基于粒子群神经网络的期货价格预测

目前在对中国期货市场进行价格预测时,采用神经网络预测时多用的是BP神经网络,但是BP神经网络存在对初始权阁值敏感、易陷入局部极值和收敛速度慢的问题.因此,为了提高模型效率,提出采用PSO-BP模型预测期货价格.首先运用粒子群算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权闽值进一步精确优化,随后建立了基于粒子群算法的BP神经网络预测模型,并将其应用到中国期货市场的期货价格预测研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效的防止了网络陷入局部极小值的可能,提高了神经网络模型预测的速度和准确性.     

改进的神经网络在网络流量预测中的应用研究

关于保证网络安全服务,研究网络流量预测问题.网络流量数据具突发性、非线性和时变性等等特点,传统RBF神经网络在网络流量预测过程存在敛速度慢、极易出现局部最优等缺点,从而导致预测精度低和难问题.为了提高网络流量的预测精度,提出一种粒子群算法优化RBF神经网络参数的网络流量预测方法.首先采用粒子群算法对RBF神经网络的参数进行优化,简化网络结构,加快收敛速度,并用优化后RBF神经网络对网络流量进行预测,防止局部最优的出现.最后在Matlab平台对模型进行了仿真,结果表明,算法提高了网络流量的预测精度.相对于传统的网络流量预测方法,提高了预测效率.     

PSO-BP神经网络的电力负荷预测研究

以提升电力负荷预测精度以及实时性为目标,设计粒子群-反向传播神经网络的电力负荷预测方法。该方法预处理历史电力负荷数据,过滤错误数据以及异常数据,归一化处理剩余数据;将归一化处理后数据视为粒子群优化算法的粒子,利用粒子跟踪局部最优值以及全局最优值实现每次迭代过程中粒子速度与位置更新;利用改进非线性动态自适应算法确定最佳惯性权重提升电力负荷预测精度,建立包含输入层、隐含层以及输出层的三层前馈BP神经网络;将粒子群优化算法所输出粒子信息设置为BP神经网络初始阈值以及初始权值训练BP神经网络,直至满足迭代终止条件,输出电力负荷预测结果。选取某电力公司作为实例分析对象,实例分析结果表明,采用该方法预测电力负荷预测精度高于99%,预测时间开销低于150 ms。     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

卷取温度的智能预测控制

首先介绍标准RBF神经网络并指出存在的问题,然后介绍粒子群算法并将其用于确定RBF网络参数(连接权,隐节点中心和宽度),最后把PSO-RBF应用到卷取温度控制(CTC)中,对卷取温度进行预测。仿真结果表明PSO-RBF具有学习速度快、精度高等优点。     

基于NLAPSO．RBF的铁路货运量预测研究

铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题,建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性,适于预测计算,但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化,进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证,将仿真结果与其他算法进行了比对,证明了方法的预测精度与收敛速度均优于其他算法,在铁路货运量预测计算上有效可行。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

神经网络在股票价格预测中的研究

研究准确优化预测股票价格问题,针对影响股票价格具有非线性、不稳定的特征,股票价格由于受到社会经济因素的影响,变化大.采用传统神经网络方法在股票价格预测中易陷入局部极小值,泛化能力受到影响.为了提高股票价格精度,提出一种基于粒子群优化算法(PSO)的RBF神经网络(RBFNN)股票价格预测模型.利用粒子群优化算法的良好的寻优能力,对RBF神经网络参数进行优化,从而加快RBF神经网络运算速度,并提高了RBF神经网络的预测精度.利用粒子群优化的RBF神经模型对上证指数(000001)股票价格进行了验证性测试和分析,实验结果表明,相对于各参比模型,经过粒子群优化的RBF神经网络模型预测方法有更好的收敛性,更强的学习能力,显著地提高了预测精度,可为预测提供依据.     

基于非线性组合方法的石油期货价格预测研究

研究石油期货价格预测问题,石油期货价格是一种动态、时变、非线性数据,具有较强的随机性和多元性。单一预测模型只能描述部分信息,存在局限性。为了提高石油期货价格预测精度,提出了一种非线性组合的石油期货价格预测模型。首先采用3个不同的单项模型对石油期货价格进行预测,采用全局逼近能力强的支持向量机建立了一个多输入单输出的石油期货价格非线性组合预测模型,并通过预测误差最小原则确定模型的参数。仿真结果表明,改进模型预测精度明显优于对比预测模型,为提高石油期货价格预测精度提供了一条新途径。     

原油期货价格预测模型CEEMDAN-PSO-ELM

为了进一步提升原油期货价格预测的精准性,本文基于CEEMDAN分解算法和ELM极限学习机模型,利用PSO粒子群优化算法对机器学习模型进行参数寻优,进而构建了CEEMDAN-PSO-ELM模型用于原油期货价格预测.先基于CEEMDAN算法对原始价格序列进行分解,然后利用Lempel-Ziv复杂度指数对分量进行重构,得到高频、中频和低频重构分量,再采用PSO-ELM模型对每个重构分量进行预测,利用PACF系数选取模型输入变量,最终加总集成各分量预测结果.实证结果表明,与其他15种基准模型相比,CEEMDAN-PSO-ELM模型的预测性能最佳,MCS检验和DM检验也进一步证实了该模型的稳健性.     

基于自回归积分滑动平均模型的日前电价预测

常见的电价预测模型一般建立在时间序列法和神经网络法的基础上。本文将小波变换与自回归积分滑动平均模型结合起来得到小波ARIMA模型并使用该模型进行预测,相对其他时间序列方法,自回归积分滑动平均模型在处理电价这类非平稳时间序列时有更好的表现。经过预测误差的对比分析可以得知小波ARIMA模型的预测效果要优于传统的ARIMA模型。     

基于LSTM混合模型的比特币价格预测

聚焦于具有极度非线性、非平稳性等特征的比特币价格预测问题,在长短时记忆网络(Long Short-Term Memory,LSTM)基础上构建了4个混合预测模型,利用小波变换(Wavelet Transform,WT)以及自适应噪声的完备经验模态分解(Com-plete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对序列进行分解与重构,并引入了样本熵(Sample Entropy,SE)进行重构优化,使用LSTM对重构以后的子序列分别进行预测,最后将其叠加得到最终的预测结果.在预测结果的评判上,使用均方根误、平均绝对百分误以及希尔不等系数来进行拟合评价,并将结果与单一LSTM模型进行比较.研究发现混合模型的预测准确性均优于单一模型,且样本熵的引入可有效降低预测误差.     

基于LSTM神经网络的短期价格趋势预测

本文主要对LSTM模型结构改进及优化其参数,使其预测股票涨跌走势准确率明显提高,同时对美股周数据及日数据在LSTM神经网络预测效果展开研究.一方面通过分析对比两者预测效果差别,验证不同数据集对预测效果的影响;另一方面为LSTM股票预测研究提供数据集的选择建议,以提高股票预测准确率.本研究通过改进后的LSTM神经网络模型...     

基于BP神经网络改进的黄金价格预测

在黄金期货价格预测问题的研究中,价格具有严重的非线性、高噪声和影响因子难以确定等因素,决定了预测的难度.传统方法对黄金价格的预测都强调依赖于黄金价格间的线性关系,局限性明显,导致了预测精度不高.为提高黄金价格预测精度,提出一种投影寻踪优化的BP神经网络改进模型.先通过定性分析得到影响黄金价格波动的因子,然后采用投影寻踪方法选择很强影响力的因子作为神经网络的输入节点,并采用改进的算法进行学习,寻找最优的BP网络结构,利用改进模型,黄金期货价格实现了高精度仿真.结果证明,模型为黄金价格预测提供了一种有效的高精度预测工具.     

Automated Electricity Price Forecast Using Combined Models

Automation and Remote Control - We investigate the problem of short-term prediction of the free market price for electricity using various types of forecast models. A transition is made from...     

基于Agent技术的城市土地价格预测系统设计

本文提出了一种新的基于Agent技术的城市土地价格预测系统设计方法。在该系统中,采用神经网络作为预测算法,基于网络的方法智能化的进行数据查找与定位,利用空间数据库实现空间数据的存储与更新,实现城市土地价格的预测。     

基于LSTM的股票价格预测建模与分析

股价波动是一个高度复杂的非线性系统，其股票的调整不是按照均匀的时间过程推进，具有自身的推进过程。结合LSTM（Long Short-Term Memory）递归神经网络的特性和股票市场的特点，对数据进行插值、小波降噪、归一化等预处理操作后，推送到搭建的不同LSTM层数与相同层数下不同隐藏神经元个数的LSTM网络模型中进行训练与测试。对比评价指标与预测效果找到适宜的LSTM层数与隐藏神经元个数，提高了预测准确率约30%。测试结果表明，该模型计算复杂度小，预测准确率有所提高，不仅能在股票投资前对预测股票走势提供有益的参考，还能帮助投资者在对实际股价有了进一步的认知后构建合适的股票投资策略。     

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。