一种基于PSO-RBF混合修正算子改进的组合预测方法技术

本发明专利技术属于价格预测技术领域，并具体公开了一种基于PSO‑RBF混合修正算子改进的价格组合预测方法。确定研究对象，并采集研究对象的价格‑时间序列数据；构建多个小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型；以拟合样本数据集作为输入，预测的价格作为输出，基于径向基函数，采用粒子群算法对价格基础预测模型进行基础模型改进和组合模型改进，以MSE、MAPE和泰尔系数准则作为组合预测评价准则，构建价格组合预测模型的目标函数，然后根据价格基础预测模型的权重构建价格组合预测模型；验证价格组合预测模型的预测效果。本发明专利技术解决了复杂经济环境下时间序列数据长时记忆与短期规律研究融合的问题。

【技术实现步骤摘要】
一种基于PSO-RBF混合修正算子改进的组合预测方法
本专利技术属于价格预测
，更具体地，涉及一种基于PSO-RBF混合修正算子改进的组合预测方法。
技术介绍
组合预测理论的出现，是对传统预测理论的一次重大变革，它极大地丰富了传统预测的理论体系。当前，组合预测理论以其应用范围广、鲁棒性强、预测精度较高等优点，为时间序列特征下的经济数据的预测研究提供了全新的思路与方法。然而，考虑到外界噪声对经济数据的叠加作用而表现出的非线性、随机性、异方差性等特征，特别是对于复杂经济系统环境和高精确度要求下的价格预测而言，传统组合预测方法的结论难以令人满意。为了克服传统组合预测的固有缺陷，冯增喜等的基于动态组合残差修正的预测方法提出了一种利用残差修正来优化组合预测结果的思路，通过对单一预测模型相对误差排序进行模型选择重组，能够有效提高预测精度；孙志勇等的模糊软集合理论在税收组合预测中的应用以国家经济活动中的税收预测为例，引入模糊软集合理论，将SVM回归模型、神经网络回归模型、自回归模型等进行组合建模；吴培等的中国猪肉价格预测研究基于ARIMA-GM本文档来自技高网...

【技术保护点】
1.一种基于PSO-RBF混合修正算子改进的价格组合预测方法，其特征在于，包括以下步骤：/n(1)确定研究对象，并采集研究对象的价格-时间序列数据，对该数据进行去噪、标准化以及平滑处理，然后将处理后的数据按照预设比例划分为拟合样本数据集以及预测样本数据集；/n(2)构建多个小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型；/n(3)以拟合样本数据集作为输入，预测的价格作为输出，基于径向基函数，采用粒子群算法对小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型进行基础模型改进和组合模型改进，在组合模型改进的过程中，以MSE、MAPE和泰尔系数准则作为组合预测评价准则，构建价...

【技术特征摘要】
1.一种基于PSO-RBF混合修正算子改进的价格组合预测方法，其特征在于，包括以下步骤：
(1)确定研究对象，并采集研究对象的价格-时间序列数据，对该数据进行去噪、标准化以及平滑处理，然后将处理后的数据按照预设比例划分为拟合样本数据集以及预测样本数据集；
(2)构建多个小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型；
(3)以拟合样本数据集作为输入，预测的价格作为输出，基于径向基函数，采用粒子群算法对小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型进行基础模型改进和组合模型改进，在组合模型改进的过程中，以MSE、MAPE和泰尔系数准则作为组合预测评价准则，构建价格组合预测模型的目标函数，然后根据小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型的权重构建价格组合预测模型；
(4)以预测样本数据集作为输入，预测的价格作为输出，验证价格组合预测模型的预测效果，若该预测效果满足要求，则将该价格组合预测模型作为最终的价格组合预测模型，否则，返回至步骤(3)，修正小样本预测的价格基础预测模型以及大样本预测的价格基础预测模型的权重。


2.根据权利要求1所述的一种基于PSO-RBF混合修正算子改进的价格组合预测方法，其特征在于，步骤(2)还包括以下步骤：选定m种研究对象的价格基础预测模型和n个观测时点，对拟合样本数据集中价格样本的时间序列观测值Y＝{y(t),t＝1,2,…,n}分别进行价格预测，记第i种价格预测模型在时点t的基础拟合值为y′i(t)，此时有Y′i＝{y′i(t),t＝1,2,…,n}，且i＝1,2,…,m；
优选的，步骤(2)中，所述小样本预测的价格基础预测模型为GM预测模型，所述大样本预测的价格基础预测模型为PDL预测模型。


3.根据权利要求2所述的一种基于PSO-RBF混合修正算子改进的价格组合预测方法，其特征在于，所述GM预测模型为：



其中，y′GM(t)为价格基础预测模型在时点t的基础拟合值，t为对拟合样本数据集中样本观测值进行采集的时间序数，t＝1,2,…,n1，n1为拟合样本数据集中的样本数量，a为发展系数，b为灰作用量，y(0)(1)为样本白化背景值；
所述PDL预测模型为：
y′PDL(t)＝α+β0x(t)+β1x(t-1)+Λ+βkx(t-k)+γ1y(t-1)+γ2y(t-2)+Λ+γsy(t-s)
其中，y′PDL(t)为价格基础预测模型在时点t的基础拟合值，t为对样本观测值进行采集的时间序数，t＝1,2,…,n1，n1为拟合样本数量，k、s分别为滞后解释变量与滞后因变量的滞后期长度，且k≤t,s＜t，α为截距项，x(t-k)为时点t-k对应的滞后解释变量值，βk为对应滞后解释变量系数，y(t-s)为时点t-s对应的滞后因变量值，γs为对应滞后因变量系数。


4.根据权利要求2所述的一种基于PSO-RBF混合修正算子改进的价格组合预测方法，其特征在于，步骤(3)中，基础模型改进具体包括以下步骤：
(311)确定时间节点的步长l，按照l+u-1＝n的原则将拟合样本数据集划分为测试向量组组数u，构建上述价格基础预测模型的l×u维测试向量组，其中，测试向量依次记为模型i-RBF(l,1)、模型i-RBF(l,2)、…、模型i-RBF(l,u)，i为第i种价格基础预测模型，构建m种价格基础预测模型的测试向量组矩阵，该测试向量组矩阵m×l×u三维立体矩阵A，然后根据三维立体矩阵A构建三维立体矩阵A的二维投影矩阵
(312)以所述二维投影矩阵作为RBF输入层样本值，以观测序列Y＝{y(t),t＝l,l+1,…,n}作为输出层目标值，建立含单隐层的三级RBF神经网络模型，设定单隐层神经元数量，初始化相邻两层权值w1和w2以及阈值b1和b2，通过自适应学习机制不断调整所述权值和阈值，达到训练精度要求后终止，得到一级响应输出值，该一级响应输出值为价格预测值，即RBF输出层的修正拟合值，并由此计算修正残差值η*(t)；
(313)构建研究对象价格基础预测模型...

【专利技术属性】
技术研发人员：张侃，李晓玲，梁新，杜军岗，余鹏，任蕾，习鹏，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：湖北;42