基于过程与结果集成的几类组合预测模型、性质及其应用研究
发布时间：2021-08-08 09:15
组合预测的思想主要是为了充分利用各单项预测方法中的信息,将各种单项方法的预测优势综合起来,从而提高预测的精度,降低由于预测方法单一可能导致的预测风险。目前,已经在金融管理、环境监管、疾病防控、政策制定等社会各方面的领域得到广泛的应用。现在,组合预测的研究主要围绕以下两个方面的问题展开:第一,在客观性和准确性的前提下,各单项预测方法的加权系数如何确定。现有的组合预测模型,最常用的方法之一是构建预测误差最小的优化模型,求解出最优的加权系数,或者是基于信息集成算子对单项预测方法的数据集成。两者均取得了较好的效果。这些模型通过权重直接将各单项预测方法综合起来,只考虑到了单项预测方法本身反映出来的信息,而没有考虑到不同单项预测方法的预测结果,表示的信息是否存在重叠的情况,给组合预测带来冗余信息的问题;第二,由于现实情况复杂性的增加,实数型预测在一定程度上较难准确描述某一现象。比如银行的存款,经济的增长等。随着这种不确定性以及描述系统数据的模糊性增加,预测模型的模糊性也随之变大。因此,近些年将区间数引入单项预测模型的研究越来越多。但是区间数的组合预测模型,在构建预测误差最小时,常见的是将区间的左右...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
013年模型预测值与真实值图像
第三章基于建模过程的集成预测模型16表3.22017年台湾加权股价指数的部分预测值（续）………………2017/12/2810567.6410485.1659310463.4995410483.0910481.172017/12/2910642.8610566.3380610548.9000810565.8910537.903.2.1预测评价指标为了评价模型的优劣，本文选取了以下指标来衡量预测的准确性。均方误差（MAE）,误差平方和(SSE),误差平方根(RMSE)和均方误差百分比(MAPE)四个指标作为评价依据。11NiiiMAESSN21NiiiSSESS211NiiiRMSESSN11NiiiiSSMAPENS其中,1,2,,iSiN表示真实值，,1,2,,iiNS表示真实值，以上四个指标均是越小越好。3.2.2预测结果部分评价预测结果的指标数据结果在表3.2中给出。图3.1-图3.4分别给出2013-2016年的模型预测值拟合图像。图3.12013年模型预测值与真实值图像图3.22014年模型预测值与真实值图像
安徽大学硕士学位论文17图3.32015年模型预测值与真实值图像图3.42016年模型预测值与真实图像3.2.3结果分析本节主要分析本文提出的模型和其他三种方法的比较结果,分别是二次指数平滑、BP神经网络（开盘价，最高价,最低价作为输入,收盘价作为输出构建网络）和回归分析。具体预测性能的指标在表3.3中给出,下面以2017年的结果为例给出结果的详细表述。表3.32013-2017年模型预测性能指标年份指标二次指数平滑BP神经网络回归分析本文模型2013误差平方和142266.8106195770.2787189971.2956102247.6843绝对误差百分比0.00580.00650.00580.0047均方根58.200668.273066.467649.3403均值绝对误差48.018454.403852.677539.37152014误差平方和233920.2037192576.87189971.2956169601.1557绝对误差百分比0.00690.00580.00580.0056均方根73.756466.921866.467662.8030均值绝对误差62.874852.395852.677550.36422015误差平方和335025.53751136573.6960450791.3708338276.5506绝对误差百分比0.00900.01510.00960.0081均方根88.2683162.5790102.389188.6955均值绝对误差75.6916127.277280.721368.5097
【参考文献】：
期刊论文
[1]自适应动态三次指数平滑法在交通预测中的应用[J]. 曹邦兴. 吉首大学学报(自然科学版). 2019(05)
[2]基于时间序列分解与支持向量回归的短期电力能耗预测研究[J]. 左志宏,赵云鹏,刘竹,肖鹏. 信息系统工程. 2019(08)
[3]基于EMD-BP神经网络的游客量预测研究[J]. 陆利军,廖小平. 统计与决策. 2019(04)
[4]模糊环境下的组合预测模型及其在电力负荷中的应用[J]. 朱家明,丁珍妮,陈华友,周礼刚,刘金培. 模糊系统与数学. 2018(02)
[5]基于UWPA算子的区间组合预测模型及其应用[J]. 朱家明,陈华友,周礼刚,程玲华. 统计与决策. 2015(19)
[6]直觉模糊时间序列建模及应用[J]. 郑寇全,雷英杰,王睿,王艺菲. 控制与决策. 2013(10)
[7]基于连续有序加权平均算子的区间组合预测[J]. 金飞飞,李捷,陈华友,周礼刚. 武汉理工大学学报(信息与管理工程版). 2013(05)
[8]基于Theil左右不等系数的区间组合预测[J]. 张进,陶志富,陈华友. 合肥师范学院学报. 2010(03)
[9]区间时间序列预测准确度探讨[J]. 徐惠莉,吴柏林,江韶珊. 数量经济技术经济研究. 2008(01)
[10]IOWHA算子及其在组合预测中的应用[J]. 陈华友,刘春林,盛昭瀚. 中国管理科学. 2004(05)
硕士论文
[1]基于时间序列分析的散杂货港口吞吐量短期预测研究[D]. 薛艳茹.北京交通大学 2019
[2]基于NARX神经网络时序预测模型的分簇数据融合研究[D]. 何超杰.重庆邮电大学 2017
[3]区间数据回归分析[D]. 赵茹.天津大学 2014
[4]基于ADL模型干预模型和VAR模型的量价关系研究[D]. 朱冬和.海南师范大学 2011
本文编号：3329676
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
013年模型预测值与真实值图像
第三章基于建模过程的集成预测模型16表3.22017年台湾加权股价指数的部分预测值（续）………………2017/12/2810567.6410485.1659310463.4995410483.0910481.172017/12/2910642.8610566.3380610548.9000810565.8910537.903.2.1预测评价指标为了评价模型的优劣，本文选取了以下指标来衡量预测的准确性。均方误差（MAE）,误差平方和(SSE),误差平方根(RMSE)和均方误差百分比(MAPE)四个指标作为评价依据。11NiiiMAESSN21NiiiSSESS211NiiiRMSESSN11NiiiiSSMAPENS其中,1,2,,iSiN表示真实值，,1,2,,iiNS表示真实值，以上四个指标均是越小越好。3.2.2预测结果部分评价预测结果的指标数据结果在表3.2中给出。图3.1-图3.4分别给出2013-2016年的模型预测值拟合图像。图3.12013年模型预测值与真实值图像图3.22014年模型预测值与真实值图像
安徽大学硕士学位论文17图3.32015年模型预测值与真实值图像图3.42016年模型预测值与真实图像3.2.3结果分析本节主要分析本文提出的模型和其他三种方法的比较结果,分别是二次指数平滑、BP神经网络（开盘价，最高价,最低价作为输入,收盘价作为输出构建网络）和回归分析。具体预测性能的指标在表3.3中给出,下面以2017年的结果为例给出结果的详细表述。表3.32013-2017年模型预测性能指标年份指标二次指数平滑BP神经网络回归分析本文模型2013误差平方和142266.8106195770.2787189971.2956102247.6843绝对误差百分比0.00580.00650.00580.0047均方根58.200668.273066.467649.3403均值绝对误差48.018454.403852.677539.37152014误差平方和233920.2037192576.87189971.2956169601.1557绝对误差百分比0.00690.00580.00580.0056均方根73.756466.921866.467662.8030均值绝对误差62.874852.395852.677550.36422015误差平方和335025.53751136573.6960450791.3708338276.5506绝对误差百分比0.00900.01510.00960.0081均方根88.2683162.5790102.389188.6955均值绝对误差75.6916127.277280.721368.5097
【参考文献】：
期刊论文
[1]自适应动态三次指数平滑法在交通预测中的应用[J]. 曹邦兴. 吉首大学学报(自然科学版). 2019(05)
[2]基于时间序列分解与支持向量回归的短期电力能耗预测研究[J]. 左志宏,赵云鹏,刘竹,肖鹏. 信息系统工程. 2019(08)
[3]基于EMD-BP神经网络的游客量预测研究[J]. 陆利军,廖小平. 统计与决策. 2019(04)
[4]模糊环境下的组合预测模型及其在电力负荷中的应用[J]. 朱家明,丁珍妮,陈华友,周礼刚,刘金培. 模糊系统与数学. 2018(02)
[5]基于UWPA算子的区间组合预测模型及其应用[J]. 朱家明,陈华友,周礼刚,程玲华. 统计与决策. 2015(19)
[6]直觉模糊时间序列建模及应用[J]. 郑寇全,雷英杰,王睿,王艺菲. 控制与决策. 2013(10)
[7]基于连续有序加权平均算子的区间组合预测[J]. 金飞飞,李捷,陈华友,周礼刚. 武汉理工大学学报(信息与管理工程版). 2013(05)
[8]基于Theil左右不等系数的区间组合预测[J]. 张进,陶志富,陈华友. 合肥师范学院学报. 2010(03)
[9]区间时间序列预测准确度探讨[J]. 徐惠莉,吴柏林,江韶珊. 数量经济技术经济研究. 2008(01)
[10]IOWHA算子及其在组合预测中的应用[J]. 陈华友,刘春林,盛昭瀚. 中国管理科学. 2004(05)
硕士论文
[1]基于时间序列分析的散杂货港口吞吐量短期预测研究[D]. 薛艳茹.北京交通大学 2019
[2]基于NARX神经网络时序预测模型的分簇数据融合研究[D]. 何超杰.重庆邮电大学 2017
[3]区间数据回归分析[D]. 赵茹.天津大学 2014
[4]基于ADL模型干预模型和VAR模型的量价关系研究[D]. 朱冬和.海南师范大学 2011
本文编号：3329676
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3329676.html
