江蘇蘇源高科技有限公司 王征美

基于JAVA與MATLAB實現投資預測應用

江蘇蘇源高科技有限公司 王征美

有效運用Matlab和Java集成開發(fā)，結合投資預測模型算法，較便捷地實現投資預測應用功能，為投資管理提供信息系統支撐。

多元線性回歸；BP神經網絡；灰色系統

引言

MATLAB矩陣工廠，用于算法開發(fā)、數據可視化、數據分析以及數值計算，其強大而高效的處理功能，讓人們從繁雜的數學運算分析中解脫出來。而JAVA是一種跨平臺，適合于分布式計算環(huán)境的面向對象編程語言。本文主要介紹運用兩者的優(yōu)勢相結合，共同實現投資預測的應用。

1.建設目標

充分利用信息化手段輔助實現投資計劃預測，為有效管控和科學安排年度投資計劃，優(yōu)化資源配置提供信息系統支撐。通過對投資影響因素及歷史數據分析，科學預測，為投資計劃提供理論依據。

2.系統架構

2.1 業(yè)務架構

通過投資預測管理應用功能的建設，收集基礎數據，運用多元線性回歸、BP神經網絡、灰色系統、組合算法相結合，建立投資預測模型。

多元回歸分析預測法[1]，是指通過對兩個或兩個以上的自變量與一個因變量的相關分析，建立預測模型進行預測的方法。當自變量與因變量之間存在線性關系時，稱為多元線性回歸分析。根據歷史的樣本數據，建立多元線性回歸的預測模型；從而在不需要未來樣本數據的情況下，預測未來時刻多元線性回歸模型中的回歸參數[2]。

BP神經網絡算法是一種有監(jiān)督式的學習算法，其主要思想是：輸入學習樣本，使用反向傳播算法對網絡的權值和偏差進行反復的調整訓練，使輸出的向量與期望向量盡可能地接近，當網絡輸出層的誤差平方和小于指定的誤差時訓練完成，保存網絡的權值和偏差[3]。

灰色預測（GM）通過鑒別系統因素之間發(fā)展趨勢的相異程度，即進行關聯分析，并對原始數據進行生成處理來尋找系統變動的規(guī)律，生成有較強規(guī)律性的數據序列，然后建立相應的微分方程模型，從而預測事物未來發(fā)展趨勢的狀況[4]。組合算法是一種基于群體智能的新興演化計算技術，廣泛用于解決科學研究和工程實踐中的優(yōu)化問題。

2.2 應用架構

投資預測系統基于統一門戶登錄，集成統一權限，主要包括：基礎數據、基本算法、組合算法、預測分析四個模塊。

基礎數據部分，包括：歷年GDP、售電量、統調負荷、實際投資額等數據收集。

基本算法部分，包含：線性回歸分析、BP神經網絡、灰色系統三個基本算法，提供按單位、年度、電壓等級等篩選方式。

組合算法分布，包含：系數調整設置、組合算法功能。根據實際業(yè)務需要，調整基本算法計算出的系數值，從而進行組合優(yōu)化計算。

預測分析部分，將四種算法計算結果和實際投資進行對比分析展示，便于直觀瀏覽。

2.3 技術架構

系統采用多層架構的技術方式，分為視圖層、控制層、業(yè)務邏輯層、數據訪問層，通過各層次系統組件間服務的承載關系，實現系統功能。

視圖層主要完成用戶交互功能。數據的展示主要使用Extjs、HightChart組件完成，向服務器提交的數據提交到后臺的Action類進行處理。

控制層使用Struts的Action來實現，通過內置MVC開發(fā)模式分離頁面數據處理、流轉控制、頁面生成?？刂茖诱{用業(yè)務邏輯層進行業(yè)務處理。

業(yè)務邏輯層由一系列Service組成，主要進行業(yè)務處理，每個Service是一組緊密關聯的業(yè)務功能。業(yè)務邏輯層用JavaBean來實現業(yè)務邏輯層功能，用MatLab來實現線性回歸、BP神經網絡、灰色系統、組合優(yōu)化四個核心算法模型。

數據訪問層主要負責訪問關系數據庫等數據源并把數據轉換為Java對象供其它層的程序調用。

3.系統實現

用Matlab和JAVA共同實現投資預測應用，依據業(yè)務模型可以并行實現Matlab算法類庫和JAVA應用功能。

1）首先要配置環(huán)境變量，JAVA和Matlab使用的JDK運行環(huán)境保持一致，便于調試成功。

2）接著用MyEclipse建立web應用，實現基礎數據收集、投資預測的頁面展示功能。

3）可以并行用MatLab建立一個Project，利用MatLab強大的函數功能實現多元線性回歸算法、BP神經網絡算法、灰色系統算法、組合算法，建立不同的M文件，測試驗證后打成Jar文件。

4）將MatLab生成的javabuilder.jar和mat.jar包拷貝到MyEclipse工程的lib中，即可實現Java調用Matlab的函數。

5）若系統是在Linux環(huán)境下部署，需在Linux環(huán)境安裝MCRInstaller，并配置運行時環(huán)境變量。

4.結語

項目實踐過程表明，利用MATLAB和JAVA進行優(yōu)勢互補，縮短了開發(fā)時間，降低了實現復雜度，讓人們可以更多地關注業(yè)務模型的建立，用戶交互體驗設計方面，拓展了技術實現的可行性。

[1]王華麗.多元線性回歸分析實例分析[J].科技資訊,2014,12(29):22+24.

[2]王惠文,孟潔.多元線性回歸的預測建模方法[J].北京航空航天大學學報,2007,(04):500-504.

[3]梁海峰,涂光瑜,唐紅衛(wèi).遺傳神經網絡在電力系統短期負荷預測中的應用[J].電網技術,2001,(01):49-53.

[4]王成山,楊軍,張崇見.灰色系統理論在城市年用電量預測中的應用——不同預測方法的分析比較[J].電網技術,1999,(02):17-20.