基于SSA的金融时间序列自适应分解预测

政治主导是坚持政治在国家社会主要方向、方面和重点的引导、选择,并在维护阶级和国家利益中发挥政治的规范、导向和秩序作用的特性。在经济全球化的背景下,加强中国共产党在新形势下的政治主导,既是中国共产党作为执政党的职责所在,也是新世纪以来新的形势使然。中国共产党的政治主导面临着政治与经济相互交融使政治主导的形势日益复杂、部分领域和群体政治主导观念逐渐淡化、政治主导的资源丧失以及政治主导的权威丧失等诸多挑战。鉴于此,需要采取推进政治体制改革、培育政治主导资源、填补政治主导空白、丰富政治主导方式等多种措施,以切实增强中国共产党政治主导的实效。     

基于RBF神经网络的校园用电负荷预测方法

随着高校招生数量的增加以及校园的不断建设,大学校园的用电量也在不断增加,相关用电管理部门需要对将来一段时间内的用电量有一个准确的估计,更好的安排设备检修、更换、扩容等,加强对校园用电的控制。本文利用RBF神经网络对某高校的用电量建立了一个预测模型,然后通过MATLAB仿真软件进行仿真得到预测的数据,为校园后期的用电管理提供了参考。     

基于奇异谱分解的玉米价格多尺度组合预测

为提高玉米价格预测精度,基于分解-重构-集成思想,构建一个基于奇异谱分解的多尺度组合模型。首先对原始序列进行奇异谱分解,并用对角平均法将分量序列重构,用作单个模型的输入,最后用BP神经网络对各单一模型输出进行非线性集成。对比分析了分别将原始序列、重构序列作为输入,各单一模型和多尺度组合模型的预测效果。结果表明,该研究所建模型要优于各单一模型。基于价格总体趋于平稳的情况,政府应结合实际情况适当采取措施以保障玉米价格的持续稳定。     

基于EEMD的盐城大丰区降水量时间序列多尺度分析

[目的]研究盐城大丰地区年降水量时间序列规律。[方法]基于集合经验模态分解(EEMD)的数据处理方法,通过Hilbert变换对降水量数据进行多尺度特征研究,并对研究结果进行显著性和误差检验。[结果]近55 a盐城大丰地区年降水量序列可以分解成4个IMF分量和1个趋势分量;主要存在0~0.05和0.45~0.50 Hz 2个频率区间,其间主周期为2.12 a年际周期和27.50 a年代际周期,二者均通过95%显著性检验。EEMD可以有效地重构原始降水量数据变化曲线,与原始数据对比误差百分比始终控制在±0.6%范围内,由白噪声带来的干扰误差几乎可以完全忽略。[结论]该研究可为合理开发与充分利用水文资源、防汛抗旱等提供科学依据。     

基于时间序列的山区风向预测方法研究

为更好的预测山区风向,分别使用自回归滑动平均模型(Auto-Regressive Moving Average Model,ARMA)、极端梯度提升算法(eXtreme Gradient Boosting,XGBoost)和长短期记忆网络(Long Short Memory Network,LSTM)对山区4个气象站的风向时间观测序列进行预测,比较三种算法的优劣。针对风向独特的性质,结合传统气象学知识,探索了一种风向的预测方法：引入风速序列,将风速、风向拆分为U、V风,对其分别进行预测,进而将结果合成,使用设定的风向评分检验结果。对比结果表明：1)XGBoost获得了最高的评分;2)使用双时间序列预测风向相比单序列效果更好。     

基于小波分解的害虫发生非平稳时间序列分析和预测

将小波分解应用于害虫发生程度非平稳时间序列的分析和预测。通过小波分解,将非平稳时间序列分离为多个平稳分量,然后采用自回归滑动平均方法对各平稳分量分别进行分析和建模,最后将所有分量的模型进行组合,从而可以得到原非平稳时间序列的预测模型。在实例分析中,利用1959年至2004年烟台市一代玉米螟发生程度数据序列建立了预测模型,利用2005年至2009年的数据对模型进行了检验。检验结果表明:5年预测准确率达到了80%,预测效果令人满意。     

一种基于时间序列模型的风速预测方法

分析了美国HMO（Health Maintenance Organization）市场结构主要指标及部分医疗和社会经济指标对美国医疗费用的影响,采用1995-2007年数据,利用主成分分析（PCA）方法与BP神经网络构建预测模型,对美国支出在医院方面的医疗费用进行拟合及预测,预测结果与实际值之间的相对误差小于0.25%,表明可基于该模型考察在HMO市场结构影响下的美国医疗费用.     

基于多尺度分解的图像递进检索

提出了一种基于小波多尺度分解的图像递进检索匹配方法.首先用小波变换对图像进行多尺度分解,提取其各子带的前三阶矩(标准差、偏斜度)和最低频段(LL子带)的小波变换值作为特征值.然后在检索匹配时,用各尺度的标准差和偏斜度进行递进筛选,再用LL子带的HSV颜色直方图计算图像之间的相似性距离,进一步对检索结果求精.与传统的直接直方图方法比较,结果表明,运用该方法,不仅计算量大大降低,明显加快检索速度,而且检索精度也明显提高.同时,由于小波变换已经成为新一代图像压缩标准的核心,该方法可以直接在压缩域进行特征提取和检索.     

基于时间序列的黑龙江省粮食产量预测

应用时间序列分析方法,建立粮食生产动态模型,利用黑龙江省1980～2006年粮食总产量的数据进行了粮食产量的预测。将预测数据实际数据对比,结果表明：抛物线型趋势线平均百分误差为9.60,平均绝对误差为215.80,平均偏差平方和为70 281.90是准确度最高的。而指数型趋势线预测值在最近4年内最接近实际产量,其精度分别达到98.32%、97.31%、96.35%和94.02%。     

基于Box-Jenkins方法的黄河水质时间序列分析与预测

采用基于Box-Jenkins方法的时间序列分析技术,对黄河上游甘肃兰州段、中游吴堡和下游山东利津段的水质进行了趋势分析和预测。选取对水质产生影响较大的两个污染因子化学需氧量(CODMn)和溶解氧(DO)1994—2003连续10a的月平均水质监测数据,借助Matlab和SAS统计软件,建立了ARIMA模型和乘积季节时间序列模型,并分析了这两个污染因子随时间推移的变化规律。结果表明:ARIMA模型和乘积季节模型能够用于短期水质预测,并且预测效果较好。黄河流域从上游到下游水质总体状况呈逐渐下降趋势,上游水质一般为Ⅱ和Ⅲ类,而中游和下游水质基本为Ⅳ、Ⅴ和超Ⅴ类。     

基于时间序列分析的降雨量动态预测

利用时间序列分析与数理统计分析相结合的方法,建立了合理的模型,对雷州半岛徐闻气象站的年降水量进行了参数估计和动态预测。提出了一种合理的动态预测方法,该方法获得了较高的预测精度。     

基于时间序列分解的江苏省猪肉价格波动分析

以2002年1月～2012年3月江苏省的生猪、仔猪、猪肉市场月度价格为研究对象,采用X12季节调整法和H-P滤波法对猪肉价格的波动进行分解实证分析。研究发现,三者的价格波动呈高度一致的周期性波动上升,短期内波动受外部影响明显,波动幅度较大;价格波动周期与生猪饲养周期相一致,大约39个月为一个周期。     

基于时间序列法的广西原糖价格预测

【目的】为了了解广西原糖价格的未来走势,掌握原糖价格的变动情况。【方法】使用时间序列法中的季节性ARIMA模型,分析2001年1月至2016年4月183个月份数据,预测广西原糖2016年5月至2017年4月的价格。【结果】广西原糖价格在2016年上半年一直保持着平稳状态,但自下半年起,原糖价格逐渐上升并在11月达到全年价格顶点,在12月时原糖价格出现明显回落现象,2017年的1-4月的原糖价格没有较大幅度波动。【结论】时间序列法的的预测精度较高,可以得到较准确的广西原糖价格的趋势图。     

基于时间序列的金华市梅汛期降雨量预测

根据金华市7个县（市）1968～2012年梅雨汛期降水量的实测数据,对金华市梅汛期降水基本特征进行分析,并运用平稳时间序列的线性外推法建立各个地区降水量的预测模型。结果表明,金华地区梅汛期降水量的年际变化呈多峰型,但从总体形势上看．近45年的梅雨量是呈上升趋势;经检验,浦江等地区预测的中长期结果具有较高的精度,说明平稳时间序列的线性外推法建立的预测模型对这些地区梅雨期降水量的预测较准确,此预测模型可以为中长期降水预报及政府部门决策服务提供强有力的科学支持。     

农产品市场价格短期预测方法与模型研究——基于时间序列模型的预测

为提高农产品市场价格的预见性,及早采取措施减缓价格波动,以全国西红柿月度批发市场价格为预测目标,综合利用季节虚拟变量法、Census X12法、移动平均比率法、Holt-Winters季节指数平滑法、SARIMA法等建立短期预测模型,并根据模型预测误差大小赋予不同的权重值,从而建立组合预测方法。实证分析结果表明:单一模型预测误差波动较大,总体上随着预测周期变长精度下降。在2009年的评估预测中,所建立的5个单一短期预测模型平均绝对误差百分比(MAPE)为10%左右,其中Holt-Winters季节指数平滑法建立的短期预测模型精度最高,MAPE为6.81%。如果预测提前期为3个月,SARIMA模型的预测精度更高,准确率达到95%以上。在实证分析的基础上,采用组合预测方法对2010年西红柿价格进行了预测。     

对于模糊时间序列预测的一种改进方法

在对于模糊时间序列数据的模糊化的研究中,本文对现有的文献中模糊化的方法进行了改进,把数据的离散程度加入了考量,定义了一种新的数据模糊化方法,通过对美国入境人数进行预测,用最小标准误差把新旧方法进行比较,结果表明改进后的方法得到的预测结果更加准确。     

滨州市用电负荷与气象要素的关系及预测

利用2006年1月～2008年5月滨州市电力公司用电负荷资料,对气象负荷与气象要素的关系进行了分析、总结,并利用逐步判别的方法建立了滨州市用电负荷的预测模型,分别给出了逐日用电量、15min最大用电量与气象要素的统计回归方程和预报方程,通过检验,取得了较满意的效果。     

基于时间序列的农业非点源污染产出预测研究

选取三江平原蛤蟆通河流域作为研究区,利用SWAT模型农业非点源污染模拟结果,建立了农业非点源污染的季节性ARIMA模型,对未来3年农业非点源污染进行了预测,为非点源污染防治提供一定的理论依据。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于奇异值分解的多尺度变换域图像细化算法

由于多尺度变换域图像细化可降低图像存储难度与识别难度,图像细化核心即为骨架连通性,围绕保持图像骨架高度连通性这一宗旨,提出基于奇异值分解的多尺度变换域图像细化算法。首先,通过采用基于小波多尺度奇异值分解的图像特征提取算法,全面提取多尺度变换域图像中全部目标特征。然后,通过采用一种有效的图像细化算法判断图像细化时需留下的特征点,并去除图像中冗余像素点与冗余枝线,完成多尺度变换域图像细化。最后,根据本文所提算法将多尺度变换域图像以指纹、不规则图像等为例,对两幅图像细化,进行图像的细化测试。研究结果表明,所提算法细化后的图像纹理清楚,骨架分明,且图像纹络连通性较好;与同类型算法相比,该算法对多尺度变换域图像中冗余像素点和枝线的去除效果最佳。