基于双凹凸变换的高阶模糊认知图天然气消费预测

为解决高阶模糊认知图难以处理一维时间序列预测问题,提出基于双凹凸变换的高阶模糊认知图。为增加数据维度,采用特定函数对一维时间序列作凹凸变换,其次为改善高阶模糊认知图非线性表达能力,设计了具有凹凸特征的新传递函数,并结合全国及30个省份的2000—2019年天然气消费数据进行实证分析。结果表明,在对数据作增维凹凸变换基础上,采用新设计传递函数的高阶模糊认知图和基于传统传递函数的高阶模糊认知图预测结果相比更优,新传递函数适用率高达96.4%;其次将其两者预测结果和ARIMA及GM(1,1)相比,得出所提方法的适用率可达87.1%,进一步验证了提出方法的有效性。

基于BP神经网络和高阶模糊认知图的股票价格预测

由于金融市场具有的非线性、不确定性、复杂性等特点,其预测问题受到了学术界和相关从业人员的普遍关注。基于模糊认知图的方法广泛应用于金融市场预测,但大部分模型忽略了预测误差对模型精度的影响,针对这一现状本文提出了一种两阶段的预测模型,即基于BP神经网络(BPNN)和高阶模糊认知图(HFCMs)的股票价格预测模型,充分考虑了预测误差对预测精度的影响。模型第一阶段,利用HFCMs模型对历史数据进行预测,并得到与之对应的误差数据集。第二阶段结合了HFCMs模型和BPNN误差预测模型,得到最终的预测结果。其中,HFCMs模型的最佳权重矩阵采用时间变化加速系数粒子群优化(TVAC-PSO)算法得到。最后,在5个金融数据集上对所提模型进行了实验,结果表明本文的模型具有更好的预测效果。