基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8. 60%,9. 02%和3. 64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。

基于AGNN舆情指数网络的价格指数预测研究

利用多个相关领域舆情之间的复杂关联性,处理特定领域新闻的不连续所导致的舆情缺失问题,使其能够用于分项价格指数预测。提出基于自学习图神经网络模型的舆情指数网络方法,将若干相互关联的具体领域的舆情指数作为网络节点,日度舆情量化值视为时间序列,通过学习其中隐性图结构特征和舆情数据时序特征,构建成动态舆情指数网络,实现对稀疏舆情值的填补。对食品价格指数和有色金属生产价格指数预测的实证研究表明,经过该方法补齐的舆情指数和相应价格统计指数相关性达到最高,且预测精度得到提升,验证了此方法的有效性。