基于BP神经网络马尔科夫模型的径流量预测

讨论了马尔科夫链状态划分的黄金分割率法和"马氏性"检验法,并针对BP神经网络预测和马尔科夫预测的优缺点,提出了BP神经网络与马尔科夫相耦合的BP神经网络马尔科夫模型,以石泉水库年入库径流量为例,验证了该方法的可行性.     

基于马尔科夫链误差修正的光伏发电预测

为了提高光伏发电预测的精度,在传统BP神经网络预测模型的基础上,利用相似日算法和马尔科夫链理论对预测模型进行改进。其方法以得到的相似日数据作为预测模型的输入量,通过BP神经网络进行训练,得到初步的预测值,然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正,根据修正后的误差得到新的预测值。最后通过与传统算法得到的预测结果进行误差对比分析,结果表明,改进算法的预测精度高于传统算法,验证了该模型的有效性。     

基于BP神经网络与马尔可夫链的城市轨道交通周边房地产价格的组合预测方法

为解决先验数据有限且存在大量不确定因素情况下,城市轨道交通周边房地产价格的预测问题,提出一种基于BP神经网络与马尔可夫链的组合预测模型。首先,采用BP神经网络,使用较少量的样本数据完成城市轨道交通周边房地产价格曲线的粗略拟合;在此基础上,借助马尔可夫链进行系统状态划分,缩小预测区间以提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型,对北京市轨道交通13号线周边房地产价格进行了预测分析。计算结果表明,该模型具有较高的精度和可靠性。     

基于LSSVM和马尔科夫链模型的公路客运量预测

通过分析常用的客运量预测方法,提出了基于LSSVM和马尔科夫模型的组合预测模型。以2004年~2013年兰州市公路客运量的实际值为基础,通过LSSVM对客运量的预测,得到了2014和2015年的公路客运量的预测值,结合实际客运量计算出其预测结果的相对误差。对相对误差进行划分状态区间,运用马尔科夫模型对预测结果进行修正,进而得到高精度的客运量预测值。最后将所得结果与应用单一的LSSVM预测方法及时间序列方法预测所得结果进行对比。分析结果表明,基于LSSVM和马尔科夫链模型的组合预测模型预测精度较高,满足实际需求。     

基于BP神经网络与马尔可夫链的短期电价预测

提出了一种基于BP神经网络与马尔可夫链的短期电价预测方法.在采用BP神经网络模型进行短期电价初步预测的基础上,按照模糊C-均值聚类法划分预测误差的马尔可夫链状态区域,再根据状态转移概率矩阵对预测误差进行修正,得到最终预测结果.算例仿真结果表明,所提出的方法比单纯采用神经网络的预测精确度更高.     

港口吞吐量的马氏链 时序分析预测

通过比较分析时间序列分析（TSA）和马尔科夫链预测方法,研究港口吞吐量科学预测的新方法.组合温州港近20多年的历史吞吐量数据,分别采用TSA和马尔科夫链进行预测.将TSA与马尔科夫链校正模型相结合,进行港口吞吐量预测.结果表明,上述复合模型较之TSA模型平均预测精度提高50%,较之单一的马尔科夫链平均预测精度提高75%.根据吞吐量实际数据的验证结果,建立马氏链-时序分析预测模型.结果表明,该模型能够同时反映吞吐量序列的增长趋势和随机波动性,更符合港口吞吐量的实际变化情况.     

基于灰色马尔科夫链的道路交通死亡率预测

道路交通事故死亡率是反映道路交通安全的重要指标,为了对其进行准确预测,将灰色系统理论与马尔科夫链结合起来,构建了灰色马尔科夫预测模型,并将该模型与GM（1,1）模型进行比较分析.结果表明,灰色马尔科夫链模型能更好地预测道路交通事故死亡率.     

模糊马尔科夫链状预测模型及其工程应用

针对工程问题的特点结合马尔科夫链理论 ,提出了具备状态模糊划分和具有“大体无后效性”特点的模糊马尔科夫链状的预测模型。并给出了模糊马尔科夫链的初始概率和一重转移概率的计算方法的一般公式。发展了马尔科夫链预测方法 ,拓宽了其应用范围     

马尔科夫链在金融投资中的应用

以宁波港的股票价格和宁波银行的不良贷款额作为研究对象,根据不同的数据分类来建立不同的转移概率矩阵,并建立出预测模型。利用马氏链的平稳性和遍历性得到了股票价格的平稳概率分布,验证了马尔科夫链预测方法的可行性和准确性。     

上证综合指数波动情况研究——基于滚动窗口的马尔科夫链预测模型

文章运用基于滚动窗口的马尔科夫链预测模型,对上证综指的变动进行研究,创新的给出概率转移矩阵、极限概率以及预测准确率的时变特征,并给出马尔科夫链预测模型的最优窗口长度和状态定义阀值。研究揭示,大盘波动幅度与大盘的极限概率有着密切的关系;股指期货推出后大盘平盘概率占据主导地位,平稳性显著提高,马尔科夫链预测模型的预测准确率也有了较大提高。     

GA神经网络在证券市场预测中的应用研究

以股市的可预测性为基础,以可量化股价影响因素作为输入变量,提出了将遗传算法与BP算法相结合用于股市价格预测的人工神经网络模型学习算法;建立了基于人工神经网络的股价预测模型。通过对海信电信(600060)的股票收盘价和大盘指数为预测目标进行了股市预测的仿真,并尝试预测未来一天内超短线存在机会,实验结果验证了股价预测模型的可行性。     

改进的灰色马尔可夫模型在股票分析中的应用

针对经典马尔可夫方法进行预测需要掌握大量数据和原始的灰色GM（1,1）的指数形特征的问题,采用带波动的多项式代替灰色GM（1,1）模型中的指数形曲线,改进了现有的灰色GM（1,1）马尔呵夫模型．利用改进后的灰色马尔可夫模型对股票价格、上证综合指数进行预测,并与经典的灰色GM（1,1）模型和原始的马尔可夫链模型和灰色GM（1,1）马尔可夫链模型3种方法的预测值进行了比较,得到的股票价格与上证指数的预测值精度优于其他3种方法．     

基于Wrapper的信用风险预测模型研究与应用

研究了一个有效适用的企业信用风险预警模型。针对单一BP神经网络预测模型由于财务指标选择不当导致误判率较高的问题,提出了首先进行特征选择,利用遗传算法搜索出最优特征子集,并采用BP神经网络作为遗传算法的评估函数,构建了一个基于Wrapper方法的神经网络信用风险预测模型。以沪深股市1998—2004年间的制造企业数据为例对模型进行实验,结果表明,新模型提高了预测准确率,评估结果更具科学性,实际应用具有良好的信用风险预测能力。     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

基于混合量子?经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出“涨跌”概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子?经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络 U 的参数 θ ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。     

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.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization,LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力.与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性.采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过...