现阶段人民币汇率机制比较富有弹性,以至于人民币汇率一直处于直线上升趋势。为了研究人民币汇率的发展趋势,文章以研究美元对人民币汇率作为媒介,利用Matlab为工具平台,首先验证了RBF神经网络对人民币汇率进行短期预测的可能性,并利用其对人民币汇率趋势进行分析,并得出了政府必须加强对汇率控制力度,以稳定住人民币对美元的汇率。

煤自燃是煤矿的主要自然灾害之一。煤自燃的物理化学过程十分复杂,且影响因素众多,给煤自燃危险性的预测带来很大的挑战。利用深度学习理论与方法加强对煤自燃危险性预测技术的研究,有助于提升煤矿安全生产智能化管控水平。该研究运用循环神经网络(RNN)、长短期记忆(LSTM)网络和门控循环单元(GRU) 3种算法,建立了采空区CO动态序列预测模型。对数据集进行特征变量分布检验以及数据归一化处理,降低了变量依赖性。在模型构建过程中,添加了全连接层和Dropout类以避免模型出现过拟合,通过均方误差确定模型的选代次数,引入了平均绝对误差、均方根误差和确定系数3个模型性能检验指标,分析优化了模型的参数,检验了模型性能。研究结果表明:RNN、 LSTM和GRU模型均能实现对CO体积分数的动态预测,且误差小于1%;在同一序列数据下, LSTM模型预测精度最高,其次是RNN模型和GRU模型。

将小波神经网络应用于 S&P5 0 0短期走势预测 ,应用从 1 998年 3月 2 0日至 1 999年 4月 2 6日 S&P5 0 0的每周数据 ,建立小波神经网络预测模型。训练后的小波神经网络不仅能准确地拟合 S&P5 0 0的历史数据 ,而且能较精确地预测未来的短期走势。结果表明 S&P5 0 0的小波神经网络预测模型比神经网络模型更为优越

电力市场环境下短期电价预测面临全新挑战，其预测结果的准确性对市场主体报价决策具有重大意义。对此，本文提出一种基于样本权重的深度神经网络（Deep Neural Network,DNN）短期电价预测方法，通过对样本进行筛选并为不同训练样本赋予相应的权重，有效提升DNN模型的电价预测精度。样本权重赋值方法的两个重要步骤为：（1）通过计算样本数据间的欧式距离衡量样本间的相关程度，并以此为依据挑选训练样本；（2）根据各训练样本数据与预测日数据之间的欧式距离为训练样本赋予不同权重，使得DNN能有选择、有重点地对训练样本进行学习。模型构建后，对2020年1月美国PJM实际电价数据进行虚拟预测，结果表明：所提方法能有效提升电价预测的准确性和可靠性，可为市场环境下市场主体提供可靠的决策依据。

城市化进程提升促使城市环境污染加剧、能源消耗激增、人口密度过大等问题的深层次原因在于城市代谢失调。为精准预测北京市城市代谢变化趋势,论文通过能源消费量及人类活动时间指标测算了1980—2016年北京市体外能代谢率,表征城市代谢程度。据此运用长短期记忆神经网络模型(LSTM)预测了2017—2022年北京各部门体外能代谢率。结果表明:①基于长短期记忆神经网络的城市代谢预测模型精度较高,能够对北京各部门体外能代谢率进行更为精准的预测;②2017—2022年间,北京第一产业和总体外能代谢率呈下降趋势,其中第一产业在2017年达到峰值,第二、第三产业及生活部门体外能代谢率将呈现增长趋势。③除第一、第三产业和总体外能代谢率外,历史变化的时间扰动幅度先小后大。④对各部门体外能代谢率EMRT的影响贡献度最大的因子为第二产业体外能代谢率EMR2,最小的为第一产业体外能代谢率EMR1。论文研究结果可为政策制定者优化城市管理方案、提升城市综合实力提供理论依据和决策支持。

【目的】木材密度不仅与木材的各种材性密切相关，而且是衡量木材质量与价值的重要指标。采用近红外光谱（Near infrared spectroscopy, NIRS）分析技术能够快速、高效地预测木材密度，避免了传统试验中繁琐的检测步骤。长短期记忆网络(Long short-term memory network, LSTM)作为循环神经网络(Recurrent neural network, RNN)的变体，不仅可以学习序列数据之间的高阶特征信息，而且克服了RNN中的长距离依赖、梯度爆炸与梯度消失等问题。将LSTM与NIRS结合，提出一种能够准确预测樟子松木材气干密度的无损检测技术，为提高NIRS模型预测木材气干密度精度提供理论依据。【方法】该研究以樟子松木材样本为研究对象，用近红外光谱仪获得106个樟子松样本的光谱数据，并在恒温（20±2℃）恒湿（65%±3%）的环境下测定样本的气干密度。通过对比多组预处理方法和特征选择方法，采用Savitzky-Golay卷积平滑（Savitzky-Golay smoothing,SGS）等方法进行预处理，采用竞争性自适应加权算法（Competitive adaptive reweighted sampling, CARS）进行波段选择，剔除NIRS数据中的高频噪声与冗余信息，提升光谱数据质量、建模速度与精度。为验证LSTM模型预测能力，将其与偏最小二乘回归(Partial least squares regression, PSLR)、卷积神经网络(Convolution neural network, CNN)等建模算法对比分析。上述3种算法被分别应用于建立樟子松木材气干密度近红外预测模型。【结果】基于上述3种建模方法建立的NIRS模型均可实现樟子松气干密度的有效预测。且LSTM模型的预测精度与回归拟合度均优于PLSR与CNN模型。其中SGS+CARS处理后的LSTM模型的预测精度最高、泛化性能最强、拟合效果最好（R2=0.959,RMSEP=0.005,RPD=5.033）。【结论】通过对樟子松木材光谱数据与气干密度的采集，建立了一种新型的基于NIRS分析技术与LSTM的木材气干密度检测方法。LSTM预测模型相较于传统的回归模型，模型的预测精度更高，回归效果更好，鲁棒性更强。该检测方法既可保证木材的完整性，又可以提高气干密度的预测精度，实现了对樟子松木材气干密度的快速无损检测，为木材近红外光谱分析提供了可参考的模型与理论依据。

企业是市场的主体和产业的载体,目前阶段企业数的增长是衡量地区创新活力的重要标志。基于1988～2008年深圳企业数据,运用Logistic生长曲线、ARIMA模型和动态神经网络对2009～2011年深圳企业数进行短期预测,论证了企业数短期预测的可行性,并在预测结果的基础上分析了三种预测方法的优缺点。企业数短期预测的实现可以为相关政策的制定提供参考。

首先建立基于遗传BP神经网络的滚装运输市场货运量预测模型,然后采用川江滚装运输年度数据进行神经网络训练与预测。结果表明,遗传BP神经网络算法在预测的精度与收敛速度上均优于传统预测算法。预测结果为川江滚装运输企业战略规划和滚装运输竞争力的提高提供了决策支持。

准确分析人民币汇率波动特征并预测未来走势,对政府制定汇率政策和企业进行投资决策具有重要作用。本文采用MEEMD组合模型将人民币汇率序列分解并重构为代表市场投机因素的高频项、代表重大事件影响的低频项和代表人民币内在长期趋势的趋势项,分析不同影响因素对人民币汇率的影响,并对人民币汇率未来走势进行预测,据此提出稳定人民币汇率的政策建议。

随着中国经济的快速发展，物流业需求快速增长、规模不断扩大，也带来了能源消耗的增长。研究中国物流业能源消费水平以及能源需求，有利于物流业节能工作的开展、缓解能源压力。本文选取了影响物流业能源需求的１１个主要因素，基于径向基神经网络对２００１－２０１２年间中国物流业能源需求相关数据进行模拟与仿真，在此基础上对２０１６年和２０２０年物流业能源需求量进行了预测，并分析了１１个影响因素的重要性和测算了物流业的能源效率。研究结果表明：１２００１－２０１２年间中国物流业能源消耗总量在不断增加，随着物流业的进一步发展，到２０２０年物流业能源消费总量将达到５１２６１．９２万ｔ标准煤；２在解决物流业能源需求预测问．．．

现金流预测是项目投资决策和评价企业未来价值的关键性因素。本文通过采用滑动窗技术确定RBF神经网络的训练样本和测试样本,然后通过变换不同的分布函数值对模型进行建模和仿真。实证研究结果表明,RBF神经网络模型训练和仿真结果稳定,预测效果良好。

以成都市为研究区域,利用城镇建设用地和社会经济统计数据,从因素和时间二维角度出发,分别选用RBF神经网络模型和GM(1,1)模型,在模型比较优选的基础上对成都市城镇建设用地需求进行了预测。结果表明:RBF神经网络模型与GM(1,1)模型相比,前者的平均绝对误差和误差均方根较低,且线性拟合效果更佳,是一种精度较高的预测方法;据预测,近期2015年和远期2020年研究区城镇建设用地需求量将分别达到145 986.10hm2和182 321.26hm2,研究结果既能为具有类似数据"突变"特征的城市开展城镇建设用地需求预测提供方法借鉴,又能为研究区土地资源的可持续利用和土地利用总体规划的定期修编提供决...

消费者价格指数(CPI)对国家宏观经济运行监测及管理具有十分重要的作用,及时有效预测其未来走势有利于国家及时采取合理调控措施。为此,从价格决定理论出发,构建商品价格波动与个体网络搜索行为之间关系的逻辑框架,并建立利用网络搜索指数日频率数据实现对月度CPI预测的混频抽样数据模型(MIDAS)。模型模拟结果表明:(1)利用网络搜索高频数据的预测方法能提高CPI样本内拟合及样本外预测的精度;(2)利用网络搜索高频数据能够提高捕捉CPI趋势中"拐点"的成功率;(3)利用网络搜索高频数据能够在早于官方公布数据前大约半个月时间提供具有较高预测精度的CPI预测值。

证券市场中存在大量的非线性及混沌现象使得许多基于证券投资理论建议的各种线性模型在对其发展进行预测时往往得不到很好的结果。利用两种非线性预测模型并充分考虑各技术指标之间的序列相关性 ,在灰色GM (1 ,1 )预测模型的基础上提出了组合灰色神经网络预测模型。通过对近期深证成指及首钢股份进行短期预测和检验 ,结果表明了该方法具有很高的精确度及广泛的应用前景。

本文根据2004—2009年分季度中国生猪生产价格变化数据,利用ARIMA模型,短期预测了中国2009年第三、四季度和2010年第一、二季度的生猪价格变化。结果表明,根据ARIMA模型来预测中国生猪价格变化的精度较高,能准确地预见生猪价格短期波动,预计中国2010年猪肉价格可能会出现较大上扬。