融合三支聚类与分解集成学习的股票价格预测模型

准确的趋势判断与实时价格预测是获得理想投资收益的有效途径。现实的金融市场受客观经济环境变化,投资者预期回报以及其他潜在因素影响,使得传统预测方法面临较多的挑战和压力。如何在不确定的环境中发现一种可靠的预测工具,提高预测的准确性,将是值得深入探讨的科学问题。为了获得准确的预测,帮助投资者赢得最大利润,本文引入分解集成思想和三支决策理论,提出了一种基于三支聚类和分解集成的复合预测方法。首先,使用互补集成经验模态分解方法将原始时间序列分解成若干个相对平稳的子序列,实现降低原始时间序列复杂性的同时挖掘了隐藏的信息。其次,为了针对性地处理不同属性的子序列,构建了基于贝叶斯风险决策的概率粗糙集进行三支聚类。接着,为了避免输入信息的欠缺或者冗余信息的干扰,采用基于相空间重构的特征选择方法确定不同神经网络的输入结构。最后,将提出的方法应用于美股ANY价格预测和国际、国内的重要股票指数以及其成分股预测验证其有效性和实用性。同时为把粒计算思想方法与分解集成融合,构建复杂动态数据预测决策模型与方法进行了有益的尝试和探讨。此外,研究结果将为投资者的实际投资决策提供科学的支持与参考。

基于分解集成的航空货运需求区间预测研究

航空货运是国家重要的战略资源,在国内及国际间的贸易中扮演着不可或缺的角色。对航空货运需求进行的科学预测是航空公司制定基础设施规划和总体投资决策的重要依据。针对航空货运量数据的不确定性,从实际需求出发,引入Bootstrap方法进行不确定性估计,提出一种基于分解集成的区间预测方法。具体来说,首先用局部加权回归的时间序列分解(STL)方法将货运需求数据进行分解;其次,由支持向量回归(SVR)和季节自回归综合移动平均(SARIMA)分别预测分解所得的趋势分量与季节分量;再次,创新性地将白噪声分量进行提取并用Bootstrap方法作重采样处理;最后,将预测结果与处理后的白噪声进行集成重构,利用分位数构造区间进行不确定性量化。对中国两大枢纽机场货运数据的实验结果表明,构建的区间能够有效地结合预测结果量化不确定性,为区间预测提供了一种新的研究思路。

基于二次分解组合预测模型的高速铁路短期客流预测

高速铁路短期客流预测是铁路运输研究领域的重点之一,不管对编制列车开行方案或是作为高速铁路客运运营管理工作的基础,都具很大的重要性。因为高速铁路客流时间序列存在非线性、非平稳的特性,传统预测模型很难获得令人满意的结果。为了克服传统模型的缺陷,本研究提出了二次分解组合预测模型。先以完全重组经验模态分解算法对原始数据进行分解,同时通过样本熵测算各分量的复杂度,然后再以变分模态分解算法进一步分解一次分解产生的高频分量,利用极限学习机来预测第一次的分解结果,再利用核极限学习机来预测第二次的分解结果,最后把所有部分的预测结果相加成为最终预测值。为验证模型的实用性,以ZD013-ZD190-01的OD日客流量数据作为研究对象,经实例研究表明由该方法得到的高铁短期客流预测结果在准确度与稳定性上均表现出色。

充电中断情景下电动汽车充电站两阶段多目标区间选址优化决策

考虑到充电站选址用户需求量的不确定性和突发状况的复杂性特点,以充电站选址服务效益最好、充电站风险最小以及“预选址-增建选址”两阶段经济成本最低为目标,基于传统p-median模型和多目标应急选址模型,构建两阶段多目标区间p-median模型.第1阶段在需求和设施损坏存在不确定因素的情况下,基于不确定需求模型模拟充电站遭遇突发情景下的不同需求量,构建出基于p-median的“预选址”模型;第2阶段针对瘫痪情景发生后的信息,建立一种反应式修复调整策略的“增建选址”模型.引入区间模糊集理论对模型进行转换,利用免疫优化算法对模型进行求解分析,得到充电中断情景下的充电站选址最优方案.最后,以西安市某区域为例,验证模型的可行性与有效性,为充电中断情境下电动汽车充电站科学选址提供了必要的决策参考和支持.