共查询到17条相似文献,搜索用时 109 毫秒
1.
场景就是某个系统未来状况的详细描述。运用传统方法构造系统的未来场景集合后,往往难以给出有关这些场景可信度的度量。文章运用不精确概率来表示场景集的可信度,进而利用场景驱动力在期望π(ω)上的博弈现象来进行场景的选择。 相似文献
2.
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。 相似文献
3.
基于小波神经网络的混沌时间序列预测 总被引:1,自引:0,他引:1
本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该网络进行模拟实验,证明了该神经网络具有较好的预测效果。 相似文献
4.
精确在线支持向量回归在股指预测中的应用 总被引:6,自引:0,他引:6
建立了基于精确在线支持向量机回归算法的股指短期预测模型,并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较,验证了该方法的有效性。 相似文献
5.
模糊神经网络在时间序列预测中的应用 总被引:8,自引:2,他引:8
文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明,模糊神经网络可以成功地用于时间序列的预测,模糊神经网络的训练速度与模拟精度都优于传统多层BP网络。 相似文献
6.
改进时间序列模型在降雨量预测中的应用研究 总被引:2,自引:0,他引:2
在降雨量预测问题的研究中,降雨量多种相互影响的自然因素结果.针对准确预测降雨量和降雨变化律率,根据变化是一种具有非平稳性、时变特征,传统预测方法无法反映降雨量的非平稳性和时变规律,预测结果精度低.为了提高降雨量的预测精度,提出一种小波变换和时间序列预测模型( ARIMA)相结合的降雨量预测方法.首先对降雨量原始数据进行归一化处理,然后采用小波变换将非平稳性数据处理成平稳性数据,最后采用能够进行时间序列分析的ARIMA模型对平稳后的降雨量进行学习,建立最优降雨量预测模型,并对实际降雨量进行仿真测试.仿真结果表明,改进方法的降雨量预测精度比传统预测方法要高,能够很好的反映降雨量的变化规律,为降雨量预测提供了一种新的预测途径. 相似文献
7.
时间序列模型在降水量预测中的应用研究 总被引:5,自引:0,他引:5
研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景. 相似文献
8.
混合模型在经济时间序列预测中的应用研究 总被引:1,自引:0,他引:1
研究经济预测问题,为社会经济发展提供预测依据.由于经济时间序列是一种多维、非线性数据,采用单-的线性或非线性模型都不全面反映特点,导致预测精度不理想.为了提高经济时间序列预测精度,提出一种多变量自回归(CAR)和支持向量机(SVM)相结合的混合预测方法.混合方法首先利用CAR模型对经济时间序列的线性部分进行预测,然后采用支持向量机对非线性部分进行预测,将预测结果组合在-起,得到混合模型的预测结果.实验结果表明,混合模型的预测精度明显优于单独模型;发挥了2种模型的优势,得到一种精度高的经济预测效果. 相似文献
9.
10.
11.
12.
基于SVR的金融时间序列预测 总被引:3,自引:0,他引:3
介绍了支持向量回归的建模原理及常用版本,详细探讨了利用支持向量回归方法建立金融时间序列预测模型,进行单步预测和多步预测的步骤。将它们应用到我国上证180指数预测中,并且比较了它们的预测性能。数值实验表明,SVR方法对非平稳的金融时间序列具有良好的建模和泛化能力。特别是LS-SVR用等式约束代替传统支持向量机中不等式约束,使求解过程从解QP问题变成解一组等式方程,因此学习速度更快,并具有更好的预测效果。 相似文献
13.
14.
针对混沌时间序列的解析方程的不确定性,本文提出了Anfis-量子组合预测网络。此网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,再与量子神经网络组合预测,从而提高预测能力和精度。最后以Mackey-Glass混沌时间序列进行实验,结果表明Anfis-量子网络具有良好的局部泛化能力,其预测精度明显高于BP神经网络和量子神经网络。 相似文献
15.
本文在传统神经网络(NN)、循环神经网络(RNN)、长短时记忆网络(LSTM)与门控循环单元(GRU)等神经网络时间预测模型基础上, 进一步构建集成学习(EL)时间序列预测模型, 研究神经网络类模型、集成学习模型和传统时间序列模型在股票指数预测上的表现. 本文以16只A股和国际股票市场指数为样本, 比较模型在不同预测期间和不同国家和地区股票市场上的表现.本文主要结论如下: 第一, 神经网络类时间序列预测模型和神经网络集成学习时间序列预测模型在表现上显著稳健优于传统金融时间序列预测模型, 预测性能提高大约35%; 第二, 神经网络类模型和神经网络集成学习模型在中国和美国股票市场上的表现优于其他发达国家和地区的股票市场. 相似文献
16.
目前采用单一预测模型对于复杂的非线性时间序列具有预测精度较低,且不能很好地捕捉时间序列的复合特征的问题,因此本文提出一种基于BP神经网络组合的长短期记忆网络-Prophet(LSTM-Prophet)时间序列预测模型。模型将长短期记忆网络及Prophet这2种预测模型得到的预测值通过BP神经网络进行非线性组合,得出最终的预测值。随后设计实现本文模型与3个单项模型的对比实验,使用3个不同领域的数据集验证本文模型的准确性和有效性。实验结果表明提出的预测模型具有较高的预测精度、较好的通用性和应用前景。 相似文献