本文關(guān)鍵詞：基于ARIMA與SVM組合模型的煤炭?jī)r(jià)格預(yù)測(cè)，，由筆耕文化傳播整理發(fā)布。

【摘要】：煤炭是我國(guó)的基本資源,長(zhǎng)期在能源市場(chǎng)中起著絕對(duì)的主導(dǎo)作用。煤炭?jī)r(jià)格一旦發(fā)生劇烈波動(dòng),將會(huì)對(duì)國(guó)家的宏觀(guān)經(jīng)濟(jì),區(qū)域經(jīng)濟(jì),居民生活,尤其對(duì)涉煤企業(yè)產(chǎn)生重要影響。因此實(shí)現(xiàn)煤炭?jī)r(jià)格較為精準(zhǔn)的預(yù)測(cè),對(duì)企業(yè)決策者做出有利的戰(zhàn)略計(jì)劃具有重要的意義。傳統(tǒng)的煤炭?jī)r(jià)格預(yù)測(cè)模型主要使用時(shí)間序列方法或是采用人工智能方法。但是由于煤炭?jī)r(jià)格時(shí)間序列具有非線(xiàn)性性與非平穩(wěn)性,使用單一的預(yù)測(cè)模型難以捕捉到其綜合趨勢(shì)。為了進(jìn)一步提升模型的預(yù)測(cè)精度,本文討論了基于ARIMA與SVM的煤炭?jī)r(jià)格預(yù)測(cè)的組合模型,研究?jī)?nèi)容包括:1)采用一階差分的方法,將非平穩(wěn)的原價(jià)格序列轉(zhuǎn)化為平穩(wěn)的時(shí)間序列。比較評(píng)價(jià)指標(biāo)的大小以及參數(shù)估計(jì)結(jié)果,選出三個(gè)可能的模型,即:ARIMA(6,1,5),ARIMA(6,1,6)以及ARIMA(6,1,9),綜合考慮模型的殘差序列是否具有純隨機(jī)性及其自相關(guān)系數(shù)是否處于置信區(qū)間內(nèi),最終選擇ARIMA(6,1,6)模型來(lái)預(yù)測(cè)2014年5月至2015年2月的煤炭?jī)r(jià)格,預(yù)測(cè)結(jié)果表明該模型的MAPE為1.65,達(dá)到了很高的精度要求;2)建立煤炭?jī)r(jià)格的SVM預(yù)測(cè)模型,同時(shí),為了進(jìn)一步提高預(yù)測(cè)精度,利用粒子群優(yōu)化(PSO)算法,對(duì)支持向量機(jī)中的參數(shù)進(jìn)行優(yōu)化。結(jié)果顯示,PSO-SVM模型的MAPE值為1.68,取得了較好的預(yù)測(cè)效果;3)煤炭?jī)r(jià)格時(shí)間序列含有線(xiàn)性與非線(xiàn)性?xún)刹糠?且這兩部分并非完全相互獨(dú)立,本文采用并聯(lián)式組合預(yù)測(cè)的思想,建立了ARIMA與SVM的組合預(yù)測(cè)模型,組合模型的MAPE為1.36,明顯小于單一模型的MAPE值,說(shuō)明該模型可充分利用原始數(shù)據(jù)中隱含的信息,進(jìn)一步驗(yàn)證了組合預(yù)測(cè)模型的可行性和有效性。
【關(guān)鍵詞】：煤炭?jī)r(jià)格 ARIMA模型 支持向量機(jī) 組合預(yù)測(cè)
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：F426.21;F764.1;TP18
【目錄】：

• 摘要3-4
• ABSTRACT4-6
• 第1章 緒論6-14
• 1.1 研究背景和意義6-9
• 1.2 國(guó)內(nèi)外相關(guān)研究現(xiàn)狀9-12
• 1.3 論文研究?jī)?nèi)容12-14
• 第2章 相關(guān)建模方法14-26
• 2.1 ARIMA模型14-16
• 2.2 支持向量機(jī)（SVM）16-21
• 2.3 粒子群（PSO）優(yōu)化算法21-26
• 第3章 基于ARIMA模型的煤炭?jī)r(jià)格預(yù)測(cè)26-38
• 3.1 數(shù)據(jù)來(lái)源與評(píng)價(jià)指標(biāo)26
• 3.2 煤炭?jī)r(jià)格時(shí)間序列的平穩(wěn)性檢驗(yàn)26-29
• 3.3 模型的識(shí)別與定階29-34
• 3.4 ARIMA模型的檢驗(yàn)34-36
• 3.5 煤炭?jī)r(jià)格的預(yù)測(cè)36-38
• 第4章 煤炭?jī)r(jià)格預(yù)測(cè)的PSO-SVM模型38-42
• 4.1 數(shù)據(jù)獲取與預(yù)處理38
• 4.2 SVM中的參數(shù)分析38
• 4.3 PSO的SVM參數(shù)優(yōu)化38-39
• 4.4 仿真實(shí)驗(yàn)與結(jié)果分析39-42
• 第5章 基于ARIMA與SVM的煤炭?jī)r(jià)格組合預(yù)測(cè)42-48
• 5.1 組合預(yù)測(cè)方法42-44
• 5.1.1 串聯(lián)型組合模型42-43
• 5.1.2 并聯(lián)型組合模型43-44
• 5.2 組合模型仿真實(shí)驗(yàn)44-45
• 5.3 實(shí)驗(yàn)結(jié)果比較分析45-48
• 第6章 總結(jié)與展望48-50
• 6.1 總結(jié)48
• 6.2 展望48-50
• 參考文獻(xiàn)50-54
• 附錄 完成的論文和參與的科研項(xiàng)目54-56
• 致謝56

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王習(xí)濤;;ARIMA模型在期貨交易預(yù)測(cè)中的應(yīng)用研究[J];微計(jì)算機(jī)信息;2006年15期

2 張翼飛;陳洪;劉嶺;張彥琦;郭波濤;易東;;ARIMA季節(jié)乘積模型在腸道傳染病預(yù)測(cè)中的應(yīng)用[J];激光雜志;2008年02期

3 蔣金良;林廣明;;基于ARIMA模型的自動(dòng)站風(fēng)速預(yù)測(cè)[J];控制理論與應(yīng)用;2008年02期

4 曹昱東;王浩;;基于ARIMA模型上海市生活垃圾的預(yù)測(cè)與分析[J];電子測(cè)試;2013年16期

5 吳u

本文編號(hào)：255652