期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于组合模型的上市公司高送转预测
被引量:
1
1
作者
余奇迪
戴家佳
《数学理论与应用》
2020年第3期101-109,共9页
本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型...
本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型按权重进行线性组合建立组合模型.实证结果表明,基于组合模型的预测准确率相比单一模型提高了1.39%.
展开更多
关键词
随机森林
LOGISTIC回归
决策树
组合模型
高送转
下载PDF
职称材料
基于SARIMA-PSO-ELM组合模型的我国铁路货运量预测
被引量:
3
2
作者
张仙
戴家佳
余奇迪
《数理统计与管理》
CSSCI
北大核心
2022年第3期394-401,共8页
我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路...
我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路货运量序列进行预测,其次对SARIMA模型预测的残差建立PSO(粒子群优化)算法优化的ELM(极限学习机)预测模型,最后将两模型的预测值相加得到SARIMA-PSO-ELM组合模型的预测结果。组合模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别是0.0129、0.35%,相较于SARIMA和PSO-ELM两种模型其预测精度更高。
展开更多
关键词
铁路货运量预测
SARIMA
极限学习机
粒子群优化
SARIMA-PSO-ELM组合模型
原文传递
题名
基于组合模型的上市公司高送转预测
被引量:
1
1
作者
余奇迪
戴家佳
机构
贵州大学数学与统计学院贵州省博弈决策与控制系统重点实验室
出处
《数学理论与应用》
2020年第3期101-109,共9页
基金
贵州省数据驱动建模学习与优化创新团队
文摘
本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型按权重进行线性组合建立组合模型.实证结果表明,基于组合模型的预测准确率相比单一模型提高了1.39%.
关键词
随机森林
LOGISTIC回归
决策树
组合模型
高送转
Keywords
Random forest
Logistic regression
Decision tree
Combinatorial model
High to turn
分类号
F832.51 [经济管理—金融学]
下载PDF
职称材料
题名
基于SARIMA-PSO-ELM组合模型的我国铁路货运量预测
被引量:
3
2
作者
张仙
戴家佳
余奇迪
机构
贵州大学数学与统计学院
出处
《数理统计与管理》
CSSCI
北大核心
2022年第3期394-401,共8页
基金
贵州省数据驱动建模学习与优化创新团队(黔科合平台人才[2020]5016)。
文摘
我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路货运量序列进行预测,其次对SARIMA模型预测的残差建立PSO(粒子群优化)算法优化的ELM(极限学习机)预测模型,最后将两模型的预测值相加得到SARIMA-PSO-ELM组合模型的预测结果。组合模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别是0.0129、0.35%,相较于SARIMA和PSO-ELM两种模型其预测精度更高。
关键词
铁路货运量预测
SARIMA
极限学习机
粒子群优化
SARIMA-PSO-ELM组合模型
Keywords
railway freight volume forecasting
SARIMA
extreme learning machine
PSO algorithm
SARIMA-PSO-ELM combination model
分类号
TP393 [自动化与计算机技术—计算机应用技术]
O212 [理学—概率论与数理统计]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于组合模型的上市公司高送转预测
余奇迪
戴家佳
《数学理论与应用》
2020
1
下载PDF
职称材料
2
基于SARIMA-PSO-ELM组合模型的我国铁路货运量预测
张仙
戴家佳
余奇迪
《数理统计与管理》
CSSCI
北大核心
2022
3
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部