因此,我们提出了一种基于ARIMA与SVR模型组合的股票预测方法。具体思路如下: (1)首先,使用ARIMA模型对股票价格时间序列进行建模和预测,得到初始预测值。 (2)接下来,将ARIMA模型的预测残差作为SVR模型的输入特征,以及对应的实际股票价格作为输出标签,训练SVR模型。 (3)使用训练好的SVR模型对未来一段时间的股票价格进行预测,得到SV
1.3 SVR模型 支持向量回归(SVR)是一种基于统计学习理论的预测模型,它通过寻找最优的超平面来拟合数据,实现对非线性数据的回归预测。SVR模型适用于高维度、非线性和非平稳的时间序列数据,对于复杂的潮汐预测问题有较好的应用效果。 本文提出的组合潮汐预测模型结合了调和分析、ARIMA模型和SVR模型的优势,通过组合各个模型的...
得出短期和中期均方根误差(RMSE)分别为0.768和0.968,相比单一ARIMA模型,短中期RMSE分别提高46.2%和16.4%.此外,对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中,组合模型比单一ARIMA模型的RMSE提高71.2%;中期预测中,组合模型比单一ARIMA模型的RMSE提高64.2%.实验结果表明,ARIMA-SVR组合模型为保证卫星在轨正常运行...
摘要:为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的...
针对潮汐预测的需求,调和分析和ARIMA-SVR模型被广泛应用于潮汐预测中。调和分析是一种用来描述周期性或规律性时间序列变化的方法。ARIMA-SVR模型则结合了自回归积分移动平均模型(ARIMA)和支持向量回归模型(SVR),能够更准确地捕捉潮汐数据的特点。 本文将介绍基于调和分析和ARIMA-SVR的组合潮汐预测模型,包括模型原理、建模...
ARIMA模型是一种经典的统计时间序列模型,它可以很好地拟合非周期性的变化。通过对潮汐时间序列进行建模,我们可以得到一个针对潮汐非周期性变化的预测模型。SVR模型是一种支持向量机模型的回归形式,它可以很好地拟合非线性的变化。将ARIMA模型和SVR模型组合在一起,可以充分利用它们各自的优势,提高潮汐预测的准确性。通过...
为了提高潮汐预测的准确性,本文将基于调和分析和ARIMA-SVR的组合潮汐预测模型进行研究和探讨。 我们知道潮汐的变化是具有一定的规律性的,通常可以用调和分析来描述。调和分析是对周期性信号的一种处理方法,可以分析出信号的周期性变化规律,并据此进行预测。在潮汐预测中,可以通过对潮汐观测数据进行调和分析,得到潮汐的...
基于ARIMA-GWO-SVR组合模型的线损率时序预测
采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,...
互联网 行业资料 政务民生 说明书 生活娱乐 搜试试 续费VIP 立即续费VIP 会员中心 VIP福利社 VIP免费专区 VIP专属特权 客户端 登录 百度文库 行业资料 基于ARIMA与SVR滚动残差模型组合的股票预测©2022 Baidu |由 百度智能云 提供计算服务 | 使用百度前必读 | 文库协议 | 网站地图 | 百度营销 ...