基于ARIMA-BiLSTM的散装水泥运输车事故预测研究

为了提升散装水泥运输车在运输过程中的交通安全性,文章基于浙江省2019至2021年的47757条散装水泥运输车出险数据,构建了一个结合了自回归积分滑动平均(ARIMA)模型和双向长短期记忆网络(BiLSTM)的混合预测模型。首先,通过ARIMA模型分析时间序列数据,识别事故数量和理赔金额的趋势,并提取预测残差。然后,利用BiLSTM对这些残差进行深度学习预测,以捕捉时间序列中的复杂模式。最后,通过将BiLSTM预测的残差反馈优化ARIMA模型。研究结果表明,相较于传统的ARIMA模型,该混合模型预测更为精准,有助于更有效地管理和降低散装水泥运输车的安全风险。

基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法

针对因深度学习自身局限性和递归预测策略产生的累积误差,导致航迹预测精度不高的问题,提出了一种基于残差修正CNN-BiLSTM的空中目标航迹短期预测算法。首先,引入卷积模块用于提取航迹数据之中具有潜在关联的空间位置特征,利用双向长短时记忆网络提取航迹数据中的时序特征,并实现对空中目标的实时单步预测和多步超前预测;其次,引入整合移动平均自回归为残差修正模型,对实时单步预测产生的残差建模,计算混合神经网络模型多步超前预测时的残差值;最后,将混合神经网络模型和残差修正模型的输出结果进行融合,得到最终的航迹预测值。实验结果表明,该算法大大降低了神经网络因自身局限性产生的误差和因递归策略预测产生的累积误差,能够显著提高空中目标航迹短期预测的精度。

基于ARIAM-GARCH深度学习的股价预测与决策

对于绝大多数股民而言,大盘股具有投入成本高、损失大、资金流转慢等特性,为使得股民减少损失,提高收益,通过针对于中小企业股,采用两阶段的方法对股价进行了预测,给出了一种最优投资组合决策方法。第一阶段先用ARIMA-GARCH模型进行建模,提取每日收益率的波动率,再将波动率加入到原有数据集中,构建CNN-BiLSTM-AT深度神经网络模型进行预测,最后使用XGBoost算法对预测值进行修正。第二阶段在给定投资者的期望收益率的条件下,用Bayes方法进行投资组合,获取最优投资决策。实证研究表明,此方法对于选取的10只中小企业股有着较好的研究结果。