基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

ARIMA和SVR应用于供水管网爆管识别的对比研究

以真实城市供水管网监测数据为研究对象,构建了 ARIMA模型和SVR模型2种典型的时间序列预测模型.在正常和发生爆管2种不同工况下分别基于历史数据进行预测.对预测结果进行对比分析得到,ARIMA模型和SVR模型在正常工况下的精度相近,但SVR模型在爆管发生时的预测结果能产生更大的残差,相较于ARIMA模型更适合于数据驱动的爆管识别方法.     

基于LSTM的电力通信流量预测

随着电网逐步智能化,电力通信网承载的业务系统不断扩大升级,传统的网络流量模型己无法很好的拟合现有的网络流量,建立基于海量数据的电力通信网络流量预测模型具有重要意义。针对电力通信网网络业务流量所呈现的随机性和波动性特点,提出了一种基于长短时记忆(LSTM)和支持向量回归(SVR)的新型混合预测模型以提高短期网络流量预测的准确性。该模型首先采用变分模态分解(VMD)提取流量序列的固有模态,降低噪声的随机性影响,然后采用LSTM分别对各本征模态进行拟合,充分挖掘流量序列在时间上的分布特征,最后考虑流量影响因素,采用SVR拟合残差余量,并将所有子预测模型进行叠加整合。该模型使用实际数据为研究对象进行仿真预测,结果表明,该模型可有效提高模型的预测精度。     

灰色-多元回归组合模型在逆向物流预测中的应用

逆向物流量的有效预测有助于产业发展规划的制定和基础设施建设的可行性研究。针对逆向物流不确定性因素的特点采用灰色GM（1,1）模型和多元线性回归模型两种单项预测模型对数据进行建模,并结合组合预测理论,采用基于预测有效度的组合预测模型进行预测。结果表明组合预测模型的预测精度明显高于两种单项预测方法,证明了该方法用于逆向物流需求预测的可行性和有效性。     

一种基于改进GM(1,1)模型的短期电力负荷预测算法研究

针对已有GM(1,1)灰色预测模型在数据波动、突变、转折等不确定情况下预测精度较差的问题,本文提出一种基于关联系数分析的分段多方案优选组合短期电力负荷预测模型.基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,通过对预测日的灰关联分段和优选组合,避免由于初始条件选择不当而将误差引入模型并随之被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响.经南方电网广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显的提高,完全可满足该地区短期电力负荷预测的实际要求.     

我国图书、期刊和报纸出版数量预测研究

利用<中国统计年鉴>公布的数据,采用自回归自适应滤波方法建立了图书、期刊和报纸出版数量的预测模型,并对2010年的图书、期刊、报纸出版数量进行了预测.模型预测检验表明,除了期刊总印数、报纸种数和报纸总张数的预测模型外,其他预测模型的预测精度都非常高.     

基因表达式编程在矿山地表变形预测中的应用研究

根据基因表达式编程方法,利用其强大的数据挖掘和函数发现能力建立矿山地表变形预测模型,将模型预测结果与传统的GM(1,1)预测模型预测结果对比分析,实验表明,基于GEP算法矿山地表变形预测模型的预测精度也优于传统的GM(1,1)预测模型。     

大数据下基于数据挖掘的商品热门程度预测研究

为了优化企业商品销售决策方案,提高商品热门程度预测的准确率,本文基于热度曲线进行分类建模,并且构建商品的关注聚焦程度及消费者购买程度指数,对数据的处理与预处理进行阐述,最后运用时间序列和回归分析进行实例仿真,分别得到关注聚焦程度和消费者购买程度指数,进而对这些指数进行排名。实验表明,预测结果与实际结果基本一致,预测效果良好,具有一定的研究价值。文章结合预测商品热门程度的实际应用背景,提出了能有效克服预测模型预测精度不高这一缺点的商品热门程度预测模型,并推导出组合预测模型权重确定公式。     

基于神经网络的房屋销售面积预测研究

房屋销售面积的预测直接影响房地产开发商的投资额,而多种不稳定因素又给预测带来了困难。传统的基于统计方法的预测模型比较成熟,但缺点是适用性差、实时性不强,不能反映预测过程中的不确定性与非线性,其预测值和实际值常有较大的误差。人工神经网络能很好地处理非线性问题。在预测模型中引入神经网络和传统的线性回归方法,共同处理模型中的线性及非线性因素,以达到降低误差的目的。实验结果表明,该模型能达到有效的预测结果,     

基于RBFN与SVR比较的信息评价研究

SVR是一种基于统计学习理论的机器学习方法SVM回归学习中的应用.其方法实现了数据空间与特征空间之间的非线性映射,建立在此基础上的sVR也就具备了优秀的非线性预测能力.最后,基于RBFN和sVR的理论基础,结合供应商评价指标体系,以供应商信息评价为例,进行了信息评价实证研究并对结果进行了分析.     

基于独立分量分析与小波神经网络的时间序列预测

对时间序列的预测是一项重要的数据挖掘技术。本文将独立分量分析方法和小波神经网络相结合,建立一种ICA—WNN预测模型,并应用于风力发电功率时间序列预测。仿真结果表明所建模型具有较好的泛化性能,得到了较高的预测精度。     

准确把握电力负荷发展规律切实做好电力负荷预测工作

基于电力负荷预测的方法,综合分析了经济发展水平、人民生活水平、电力消费结构和气温气候等主要因素对电力负荷预测的影响。结合新疆电力负荷预测的特点,提出做好新疆电力负荷N~,l-z-作的几点建议。为避免因电力负荷预测误差过大造成严重后果,准确把握电力负荷发展规律,提高电力负荷预测准确率水平,提升电力负荷预测的专,Jk4Jc水平,本文在基础数据准确性、数据库完备性、降低大用户电力负荷波动影响和完善电力负荷预测管理水平等方面进行了详细的阐述。     

综合周期、均值回复和跳跃特性的BDI指数预测研究

BDI指数的预测对于航运市场经营管理具有重要地指导作用。本研究构建了基于周期、均值回复和跳跃特性的BDI指数O-U随机预测模型,主要创新点有：一是分析了BDI指数的周期、均值回复以及跳跃特性,将该三大特性纳入BDI指数随机预测模型,有效提升了BDI指数预测理论科学性。二是借助O-U随机过程,建立了基于周期、均值回复以及跳跃特性BDI指数预测模型,同时,利用Fourier级数函数估计周期参数,借助一阶自回归估计均值回复参数,以及Gamma分布和双指数分布来估计跳跃参数,解决了参数较多、估计难度较大的问题。三是采集2013年-2015年BDI指数日数据进行拟合,并借助蒙特卡罗方法对2016年上半年BDI指数开展了预测,结果表明本模型预测精确度较高。     

太阳能预报方法及其应用和问题

太阳能预报包括预测太阳辐射量和光伏发电功率,对光伏发电系统并网运行有重要意义,是当前太阳能开发利用的一个关键问题。本文对国内外太阳能预报方法进行了扼要的评述,归纳了太阳能预报的机理及其方法在光伏发电中的应用。太阳辐射的预报方法主要有传统统计、神经网络、卫星遥感和数值模拟等方法。文中基于光伏发电应用的需求,分析了不同预报方法的优点和不足,并探讨了若干有待进一步改善的问题,展望了国内太阳能预报技术方法的发展和应用前景。     

GRAPES模式在华南沿海风电场精细风场预报中的应用

将GRAPES模式通过嵌套降尺度、垂直网格加密等精细化处理手段和边界层参数化方案的优选,为华南沿海风电场提供精细风场预报。气象模式分别采用6km×6km和1km×1km水平分辨率,并配置不同分辨率的地形和下垫面资料。边界层参数化方案分别采用GRAPES自带的MRF方案和MYJ方案针对不同天气类型进行预报。将预报结果与测风塔同期观测资料进行比较评估,结果表明:模式分辨率的提高并结合较精细的地形和下垫面资料,能有效提高风速的预报精度;通过精细化处理,GRAPES模式对风力发电的各风速段预报效果都有明显改善;模式边界层参数化方案的选取与地形、主导风向和大气稳定度的配置密切相关,通过对天气形势的预判断和集合预报结果的后处理,能够有效提高风速的预报精度。     

KNN价格预测模型的研究与改进

提出了一种对商品不同特征值缩放的方法,改进了KNN价格预测模型,并对改进后的预测结果做了研究分析。分析得出：对基于KNN算法的价格预测模型的改进是有效的,提高了预测准确度。     

短期太阳能光伏发电预测方法研究进展

提高短期光伏发电预测水平是太阳能光伏发电站并入现有电网系统和太阳能光伏开发利用的关键问题,对提高太阳能光伏发电开发利用、保证并网安全也具有重要意义.本文对国内外短期太阳能光伏发电预测方法进行了分类归纳总结,对各类方法的发展趋势、优缺点等进行了分析.结果表明,统计智能类预测方法是国内外小型光伏电站短期光伏发电量预测技术发展的重点,总体平均预测误差在3.0％～ 11.0％之间.简单物理模型类预测方法是目前国内外大中型并网光伏电站业务运行采用最多的短期光伏发电量预测方法,总体平均预测误差在5.0％～20.0％之间.复杂物理模型类预测方法是未来大型光伏电站短期发电量预测技术研究和发展应用的主要方向.文章结论对我国短期太阳能光伏发电预测技术的发展具有促进作用.     

改进BP算法的辽宁省人均GDP预测研究

由于人均GDP时间序列具有复杂和非线性的特征,传统预测方法在预测分析时往往会产生很大的误差.运用Matlab软件采用不同的改进BP算法来建立和训练网络预测模型,以观测不同算法的精度和有效性;最后运用预测模型对辽宁省人均GDP进行了预测.     

Forecasting hourly attraction tourist volume with search engine and social media data for decision support

Developing a tourism forecasting function in decision support systems has become critical for businesses and governments. The existing forecasting models considering spatial relations contain insufficient information, and the spatial aggregation of simple tourist volume series limits the forecasting accuracy. Using human-generated search engines and social media data has the potential to address this issue. In this paper, a spatial aggregation-based multimodal deep learning method for hourly attraction tourist volume forecasting is developed. The model first extracts the daily features of attractions from search engine data; then mines the spatial aggregation relationships in social media data and multi-attraction tourist volume data. Finally, the model fuses hourly features with daily features to make forecasting. The model is tested using a dataset containing several attractions with real-time tourist volume at 15-minute intervals from November 27, 2018, to March 18, 2019, in Beijing. And the empirical and Diebold-Mariano test results demonstrate that the proposed framework can outperform state-of-the-art baseline models with statistically significant improvements at the 1% level. Compared with the best baseline model, the MAPE values are reduced by 50.0% and 27.3% in 4A attractions and 5A attractions, respectively; and the RMSE values are reduced by 48.3% and 26.1%, respectively. The method in this paper can be used as a function embedded in the decision support system to help multi-department collaboration.     

组合预测模型在宁波港口集装箱吞吐量的预测研究

选取2002-2010年宁波市港口集装箱吞吐量数据,分别建立灰色预测模型与三次指数平滑模型,在两种模型基础上进行加权组合,建立科学的组合预测模型,并对"十二五"规划期间2011-2015年宁波港集装箱吞吐量进行预测。分析结果表明:组合模型的高精度预测可以对今后一个时期宁波港口发展和改革的战略以及可持续发展的建港提供思路。