一种线性插补与自适应滑动窗口价格预测模型

山东大学学报(工学版) ›› 2012, Vol. 42 ›› Issue (5): 53-58.

一种线性插补与自适应滑动窗口价格预测模型

朱全银1,严云洋1,周培1,谷天峰2

1.淮阴工学院计算机工程学院, 江苏淮安 223003; 2. 河海大学水文水资源学院, 江苏南京 210098

收稿日期:2012-02-29 出版日期:2012-10-20 发布日期:2012-02-29
作者简介:作者简介:朱全银(1966- ), 男, 江苏盯眙人，教授, 主要研究方向为智能信息处理、接口与通信. E-mail:hyitzqy@126.com
基金资助:
国家星火计划资助项目(2011GA690190); 淮安市科技计划资助项目(HAG2011052,HAG2010066,HAG2011045); 江苏省青蓝工程资助项目; 淮安市“533英才工程”资助项目

Price forecasting model based on linear backfilling and adaptive sliding windows

ZHU Quan-yin1, YAN Yun-yang1, ZHOU Pei1, GU Tian-feng2

1.Faculty of Computer Engineering, Huaiyin Institute of Technology, Huaian 223003, China; 2. HydrologyWater Resources and Hydraulic Engineering, Hohai University, Nanjing 210098, China

Received:2012-02-29 Online:2012-10-20 Published:2012-02-29

摘要/Abstract

摘要：

因为基于Web数据挖掘的商品价格预测的准确率都不高,所以为了提高价格预测的准确率,提出了一种基于线性插补与自适应滑动窗口的商品价格预测方法,给出了将线性数据插补方法与自适应滑动窗口结合的商品价格预测模型,并将该商品价格预测模型应用于手机与黄金价格的预测。实验结果表明,该预测模型获得了99％以上的预测准确率,提高了网页商品价格数据抽取的抗噪性能,解决了现有销售商只有历史销售价格数据没有基于多个销售商的预测价格问题,可以为商品的市场预测与分析提供依据。

关键词: 商品价格, 数据挖掘, 预测模型, 线性插补, 自适应滑动窗口

Abstract:

The accuracy rate of commodities price forecast based on Web mining is lower because of the network noise. In order to increase this accuracy rate, a novel price forecast method and a comprehensive price forecast model based on the linear backfilling and adaptive sliding windows algorithm were proposed. This comprehensive price forecast model was utilized in the commodities price forecast for cell phone and gold market. Experimental results showed that the mean absolute error of this proposed model could get more than 99 percent accuracy rate. In addition, the antinoise performance of the webpage commodity price data extraction was improved. At the same time,this method could also solve the problem that the existing vendors only had the historical sales price data but did not have the forecasted price based on a plurality of vendors, which could also provide basis for the commodities market forecast and analysis.

Key words: commodity price, data mining, forecasting model, liner backfilling, adaptive sliding windows

中图分类号:

TP391

朱全银1,严云洋1,周培1,谷天峰2. 一种线性插补与自适应滑动窗口价格预测模型[J]. 山东大学学报(工学版), 2012, 42(5): 53-58.

ZHU Quan-yin1, YAN Yun-yang1, ZHOU Pei1, GU Tian-feng2. Price forecasting model based on linear backfilling and adaptive sliding windows[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2012, 42(5): 53-58.

参考文献

相关文章 15

[1]	耿麒,李晓斌,黄雨枫,汪学斌,杨沐霖,郭惠川,章慧健. 基于小尺度滚刀直线切割试验的岩石强度预测[J]. 山东大学学报 (工学版), 2025, 55(3): 111-120.
[2]	周彦冰,马士伦,文益民. 基于图结构的概念漂移检测[J]. 山东大学学报 (工学版), 2025, 55(2): 88-96.
[3]	王梅,宋凯文,刘勇,王志宝,万达. DMKK-means——一种深度多核K-means聚类算法[J]. 山东大学学报 (工学版), 2024, 54(6): 1-7.
[4]	那绪博,张莹,李沐阳,陈元畅,华云鹏. 基于ODCG的网约车需求预测模型[J]. 山东大学学报 (工学版), 2023, 53(5): 48-56.
[5]	聂秀山,马玉玲,乔慧妍,郭杰,崔超然,于志云,刘兴波,尹义龙. 任务粒度视角下的学生成绩预测研究综述[J]. 山东大学学报 (工学版), 2022, 52(2): 1-14.
[6]	张妮,韩萌,王乐,李小娟,程浩东. 基于索引列表的增量高效用模式挖掘算法[J]. 山东大学学报 (工学版), 2022, 52(2): 107-117.
[7]	杨明, 杜萍静, 刘凤全, 郝旭鹏, 孛一凡. 能源消费发展及预测方法综述[J]. 山东大学学报 (工学版), 2020, 50(1): 56-62.
[8]	郑店坤,许同乐,尹召杰,孟庆民. 改进PSO-BP神经网络对尾矿坝地下水位的预测方法[J]. 山东大学学报 (工学版), 2019, 49(3): 108-113.
[9]	杨思, 李思童, 张进东, 白羽. 高速光通信激光器带宽模型改进与并行计算优化[J]. 山东大学学报 (工学版), 2019, 49(1): 17-22.
[10]	谢国辉,樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88.
[11]	庞人铭,王波,叶昊,张海峰,李明亮. 基于PCA相似度和谱聚类相结合的高炉历史数据聚类[J]. 山东大学学报(工学版), 2017, 47(5): 143-149.
[12]	何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[13]	周哲, 商琳. 一种基于动态词典和三支决策的情感分析方法[J]. 山东大学学报(工学版), 2015, 45(1): 19-23.
[14]	施珺,朱敏. 一种基于灰色系统和支持向量机的预测优化模型[J]. 山东大学学报(工学版), 2012, 42(5): 7-11.
[15]	王爱国,李廉*,杨静,陈桂林. 一种基于Bayesian网络的网页推荐算法[J]. 山东大学学报(工学版), 2011, 41(4): 137-142.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed