人工智能的興起使得神經(jīng)網(wǎng)絡(luò)（NN）、支持向量機(jī)（SVM）、模糊系統(tǒng)等方法被廣泛地應(yīng)用于預(yù)測領(lǐng)域。然而,基于人工智能的方法,需要大量的訓(xùn)練數(shù)據(jù)和相對長的訓(xùn)練期,對于經(jīng)濟(jì)預(yù)測,滿足這些條件很困難,因?yàn)榻?jīng)濟(jì)時(shí)間序列高度非線性、隨機(jī)性使得序列極不規(guī)范、極其靈活�；疑到y(tǒng)理論和單步預(yù)測方法（滾動(dòng)機(jī)制）的引入很好地解決了這一問題,它僅僅只需要一個(gè)小的、或離散、或不完整的訓(xùn)練數(shù)據(jù)集來組建一個(gè)預(yù)測模型,還克服了因?yàn)閿?shù)據(jù)混亂局限了灰色系統(tǒng)模型的預(yù)測性能的缺點(diǎn)。本篇碩士學(xué)位論文將粒子群智能算法（PSO）有機(jī)地融入到滾動(dòng)灰色預(yù)測模型中,使得模型可以根據(jù)數(shù)據(jù)趨勢變化自動(dòng)優(yōu)化參數(shù)而非傳統(tǒng)方法的固定參數(shù),適用性、精確度以及智能性明顯增強(qiáng)。同時(shí),提出一種適用于灰色預(yù)測的數(shù)據(jù)預(yù)處理模型,它源于數(shù)據(jù)挖掘中數(shù)據(jù)預(yù)處理理論又不同于已有的數(shù)據(jù)預(yù)處理方法針對海量數(shù)據(jù)的特點(diǎn),特別適用于這種數(shù)據(jù)量小、指數(shù)趨勢增長且越是時(shí)間序列靠后的數(shù)據(jù)對預(yù)測結(jié)果作用越大的預(yù)測。論文以逐漸深入地研究算法為目的,選取第三產(chǎn)業(yè)經(jīng)濟(jì)數(shù)據(jù)為實(shí)驗(yàn)對象,首先,以標(biāo)準(zhǔn)灰色預(yù)測算法GM（1,1）的預(yù)測結(jié)果作為一個(gè)評判基準(zhǔn)衡量數(shù)據(jù)質(zhì)量是否高噪聲、不穩(wěn)定、非線性且模型... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 問題背景與意義
    1.2 本文工作及結(jié)構(gòu)
第二章 灰色系統(tǒng)其理論體系及灰色模型
    2.1 灰色系統(tǒng)的理論體系
    2.2 基本灰色系統(tǒng)模型
    2.3 滾動(dòng)灰色預(yù)測模型
    2.4 性能評測
        2.4.1 基本GM（1,1）模型性能
        2.4.2 RGM（1,1）模型性能
第三章 群智能理論與智能灰色系統(tǒng)模型
    3.1 群智能理論概述
    3.2 粒子群優(yōu)化算法（PSO）
        3.2.1 PSO產(chǎn)生背景
        3.2.2 PSO算法描述
    3.3 基于基本GM（1,1）評價(jià)PSO算法有效性
        3.3.1 α-GM（1,1）模型
        3.3.2 利用PSO算法進(jìn)行參數(shù)α尋優(yōu)
        3.3.3 性能評估
    3.4 基于滾動(dòng)模型的智能模型
        3.4.1 α-RGM（1,1）算法
        3.4.2 利用PSO優(yōu)化計(jì)算α值
        3.4.3 基于滾動(dòng)灰色模型的智能PRGM（1,1）模型性能評估
第四章 基于灰色模型的指數(shù)數(shù)據(jù)預(yù)處理模型
    4.1 模型構(gòu)建之理論來源
    4.2 模型算法的數(shù)學(xué)描述
    4.3 基于實(shí)證數(shù)據(jù)的預(yù)處理結(jié)果以及性能
    4.4 基于四種預(yù)測模型的實(shí)證評估
第五章 結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表論文及研究課題
致謝


【參考文獻(xiàn)】：
期刊論文
[1]統(tǒng)計(jì)數(shù)據(jù)預(yù)處理的理論與方法述評[J]. 程開明.  統(tǒng)計(jì)與信息論壇. 2007(06)
[2]差分進(jìn)化算法研究進(jìn)展[J]. 劉波,王凌,金以慧.  控制與決策. 2007(07)



本文編號：3005373