筛选,最后连接参数,输出最终的预测结果。在大豆期货数据上的实证研究表明,相较于现有的通用预测模型,该模型能够实现最佳的预测效果。     

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。     

Neural network forecasting of an opening cash price index

The study investigates the information content of SGX-DT Nikkei 225 futures prices during the non-cash-trading (NCT) period using an artificial neural network model. The cash market closing index, the futures prices from a period in the same trading day and on the following trading day are utilized to determine the appropriate input nodes of a back propagation neural network model in forecasting the opening cash price index. Sensitivity analysis is first employed to address and solve the issue of finding the appropriate network topology. Extensive studies are then performed on the robustness of the constructed network by using different training and testing sample sizes. The effectiveness of the method is demonstrated on data from a 6-month historical record (1998-99). Analytic results demonstrate that the proposed neural network model outperforms a neural network model with the previous day's closing index as the input node and the random walk model forecasts. It, therefore, indicates that there is valuable information involved in futures prices during the NCT period that can be used to forecast the opening cash market price index.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于DBN深度学习的期货市场价格预测建模与决策

深度学习通过学习深层非线性网络结构即可实现复杂函数的逼近,可以从大量无标注样本集中学习数据集的本质特征。而深度信念网络(DBN)是由多层随机隐变量组成的贝叶斯概率生成模型,可以作为深度神经网络的预训练环节,为该网络提供初始权重。基于该模型的一个高效学习算法不仅解决了模型训练速度慢的问题,还能产生非常好的参数初始值,极大地提升了模型的建模能力。金融市场是一个多变量非线性系统,通过运用DBN模型进行分析预测可以很好地解决其他预测方法初始权重难以确定的问题。文中以原油期货市场价格预测为例,说明了运用DBN模型进行预测和决策的可行性及有效性。     

基于多视图注意力机制的多维度价格预测模型研究

传统的股票价格预测模型只针对单一维度价格进行预测,忽略了多维度价格之间的复杂关系。因此,为了更好地对股票价格进行准确预测和为决策者提供前瞻性信息,提出了一种新的基于多视图注意力机制的多维度价格预测模型。通过多视图的深度可分离卷积网络学习多维度股票价格潜在的复杂的输入—输出关系,更好地提取股票价格的时空特征,实现时空数据的智能关联,并使用注意力机制进一步提升模型的预测性能,进而通过时空多维度的股价历史数据来预测单和多时间步长股票价格。该模型与其他四种模型在中国银行股价数据集上进行实验和比较,发现所提模型在不同预测时长下相比于表现最好的模型,平均绝对误差分别降低了0.4%、0.5%、4.2%、3.9%,均方误差分别降低了0.8%、2%、1.9%、1.9%,平均百分比误差分别降低了0.15%、0.21%、1.24%和1.34%。因此所提模型预测精度最高,预测性能最好,并且在对其他维度的股票价格预测上具有普适性。     

基于MPCA-RBF模型的证券市场指数时间序列预测*

针对证券市场指数内部结构的复杂性和影响因素的高维性,提出基于MPCA-RBF（多线性主成分分析法-径向基神经网络）模型的证券市场指数时间序列预测方法。由于证券市场间存在关联性,选取了7个证券市场及34个技术指标构建三维张量模型,采用张量方法—MPCA进行特征提取,使降维的同时充分保留数据内部结构,之后利用RBF神经网络进行回归预测,提高了预测精度。对恒生指数和日经225指数的实验结果显示,与非张量模型相比,该模型预测误差较小,预测精度有较显著的提高,表明该模型能充分地保留证券时间序列内部结构,证明了其在证券预测领域的有效性和实用性。     

Optimized Deep Learning Methods for Crop Yield Prediction

Crop yield has been predicted using environmental, land, water, and crop characteristics in a prospective research design. When it comes to predicting crop production, there are a number of factors to consider, including weather conditions, soil qualities, water levels and the location of the farm. A broad variety of algorithms based on deep learning are used to extract useful crops for forecasting. The combination of data mining and deep learning creates a whole crop yield prediction system that is able to connect raw data to predicted crop yields. The suggested study uses a Discrete Deep belief network with Visual Geometry Group (VGG) Net classification method over the tweak chick swarm optimization approach to estimate agricultural production. The Network’s successively stacked layers were fed the data parameters. Based on the input parameters, a crop production prediction environment is constructed using the network architecture. Using the tweak chick swarm optimization technique, the best characteristics of input data are preprocessed, and the optimal output is used as input for the classification process. Discrete Deep belief network with the Visual Geometry Group Net classifier is used to classify the data and forecast agricultural production. The suggested model correctly predicts crop output with 97 percent accuracy, exceeding existing models by maintaining the baseline data distribution.     

混合型PSO-BP模型在原油期货价格预测中的应用

建立了基于混沌理论下混合型PSO-BP模型,并运用此模型对纽约商品交易市场的原油期货价格数据进行了预测,并将预测结果与BP神经网络的预测结果进行了对比。结果表明混沌理论下混合型PSO-BP模型比单纯的BP模型具有较高的拟合度以及预测精度。     

融合CNN-BiLSTM-Attention的集成学习价格预测

价格预测对于大宗农产品市场的稳定具有重要意义,但是大宗农产品价格与多种因素有着复杂的相关关系.针对当前价格预测中对数据完整性依赖性强与单一模型难以全面利用多种数据特征等问题,提出了一种将基于注意力机制的卷积双向长短期记忆神经网络(CNN-BiLSTM-Attention)、支持向量机回归(SVR)与LightGBM组合的增强式集成学习方法,并分别在包含历史交易、天气、汇率、油价等多种特征数据的数据集上进行了实验.实验以小麦和棉花价格预测为目标任务,使用互信息法进行特征选择,选择误差较低的CNN-BiLSTM-Attention模型作为基模型,与机器学习模型通过线性回归进行增强式集成学习.实验结果表明该集成学习方法在小麦及棉花数据集上预测结果的均方根误差(RMSE)值分别为12.812, 74.365,较之3个基模型分别降低11.00%, 0.94%、4.44%,1.99%与13.03%, 4.39%,能够有效降低价格预测的误差.     

A method for predicting the network security situation based on hidden BRB model and revised CMA-ES algorithm

It is important to establish the forecasting model of the network security situation. But the network security situation cannot be observed directly and can only be measured by other observable data. In this paper the network security situation is considered as a hidden behavior. In order to predict the hidden behavior, some methods have been proposed. However, these methods cannot use the hybrid information that includes qualitative knowledge and quantitative data. As such, a forecasting model of network security situation is proposed on the basis of the hidden belief rule base (BRB) model when the inputs are multidimensional. The initial parameters of the hidden BRB model given by experts may be subjective and inaccurate. In order to train the parameters, a revised covariance matrix adaption evolution strategy (CMA-ES) algorithm is further developed by adding a modified operator. The revised CMA-ES algorithm can optimize the parameters of the hidden BRB model effectively. The case study shows that compared with other methods, the proposed hidden BRB model and the revised CMA-ES algorithm can predict the network security situation effectively to improve the forecasting precision by making full use of qualitative knowledge.     

CAR-BPNN在股票价格预测中的应用

研究股票价格准确预测问题,股票价格变化具有非线性、时变性,且含有噪声,单一或传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。为了提高股票价格预测精度,提出一种组合的股票价格预测模型(CAR-BPNN)。首先采用主成分分析对股票价格数据进行预处理,消除噪声,然后采用CAR对线部分进行预测,BPNN对非线性部分进行预测。采用熵值法确定CAR和BPNN对预测结果进行组合,获得股票价格的最终预测结果。通过股票价格实际数据对CAR-BPNN进行测试,测试结果表明,CAR-BPNN充分利用两种模型的优点,比单一模型的预测精度更高,可以为股票价格精确预测提供依据。     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

面向交通流量预测的多头注意力时空卷积图网络模型

为了充分获取交通流量数据中隐藏的复杂动态时空相关性,提高交通流量预测精度,提出一种多头注意力时空卷积图网络模型MASCGN。首先,采用多头注意力机制为路网中的交通传感器节点自动分配注意力权重,实现对不同邻居节点的权值自适应匹配,充分获取空间相关性;其次,采用带有门控和注意力机制的时空卷积网络充分提取时间序列相关性,并使用残差块结构实现时空卷积层之间的连接,使得模型更具有泛化能力;最后,分别提取周相关、日相关、邻近时间的序列数据,输入三个并行的时空组件以挖掘周、日、邻近三个时间窗口间的时间周期相关性,并通过全连接层获取最终的交通流量预测结果。利用高速公路交通数据集PEMSO4、PEMSO8进行了15 min、30 min、45 min和60 min的交通流量预测实验。实验结果表明MASCGN模型与现有基线模型相比,在未来短期和长期的交通流量预测任务上都具有更优的建模能力。     

基于深信度网络分类算法的行人检测方法

针对目前浅层分类方法存在训练样本数量过大和拟合复杂函数能力较弱等不足,提出一种改进的基于深信度网络分类算法的行人检测方法。首先,通过搭建带T分布函数显层节点的受限波兹曼机输入端改进深信度网络的输入方式,将行人特征提取信息通过输入端的显层结构转化为分类器可以识别的伯努利分布方式;其次,搭建多隐层受限波兹曼机中间层结构,实现隐层结构间的数据传递,保留关键信息。最后,利用BP神经网络搭建分类结构的输出端,实现分类误差信息反向传播并对分类结构的参数进行微调,不断优化分类器结构。实验证明,改进的深信度网络行人检测算法性能优于经典浅层分类算法,算法的检测速度也能满足使用要求。     

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。