论文部分内容阅读
随着人类社会的快速发展,科技的不断进步,大数据作为信息的载体日益展露出举足轻重的地位。当今社会已全面步入信息化时代,大数据经济作为新世纪的主导产业将成为引领经济发展的动力。面对具有高度随机性、偶然性和非线性的海量数据信息,有效筛选数据和挖掘数据中对经济发展和社会进步有帮助的信息显得十分重要。因此,越来越多国内外研究者关注于大数据时代下的数据挖掘和预测,以便增加经济收益并提高生产效率。近年来,国内外学者对时间序列预测方法及模型进行了大量研究,预测水平也因此得到大幅提升。研究表明以统计学为基础的模型尽管操作起来比较简单,但是现实生活中时间序列大多呈现出强烈的非线性,而对于非线性的数据列,基于统计方法的模型难以精准提取数据的有效信息,因此不易达到令人满意的预测效果。而神经网络方法具有很强的学习能力,以人工智能神经网络作为预测模型,能够充分提取数据列中的有效信息,解决了很多统计方法模型不能解决的问题。然而人工智能神经网络也存在模型自身的弊端,如过拟合、不同预测模型结果差异较大等问题,使得神经网络预测模型在时间序列预测中效果不佳。基于以上问题,考虑到不同组合方式构建的组合预测模型充分综合了不同模型的优点,而且在模型预测精度和预测有效度等方面得到显著提高,预测效果往往优于单一模型预测。为解决上述问题,本文提出了一种基于CEEMD分解去噪技术、改进的DEGWO优化算法和四个单一神经网络(BPNN、ENN、ELM、SVM)构成的CEEMD-DEGWO组合模型,采用改进的差分优化灰狼算法来优化组合模型中单一神经网络的权值和阈值以构建组合模型用于CCI预测。同时为验证新提出的CEEMD-DEGWO组合模型具有最好的预测有效度,多步滚动预测机制、假设检验、四个模型评价指标、五组不同的实证研究及15个对比预测模型全部引入文中构建一套科学而合理的评价体系,对本文提出的混合预测模型CEEMD-DEGWO组合模型做出系统评估,深挖算法的寻优能力和模型的预测性能。为验证新提出CEEMD-DEGWO组合模型的有效性,本文选取消费者信心指数数据是来自中经网数据库1999年1月至2018年4月共232个月的CCI同比数据。通过第四章实证研究结果可以表明:15个对比模型(BPNN、DEGWO-BPNN、CEEMD-BPNN、Elman(ENN)、CEEMD-ENN、DEGWO-ENN、ELM、CEEMD-ELM、DEGWO-ELM、SVM、CEEMD-SVM、DEGWO-SVM、GM、等权组合模型、多元回归组合模型)的MAPE值分别为3.47%、2.50%、2.37%、2.56%、2.16%、2.04%、2.58%、1.68%、2.08%、3.63%、1.59%、3.10%、3.46%、1.95%、1.78%,新提出的CEEMD-DEGWO组合模型的MAPE值为1.55%。因此,相较于其他15个对比模型,本研究所提出的组合模型在对消费者信心指数进行预测时具有最好的预测精度。与此同时所提出的组合模型在各点的MAPE值波动最小,充分显示该模型能够提高CCI预测的准确性和稳定性。此外,DM检验和预测可用性的讨论增加了组合模型与本文涉及的其他模型相比的优越性。本文所提出的消费者信心指数预测模型将DEGWO优化后的组合神经网络用于CCI的预测,在实际应用中具有一定的前瞻性和现实意义。主要贡献和创新点如下:第一,在分解集成策略的基础上,采用数据预处理技术来消除高频噪声造成的负面影响,提取数据的主要特征。原始的CCI序列分解并重构为新的时间序列,降低CCI数据的不规则性,有效提高CCI预测性能。第二,基于群体智能进化技术,在灰狼算法中加入差分进化策略实现对灰狼个体的差分扰动从而更新灰狼群体的领导等级,通过一种新颖的权重确定方法来优化组合预测神经网络模型的权值和阈值。第三,在对CCI进行预测时,打破了以往研究采用单一模型的局限,创新性地使用新构建的组合预测模型,有效提高了预测精度和稳定性。第四,本研究对组合模型的预测性能进行了科学、全面的评价。评价系统采用了四项性能指标,通过比较不同模型四个指标的大小,验证得到新提出的CCI模型具有最好的预测精度。