降水对蔬菜价格的冲击效应——以广州为例

降水对蔬菜价格波动有重要影响,分析降水的蔬菜价格冲击效应对菜价预测及市场供需调整具有重要意义.本文首先构建了一个包含降水因素的蔬菜供需动态模型,揭示逐日降水对菜价的影响机制,并阐明了降水对不同蔬菜冲击效应存在异质性的原因;然后基于广州市2004-2018年逐日的菜心、生菜和豆角3种蔬菜零售价格数据及降水数据,采用VAR...     

基于Matlab的板凸度BP网络的预报

利用MATLAB神经网络工具箱,根据BP神经网络的基本原理,建立了三层BP神经网络板凸度预报模型.通过实验仿真,结果表明该模型对测试数据预报结果均在3%之内,对板带凸度的预报具有很好的预测精度,且训练速度较快,具有很好的实用性.     

基于模糊神经网络的宏观经济预警研究

本文将神经网络理论与模糊系统理论相结合,建立了宏观经济非线性预警模型;运用模糊逻辑推理将经济专家经验引入到宏观经济的预警分析中,使系统具有处理非线性、不确定性问题的能力,实现了预警过程的智能化;本文利用实际数据建立了具有转折点预测意义的、基于模糊神经网络的宏观经济波动预警模型,并对中国1999年和2000年进行了尝试性景气预报。     

人工神经网络在短期降水预测方面的应用研究

本文利用沈阳市2002年夏季的地面和高空气象观测资料,建立逐日降水量的三层BP神经网络预测模型。通过分析降水的形成原因,选择了高空和地面的气压场、温度场、湿度场和风场等18个气象要素作为模型的输入因子,以第二天的降水量作为模型的输出因子,并利用7月和9月的观测数据作为训练样本,确定了以tansig-logsig为传递函数,traingdx等三种函数为训练函数的网络最终结构。最后,利用2002年8月的观测数据对模型进行检验,结果显示:训练函数为trainlm函数时,网络的拟合效果和预测效果最好,对降水的预报准确率达到83.3%,降水综合TS评分为50%。实验表明了人工神经网络在短期降水预报方面具有良好的应用前景。     

基于bootstrap组合神经网络的聚丙烯熔融指数预报

对熔融指数准确可靠的预报在聚丙烯生产中具有至关重要的作用,它能更有效的指导生产过程,进而提高聚丙烯生产的经济效益。神经网络被用来建立初始的熔融指数预报模型,但是单一的神经网络在结构上具有随机性。通过训练一批预报误差小同时结构差异大的神经网络作为子网络,再将它们组合起来得到bootstrap组合神经网络,基于此建立起了最优熔融指数预报模型。通过对实际聚丙烯生产过程中的历史数据的研究,表明该模型的预报精度高、可靠性强,有望在实际工业中得到广泛应用。     

基于Matlab的优化BP神经网络在水稻虫害预测预报中的应用

本文主要利用神经网络理论,基于Matlab的神经网络建立水稻虫害发生量预报预测的BP神经网络预测系统,确定了自然因素-9发生量之间的联系,并通过对江西省抚州市田间水稻虫害情况的预测来检验模型的效果.实验结果证明了该模型用于虫害预测的可行性,具有很好的应用价值.     

一种新颖的组合模型在粮食产量预测中的应用

粮食产量的准确预测,对国民经济的稳定有着重要意义。针对河南省1996-2006年的粮食相关数据,分别构建了基于时间序列的二次曲线方程和径向基神经网络模型,以及基于多元回归的径向基神经网络预测模型,通过平均绝对百分比误差,比较三个单项模型的预测结果,最终构建了一种新的组合模型用来预测河南省2007-2011年的粮食产量。实验结果,证明了文章提出的组合模型的准确性和有效性。     

基于神经网络的地震死亡人数快速评估研究

选取了1630年一来的101个中国大陆地区造成人员死亡的地震震例,选取地震发生的时间、震级、震中烈度、震中人口密度和地震所在地区作为影响地震人员伤亡的主要因素建立输入层神经元,地震死亡人数作为输出层神经元,利用BP神经网络为平台,建立了地震死亡人数快速评估模型,结果标明:(1)神经网络模型快速评估的地震死亡人数更接近真实情况,评估结果更精确;(2)地震前的准确预报措施可以显著的减少地震造成的人员伤亡。事实证明神经网络地震死亡人数快速评估模型可以应用到地震灾害快速评估,为政府决策和救援提供参考依据。     

基于作业成本法的参数成本评估

成本评估对于新产品开发有着重要意义。指出了目前参数成本评估对成本形成原因不能识别和反馈控制,对产品生产耗用资源的市场价格变动考虑不够充分的缺陷。依据作业成本法“产品消耗作业,作业消耗资源”的思想,从逻辑维、数据维、时间维三个维度建立了基于作业成本法的参数成本评估模型,并给出了运用质量屋确定主要评估参数的方法。运用径向基函数神经网络构建了作业评估关系(AER),并进行了案例分析。     

大批农产品齐涨价原因何在？

商务部2009年12月8日在其网站发布消息称,上周,中国57种主要食用农产品中,价格周环比上涨的占七成半以上,其中蔬菜价格涨幅较大,18种蔬菜批发价格平均上涨六个百分点。粮食价格小幅上升,肉类价格稳中有涨。中国广播网2009年12月8目的消息,北京新发地市场11月的监测数据显示,46种蔬菜中,有42种蔬菜价格上涨。其中,不少蔬菜价格涨幅翻番,包括白菜、油菜、茴香、蒿子秆儿、芹菜等,     

Incorporating stock prices and news sentiments for stock market prediction: A case of Hong Kong

Stock prediction via market data analysis is an attractive research topic. Both stock prices and news articles have been employed in the prediction processes. However, how to combine technical indicators from stock prices and news sentiments from textual news articles, and make the prediction model be able to learn sequential information within time series in an intelligent way, is still an unsolved problem. In this paper, we build up a stock prediction system and propose an approach that 1) represents numerical price data by technical indicators via technical analysis, and represents textual news articles by sentiment vectors via sentiment analysis, 2) setup a layered deep learning model to learn the sequential information within market snapshot series which is constructed by the technical indicators and news sentiments, 3) setup a fully connected neural network to make stock predictions. Experiments have been conducted on more than five years of Hong Kong Stock Exchange data using four different sentiment dictionaries, and results show that 1) the proposed approach outperforms the baselines in both validation and test sets using two different evaluation metrics, 2) models incorporating prices and news sentiments outperform models that only use either technical indicators or news sentiments, in both individual stock level and sector level, 3) among the four sentiment dictionaries, finance domain-specific sentiment dictionary (Loughran–McDonald Financial Dictionary) models the news sentiments better, which brings more prediction performance improvements than the other three dictionaries.     

基于因子分析和神经网络的定价策略研究——以手机产品为例

确定产品的市场价格是将新产品推向市场之前必须进行的一项重要工作,它对于产品的利润及市场定位具有重要意义。为进行更准确的新产品定价,文章采用因子分析方法对样本数据集进行降维并提取产品的特征属性,通过前馈式神经网络训练样本数据,提出基于因子分析和神经网络的新产品定价策略模型。从实验结果可以看出,该模型性能稳定,能够为新产品的定价提供指导作用。     

房地产销售价格指数的神经网络预测

房地产销售价格指数是指导业界活动和市场研究的有效工具,但是预测的准确程度一直是人们倍加关注的。人工神经网络是一门新兴交叉学科,近年来被越来越多的应用到了实际问题的预测中,显示出其广阔的应用前景,特别是人工神经网络具有预测非线性系统未来行为的巨大潜力。因此,本文提出了用人工神经网络对房地产销售价格指数进行预测的方法,首先将输入数据进行预处理,再利用多层前馈神经网络BP算法来研究人工神经网络在房地产销售价格指数预测中的应用问题,最后得出神经网络方法预测精度较高的结论。     

Data fusion with factored quantization for stock trend prediction using neural networks

As compared to the continuous temporal distributions, discrete data representations may be desired for simplified and faster data analysis and forecasting. Data compression can introduce one of the efficient ways to reduce continuous historical stock market data and present them in discrete forms; while predicting stock trend, a primary concern is towards up and down directions of the price movement and thus, data discretization for a focused approach can be beneficial. In this article, we propose a quantization-based data fusion approach with a primary motivation to reduce data complexity and hence, enhance the prediction ability of a model. Here, the continuous time-series values are transformed into discrete quantum values prior to applying them to a prediction model. We extend the proposed approach and factorize quantization by integrating different quantization step sizes. Such fused data can reduce the data to mainly concentrate on the stock price movement direction. To empirically evaluate the proposed approach for stock trend prediction, we adopt long short-term memory, deep neural network, and backpropagation neural network models and compare our prediction results with five existing approaches on several datasets using ten performance metrics. We analyze the impact of specific quantization factors and determine the individual best as well as overall best factor sizes; the results indicate a consistent performance enhancement in stock trend prediction accuracy as compared to the considered baseline methods with an improvement up to 7%. To evaluate the impact of quantization-based data fusion, we analyze time required to execute the experiments along with percentage reduction in the number of unique numeric terms. Further, these results are statistically evaluated using Wilcoxon signed-rank test. We discuss the superiority and applicability of factored quantization-based data fusion approach and conclude our work with potential future research directions.     

基于BP神经网络的作物Cd含量预测及安全种植分区

为科学预测作物重金属含量,实现重金属污染农用地的安全利用,本研究利用地理探测器选取对作物Cd含量影响较大的土壤Cd含量、土壤pH值、与交通主干线的距离等10个因素为输入因子,农作物可食部分Cd含量作为输出因子,分别建立小麦、水稻、油菜籽、蔬菜可食部分Cd含量的BP神经网络预测模型,对作物种植污染情况进行预测分析,划分作物安全利用种植区。研究结果表明：① BP神经网络模型预测精度明显优于多元回归预测模型;② 对小麦、水稻和油菜籽的可食部分Cd含量预测结果进行评价,得到作物污染可能的空间分布及特征;③ 依据评价结果,对3种作物进行配置,划分得到4种作物适宜种植区,并提出管控策略。研究可为污染农用地的安全利用及作物种植调整提供思路和依据,兼具理论和现实意义。     

中国锡金属消费量预测方法及应用

基于详实的历史数据和合理的预测模型,科学预测中国锡金属消费趋势,对于国家锡资源管理政策的制定与提升国家资源保障能力具有毋庸置疑的意义。在充分考虑影响锡金属消费的宏观经济环境、中观产业政策以及微观消费市场的基础上,采用灰色关联度分析模型,选取了GDP、空调产量、罐头产量、汽车产量和彩色电视机产量等5个关联度>75%的线性因子支撑BP神经网络预测。BP神经网络模型测算得出2002-2013年我国锡消费量的相对误差最大为10.78%,相对误差绝对值平均数为3.33%,对中长期而言精度较高。预测结果显示参考情景下到2020年、2025年及2030年中国锡金属消费需求量分别为26.59万t、29.63万t及31.65万t。     

基于RBF神经网络的水质多因素预测

水质模拟预测是顺利实现水环境规划管理、水污染综合防治等任务不可缺少的基础工作。机理性水质模型虽考虑了影响水质变化的诸多因素,模拟预测效果较理想,但往往较复杂并需要大量基础资料与数据,使其进一步应用受到限制。基于RBF神经网络理论及其算法建立水质中四种污染物浓度的预测模型,应用结果表明,该方法可行,可以为水质污染预测提供一种有效的新手段。     

改进BP算法的辽宁省人均GDP预测研究

由于人均GDP时间序列具有复杂和非线性的特征,传统预测方法在预测分析时往往会产生很大的误差.运用Matlab软件采用不同的改进BP算法来建立和训练网络预测模型,以观测不同算法的精度和有效性;最后运用预测模型对辽宁省人均GDP进行了预测.     

Multi-agent DRL-based data-driven approach for PEVs charging/discharging scheduling in smart grid

This paper studies the charging/discharging scheduling problem of plug-in electric vehicles (PEVs) in smart grid, considering the users’ satisfaction with state of charge (SoC) and the degradation cost of batteries. The objective is to collectively determine the energy usage patterns of all participating PEVs so as to minimize the energy cost of all PEVs while ensuring the charging needs of PEV owners. The challenges herein are mainly in three folds: 1) the randomness of electricity price and PEVs’ commuting behavior; 2) the unknown dynamics model of SoC; and 3) a large solution space, which make it challenging to directly develop a model-based optimization algorithm. To this end, we first reformulate the above energy cost minimization problem as a Markov game with unknown transition probabilities. Then a multi-agent deep reinforcement learning (DRL)-based data-driven approach is developed to solve the Markov game. Specifically, the proposed approach consists of two networks: an extreme learning machine (ELM)-based feedforward neural network (NN) for uncertainty prediction of electricity price and PEVs’ commuting behavior and a Q network for optimal action-value function approximation. Finally, the comparison results with three benchmark solutions show that our proposed algorithm can not only adaptively decide the optimal charging/discharging policy by on-line learning process, but also yield a lower energy cost within an unknown market environment.     

上市公司财务困境预测模型比较研究

以因财务原因被实施特别处理的公司作为财务危机公司,有目的地选择了三类样本(房地产行业样本、不同行业的样本、房地产行业样本与不同行业样本的混合),取其发生财务困境的前两年数据,运用神经网络、决策树和支持向量机模型进行财务预警,以研究行业因素对三种模型预警准确度的影响.