基于BP神经网络的系列混合预测模型的建立与应用

发布时间：2021-09-02 02:19

　　随着科学技术的日新月异以及社会经济的快速发展,各行各业的数据和信息呈现爆炸式增长,互联网技术风起云涌,大数据时代悄然而至。因此,如何抓住大数据时代契机,从海量数据中挖掘出有价值的信息,进而实现对未来的精确预测是一个既重要又困难的任务。时间序列预测是在数学模型的基础上,依据时间序列的历史值和现在值对事物未来的发展趋势做出定量估计。近年来,国内外学者均对时间序列预测模型做出了有益的探索和研究。根据预测模型类型,现有时间序列预测模型大致可分为三类,分别是单个预测模型、组合预测模型和混合预测模型。然而,没有一种模型能够适用于所有类型时间序列,且现有时间序列预测模型主要存在忽略原始数据中的噪声、模型中的参数确定具有主观性以及模型评价标准不合理三方面的问题,会影响时间序列预测模型的预测精度与效率。鉴于上述因素,本文提出基于BP神经网络的系列混合预测模型,该类模型既具有较强的泛化能力,适用不同类型时间序列的预测,又可以成功克服以上缺陷,实现较好的预测性能。具体来讲,系列混合预测模型中的“系列”一词包括两层含义:一方面,本文提出基于BP神经网络的混合预测模型的建立与评估的系列步骤。在建立混合预测模型时... 

【文章来源】：东北财经大学辽宁省

【文章页数】：200 页

【学位级别】：博士

【部分图文】：

图２－１?人脑神经元网络和典型ｎ维输入神经元模型示意图??ＢＰ经网络是对生物神经元的简化与模拟，一个典型的《维输入的神经元模型结??

【参考文献】：
期刊论文
[1]基于BP神经网络的时间序列预测问题研究[J]. 杨娟丽,徐梅,王福林,王吉权,刘慧.  数学的实践与认识. 2013(04)
[2]基于Logistic模型的中国各省碳排放预测[J]. 杜强,陈乔,杨锐.  长江流域资源与环境. 2013(02)
[3]多车型车辆路径问题的量子遗传算法研究[J]. 葛显龙,许茂增,王伟鑫.  中国管理科学. 2013(01)
[4]上证综指波动特征及收益率影响因素研究——基于EEMD和VAR模型分析[J]. 王晓芳,王瑞君.  南开经济研究. 2012(06)
[5]小波去噪和神经网络在电力负荷预测中的应用研究[J]. 张晔.  数字技术与应用. 2012(07)
[6]非等间距GM（1,1）模型在股票预测中的优化[J]. 张鑫,肖新平.  统计与决策. 2012(11)
[7]城市化对二氧化碳排放的影响——来自中国时间序列和省际面板数据的经验证据[J]. 刘华军.  上海经济研究. 2012(05)
[8]基于奇异谱分析的汇率预测研究[J]. 张一,惠晓峰.  统计与决策. 2012(06)
[9]经过改进的求解TSP问题的蚁群算法[J]. 王忠英,白艳萍,岳利霞.  数学的实践与认识. 2012(04)
[10]中国石油消费量增长趋势分析——基于ARIMA模型的预测与分析[J]. 池启水.  资源科学. 2007(05)



本文编号：3378112