短期贷款

摘要： 中国人民银行3月11日公布金融数据显示,2月份人民币贷款增加1.23万亿元,同比少增1258亿元。专家认为,央行降准降息的可能性明显提升。数据显示,2月份人民币贷款增加1.23万亿元,同比少增1258亿元。分部门看,住户贷款减少3369亿元,其中,短期贷款减少2911亿元,中长期贷款减少459亿元;企(事)业单位贷款增加1.24万亿元,其中,短期贷款增加4111亿元,中长期贷款增加5052亿元,票据融资增加3052亿元;非银行业金融机构贷款增加1790亿元。

摘要： 2.18万亿元据中国人民银行2022年上半年金融统计数据,住户贷款增加2.18万亿元,其中,短期贷款增加6209亿元,中长期贷款增加1.56万亿元。68314亿元据国家统计局数据,2022年1~6月份,全国房地产开发投资68314亿元,同比下降5.4%;其中,住宅投资51804亿元,下降4.5%。

摘要： 1486亿元据央行《2022年7月金融统计数据报告》,7月份人民币贷款增加6790亿元,同比少增4042亿元。其中,短期贷款减少269亿元,中长期贷款增加1486亿元。28.6%据克而瑞研究中心数据,百强房企2022年7月业绩环比降低28.6%,百强仅TOP20仍在拿地,几乎全是国央企,房企融资总量连续4个月持续环比减少。

摘要： 据俄罗斯农业部官网3月15日报道,近年来,俄罗斯人工栽培蘑菇产量稳步增长。根据俄罗斯各地农业部门统计数据,2020年蘑菇产量增长80.2%,达8.63万吨,相当于2016年产量(9 700吨)的9倍。俄对蘑菇栽培行业的支持措施主要有优惠短期贷款(1年以内)和投资贷款(2~8年)。2020年俄农业部将蘑菇产品纳入农产品之列,相关生产者可按法律享受对农产品的优惠政策。

摘要： 随着我国经济环境的变化,商业银行面临传统业务息差收窄的压力,转型之路迫在眉睫。未来商业银行将以为实体经济提供更为便捷、低廉的融资资金为己任,以此来拓展更为广阔的业务空间。本文以商业银行现有业务品种短期贷款(下称"短贷")和商业承兑汇票(下称"商票")作为研究对象,推理这两种产品间的演变逻辑,以此来论述未来商票市场的发展前景。未来,企业将对短贷价格敏感度增加,商票市场将以其价格优势转换部分企业的流动性贷款需求,当商票市场发展至一定阶段,银行间市场创新产品如标准化票据将迎来发展空间。

摘要： 只有做到开发云技术、提供云技术公司的自治与可检验,才是云技术可信的开始。基于云能力的银行变革正在大量产生指数级的溢价,英国短期贷款平台Wonga已经使用第三方的云数据进行风险评估,客户仅提供个人基本资料和银行信息就能在数秒内获得贷款;UBS为高净值客户提供基于云的高效VIP服务,客户发出的资产调整请求,系统几秒内就能完成处理。再比如英国的Monzo、Transferwise等新兴银行的出现,都将深刻地改变整个金融生态的面貌。

摘要： 本文分析了短期银行贷款比中期银行贷款在资金使用成本上的优势。提出了短款长用的思想，并以图文的方式阐明了具体操作过程。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于长短期记忆网络的风电功率短期预测方法，包括长短期记忆神经网络训练算法、短期风电预测误差分布算法和风电机组发电功率短期预测模型设计。本发明从深度学习网络出发，建立基于长短期记忆网络算法(LSTM)风电功率预测模型，以高斯混合模型(GMM)分析短期风电功率预测的误差分布特点。本发明通过GMM模型可以得到二台机组不同的置信区间。证明了LSTM方法具有更高的精确度和更快的收敛速度，GMM方法对于风电调度具有实际应用价值。

摘要： 本发明公开了一种基于小波长短期记忆网络的超短期风电功率预测方法，根据历史数据生成输入变量，以所对应的风功率历史数据作为输出，得到训练样本；采用小波分析方法对训练样本进行三级小波分解，得到四个小波样本，利用长短期记忆网络模型对四个小波样本分别进行训练，得到训练后的小波长短期记忆网络预测模型；根据四个小波样本的待预测时刻的实际数据生成测试输入数据，并输入到预测模型，其输出即为待预测的时刻的超短期风电功率预测值。本发明将小波分析方法与长短期记忆深度网络结合，可以同时实现数据的平稳化处理与深度学习，提高了预测的精度，增强了模型的泛化能力。

摘要： 本发明提供一种基于长短期记忆神经网络(Long Short‑TermMemory，LSTM)的规模风电超短期功率预测误差修正方法，包括：首先利用改进的核密度估计得出误差的概率密度曲线；其次，采用LSTM对预测误差数据进行深度学习，以风电的预测误差为输入，以下一时刻的误差为输出，得到误差的预测值；最后，根据粒子群算法得到合适的置信区间对误差进行合理分层，根据分层区间和误差预测值，结合风电预测误差的时序特征，制订预测误差的分层补偿策略，得到一种具有较强泛化性的预测误差补偿模型。

摘要： 本发明公开了一种基于长短期记忆网络的短期负荷预测方法，采集短期负荷数据，将所采集的短期负荷数据作为训练样本进行VMD分解，得到n个随机分量IMF；对于分解出的n个分量，每个分量构建对应的WOA‑LSTM模型，利用WOA对模型中的LSTM参数寻优，找出最合适的参数；采用最优参数的LSTM分别对分量数据IMF进行训练，得到各个分量的预测结果；基于分别寻优后构建的LSTM模型，分别利用LSTM模型对短期负荷数据进行测，每个LSTM模型输出相应的预测结果；通过将所有预测结果进行相加得到最终的负荷预测结果。

摘要： 本发明公开了一种基于改进长短期记忆神经网络的短期光伏发电预测方法，该方法对短期光伏发电预测需要数据进行数据分析得到训练数据集；构建长短期记忆神经网络，并将训练数据集输入长短期记忆神经网络进行训练；采用麻雀算法优化长短期记忆神经网络参数，得到优化后的长短期记忆神经网络，优化后的长短期记忆神经网络输出短期光伏发电功率预测值。即通过历史多维度、多时间尺度、高关联的数据进行短期光伏发电功率预测，从而缓解配电网中光伏发电的不确定性；采用麻雀算法优化长短期记忆神经网络参数，进一步提高预测效果。通过本发明的实施，能够较好的利用气象数据并提高短期光伏功率的预测精度，实现电网的经济和稳定运行。

摘要： 本发明专利公开一种基于长短期记忆神经网络的燃气短期负荷预测方法，该方法运用主成分相关分析(PCCA)算法、小波阈值去噪(LMD)算法及局部均值分解优化(WTD)算法优化长短期记忆神经(LSTM)网络模型，并运用该种新的燃气负荷组合预测方法，对城市燃气负荷量进行预测分析，PCCA‑LMD‑WT D‑LSTM预测模型在城市燃气负荷预测中，采用该种模型获得的最终MAPE精度均属于高精度水平，该模型预测结果优于单一的LSTM模型、BPNN模型和GRU模型。本发明解决了传统循环神经网络中的长时期依赖问题，适用于数据长度大的时间序列预测，且稳定性更高，可靠性更强。

摘要： 本发明公开了一种改进双向长短期记忆网络的风电功率超短期预测方法，包括如下步骤：对训练样本进行数据预处理；采集风电场的历史风功率数据向量，选取数值天气预报中与风电功率数据相关性最大的数据，并进行归一化处理；在双向长短期记忆网络和全连接层之间融入注意力机制模型，利用训练集对改进双向长短期记忆网络算法模型进行训练和参数优化；将测试集输入改进双向长短期记忆网络模型建立风电功率超短期预测模型，计算风电功率一小时后输出值Ppre。本发明利用双向长短期记忆网络对历史功率数据以及数字天气预报的双向记忆性能，融入注意力机制，对双向长短期记忆网络的隐藏层输出进行加权，有效的提高了预测精度。

摘要： 本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

摘要： 本发明涉及一种基于长短期记忆网络的光伏发电功率短期预测方法，包括:使用Pearson相关系数确定与发电功率高度相关的天气数据特征，使用LSTM网络模型建立了输入天气数据特征与输出发电功率之间的非线性关系，并捕捉了时间序列的相关性，针对季节和天气类型划分原始输入数据集，提高模型预测精度，对基于季节和天气类型的LSTM模型预测结果进行线性拟合处理，进一步提高模型预测的准确度。