数据挖掘在股票价格组合预测中的应用

研究股票价格变化预测问题,股票价格受多种影响,导致具有突变性、非线性和随机性,单一预测方法只能描述股票价格部分变化规律,预测精度低。为提高股票价格预测精度,提出一种基于数据挖掘技术的股票价格组合预测模型。根据股票价格变化特点,首先对其线性变化规律进行建模预测,并对非线性变化规律进行建模预测,最后将两种预测结果进行融合,得到股票价格的最终预测结果。仿真结果表明,相对于单一股票价格预测模型,组合预测模型提高了股票价格预测精度,降低了股票价格预测误差,更加全面、准确反映了股票价格的变化规律,是一种有效、高精度的股票价格预测参考手段。     

数据挖掘在高校招生中的应用研究

随着教育改革的不断深入,我国的高等教育得到了长远的发展,高职院校招生规模的不断扩大,招生数量的逐年递增,招生方式朝着多元化、自主化方向发展,院校的招生竞争日趋激烈。本文建立高校招生数据挖掘系统,主要对高校招生信息进行挖掘,提取出有利于高校招生的策略,为高校招生提供决策支持。     

探讨数据挖掘在高校招生中的应用

随着大数据技术的不断发展,数据挖掘技术被应用于高校招生工作中,极大地节省了物力人力,提升了招生效率.基于此,各位立足于数据挖掘相关内容分析高校招生中应用数据挖掘的先进意义,该文重点探讨高校招生中数据挖掘的应用路径,以供参考.     

数据挖掘技术在高校招生工作中的应用

本文简要介绍了数据挖掘技术的概念、挖掘过程及关联规则算法。按照数据挖掘的过程探讨了关联规则在高校招生工作方面的应用。利用关联规则对高校学生入学信息及在校期间的成绩等数据库进行挖掘,可寻找出学生入学时诸因素与大学培养结果之间的关联关系,从而为高校招生决策者提供科学依据。     

支持向量机在商场客流预测中的应用

支持向量机是数据挖掘中的一个新兴技术,它对非线性的决策边界间的建模能力是高度准确的.本文通过分析支持向量机的原理和算法,并给出基于支持向量机的客流量预测模型,最后通过试验结果说明了支持向量机在预测中的有效性.     

数据挖掘在石化企业中的应用

产量预测对于生产和销售部门是极其重要的。在石化企业中,由于影响主副产品关系的因素很多,产量很难预测。传统的机器学习方法在这个领域的应用存在着一些局限性。论文介绍了一种数据挖掘中的支持向量机方法,较好地解决了产量预测问题,同时也对生产优化有着一定帮助。文中首先介绍数据挖掘及其相关理论,重点阐述了支持向量机方法,接下来详细地介绍了问题求解过程。     

研究生招生规模建模与预测

研究生招生规模准确预测问题,研究生招生规模受到国家招生政策、政治、经济、社会需求等诸多因素的影响,影响因素之间关系错综复杂,具体量化难,表现为非线性过程。传统线性模型预测的准确率较低。为提高研究生招生规模的预测准确率,提出基于支持向量机的研究生招生规模预测模型。针对研究生招生历史数据零散、影响因素难以确定性描述等问题,通过对黑龙江省1981～2000年研究生招生历史数据进行分析的基础上,建立上了支持向量机的预测模型,并对2000～2004年的招生规模进行预测预测,预准确率度比较相近。仿真结果表明,支持向量机为研究生招生规模预测提供了一种新的研究方法。     

支持向量机在GDP回归预测中的应用研究

支持向量机是一种新的回归方法,介绍了基于支持向量机的回归建模技术,并应用于GDP的回归预测。GDP属性子集的特点是训练数据量比较少、含有稀疏数据。在转换、添加、下钻GDP相关属性的情况下对支持向量机的参数进行实验分析。实验结果显示支持向量机能很好的处理属性集的变化并得到很好的预测效果。     

SVM在数据挖掘中的应用

随着数据库系统使用的普及,数据库的规模也越来越大,如何从海量数据库中挖掘出有用的信息以供企事业单位使用,已经越来越引起人们的兴趣。支持向量机（SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法,它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性能和较好的分类精确性。该文首先介绍统计学习理论和支持向量机的概念,然后进一步论述了SVM在数据挖掘中的应用。     

数据挖掘技术在房地产预警系统中的应用

分析了各种房地产应用软件,将数据挖掘技术引入房地产预警系统设计中;结合数据仓库和决策支持系统,建立了基于粗糙集数据预处理的支持向量机预警模型,运用3σ警界控制原理确定各状态区间,划分出不同的警度,并提出了房地产市场预警预报系统的完整解决方案;最后,结合银川市的实际情况,构建了银川市房地产预警系统指标体系。     

区域经济发展潜力预测模型仿真研究

区域经济潜力受到实体过多、经济结构动态变动大的影响,变动比例具有较强的非线性,不同的影响指标间存在信息冗余和信息干扰,导致传统的经济潜力发展预测方法获取的预测结果受到这种突变性的影响,存在局部最优的问题,造成较大的误差.提出一种决策域观念的区域经济发展潜力预测模型.采用传统的支持向量机解决区域经济影响指标的非线性特征,获取原始的经济预测数据,在决策过程中,引入决策域方法构建训练经济相关数据集的决策域,再对决策域进行剪枝处理,把决策域转化为标准决策数据,依据这些标准数据对新的区域经济影响指标进行分类,最终获取完整的区域经济预测数据.实验结果说明,改进模型同其它预测模型相比,具备更高的区域经济预测准确率,能够快速准确的预测出相关区域经济发展的潜力趋势,具有重要的应用价值.     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

改进的支持向量机石油期货价格预测模型研究

研究石油期货价格预测精确度问题。石油价格预测随机性很强且受到市场复杂变化条件影响,是曲型非线性问题。针对传统线性关系的价格预测模型对石油的价格预测准确度较低,提出了一种改进的支持向量机石油期货价格预测模型方法,采用石油期货价格序列的一阶差分作为SVM的输出,一阶差分的若干滞后值作为SVM的输入。同时采用一种新的滞后阶数寻优方法,将滞后阶数与其它模型参数一样看待,使用验证集中技术获得所有参数的最佳值。最后实验采集了纽约商品交易市场石油期货价格数据作为实验数据,仿真结果表明,改进的价格预测模型提高了石油价格预测的准确度,是一种有效使用的石油价格预测模型。     

基于SVM的精确数-区间数回归模型建模方法

分析了现有的精确数输入和区间数输出回归算法存在的问题，提出了基于支持向量机的区间数回归建模算法,该算法把支持向量机从精确数回归分析方法推广到区间数回归分析建模方法，在小样本训练集下回归模型具有良好的泛化性能，有效地避免了现有算法中回归模型的下界可能大于上界的问题．以连续退火生产过程中冷却段出口带钢温度预测为例，通过仿真说明了该算法的有效性．     

基于支持向量数据描述的分布式数据流挖掘

针对传统分布式数据流挖掘算法的通信开销较大、分类精度较低的问题,提出一种基于支持向量数据描述的分布式数据流挖掘算法。利用局部站点快速更新数据流信息,采用支持向量机算法学习元级数据并传递到中心站点。中心站点负责接收及合并元级数据,形成全局分类结果。实验结果表明,该算法能在降低局部站点和中心站点网络通信量的同时,获得较高精度的全局分类结果。     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

数据挖掘技术在垃圾邮件检测中的应用

研究垃圾邮件检测准确性问题,提高网络安全。邮件特征具有高维、冗余量大,传统检测模型无法降低特征维数,冗余信息难以消除,导致计算时间长,空间复杂度大,垃圾检测正确率低等缺陷,为提高垃圾检测正确率,提出一种白名单和支持向量机相结合的两层垃圾邮件检测模型。采用聚类特征技术对特征进行聚类,降低特征维数,消除特征间冗余信息,将白名单检测技术作为垃圾检测系统第一道防线,检测已知地址垃圾邮件,支持向量机作为第二道防线,检测新的垃圾邮件,提高网络安全。采用垃圾邮件数据对模型性能进行检验,实验结果表明,两层垃圾邮件检测模型有效提高了垃圾邮件检测效率和正确率,为通信邮件管理提供了有效的手段。     

基于大数据分析的潜在高血压病预测研究

研究高血压诊断预测准确性问题,需要根据病人的生活习性、体质指数、腰臀围以及病理特征,以完成对高血压的病理预测.但在预测过程中,由于个人的体质指数和病理特征很难保证充足,往往会出现数据属性单值突变的现象,造成对高血压预测准确率不高.提出采用大数据分析的潜在高血压病预测方法.通过采集相关数据信息,然后对采集到的数据进行包括数据清理、数据转化和数据集成的预处理,根据支持向量机理论,对数据属性进行分类,建立潜在高血压病的预测模型,计算模型属性分类结果的权重,得到不同属性对高血压病影响的重要程度分级,通过与高血压病特征参数的比较,获取潜在高血压病的预测结果.实验结果表明,采用改进算法进行潜在高血压病的预测,能够有效提高预测的准确率与预测效率,为早期高血压病的检测与防治提供数据保障,进而满足医学检测的实际需求.     

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。