基于滑动窗口的一类非负可变权组合预测方法
CSTR:
作者:
作者单位:

(1. 安徽大学经济学院,合肥230601;2. 安徽大学数学科学学院,合肥230601)

作者简介:

陶志富(1985-), 男, 讲师, 博士, 从事经济预测与决策分析、模糊集理论及其应用的研究;葛璐璐(1994-), 女, 硕士生, 从事时间序列分析和组合预测的研究;陈华友 (1969-), 男, 教授, 博士, 从事经济预测与决策分析、信息融合、模糊集理论及其应用等研究.

通讯作者:

E-mail: jeff.tao@vip.163.com.

中图分类号:

O211.1;F325.2

基金项目:

国家自然科学基金项目(71701001,71771001,71871001,61502003);安徽省社会科学创新发展研究课题(2019CX094).


Nnon-negative variable weight combination forecasting method based on sliding window
Author:
Affiliation:

(1. School of Economics,Anhui University,Hefei230601,China;2. School of Mathematical Sciences,Anhui University,Hefei230601,China)

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对基于结果的组合预测赋权问题,通过引入预测残差数据的变异系数和滑动窗口模型,给出一类基于滑动窗口和改进变异系数的组合预测时变权重确定方法.将传统基于预测数据层面的变异系数转移到预测残差数据层面,能有效消除传统变异系数由于数据数量级引起的数据变异程度被弱化的情况.结合滑动窗口模型,对已有的赋权方法和提出的基于改进变异系数的赋权方法进行调整,实现非时变权重向时变权重的过渡.实例分析表明,改进变异系数的有效性以及滑动窗口技术的引入能够有效提高组合预测精度.

    Abstract:

    For the weighting method in combination forecasting with multiple single predictions, a non-negative time-variant weighting method is given by combining the sliding window model and an introduced modified variation coefficient. Traditional variation coefficient on the level of predicted data is transformed to the level of predicted residual error data, in which the affection of mean in high level is deleted to avoid traditional variation coefficient in low level. Besides, by introducing the sliding window model, current existed weighting methods and the proposed weighting based on modified variation coefficient are improved, and the transformation from time-invariant weights to time-variant weights is realized. The numerical study shows the validity of the developed modified variation coefficient, which also shows the efficiency of the sliding window model in improving the combined forecasting accuracy.

    参考文献
    相似文献
    引证文献
引用本文

陶志富,葛璐璐,陈华友.基于滑动窗口的一类非负可变权组合预测方法[J].控制与决策,2020,35(6):1446-1452

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2020-05-15
  • 出版日期:
文章二维码