基于BP神经网络和灰色模型的用电量增长组合预测

采用BP神经网络和灰色模型对我国人均净用电量进行组合预测。通过以往实际数据与预测结果比较。具有较高的预测精度,证明模型的可行性,并用此模型对我国未来几年人均净用电量进行了预测。     

改进的BP神经网络方法在用电量预测中的应用

在借助BP神经网络模型的优异功能的基础上,对它的采用黑箱操作、收敛速度慢等不足之处进行了某些改进,并将该模型在广东汕头市某区用电量预测中进行了初步应用,取得了较好的效果,说明了对该模型的改进具有重要的实际意义.     

基于BP神经网络的太阳能收集功率预测研究

在太阳能收集应用系统中,能量收集预测模块是进行合理的任务调度分配和系统平稳运行的重要保证。提出了基于BP神经网络的太阳能收集功率预测方法,优化了算法的参数选择,确定了算法预测性能指标。在真实太阳能收集功率数据集上对提出的算法进行了性能分析,验证了算法参数选择的正确性;与现有其它数据预测算法进行了一系列预测对比实验。实验结果表明,该预测算法具有良好的性能,在各算法预测性能指标上均具有一定优势。     

基于BP神经网络的厦门市房价预测

传统的房价预测方法主要是按时间序列进行的,而房价的走势除与历史房价有关外,还由人均居住使用面积、市区人口总数、人均可支配收入、人均消费性支出等多方面的因素决定。通过对影响厦门房价的多种因素进行分析,并预测这些数据的走势,利用BP神经网络进行仿真,得出厦门市房价的预测值,结果表明用此模型进行房价预测是十分精确的。     

BP神经网络在数据预测中的应用

数据预测是在分析现有数据的基础上来估算推测未来数据的过程。首先介绍了预测的重要性及常用方法,接着介绍了BP神经网络的原理以及结构,最后进行了BP网络预测方法应用,并在Matlab中进行了仿真。经实验验证,该方法可以获得较好的预测效果。     

BP神经网络在预测问题中可用条件的分析

介绍了BP神经网络的结构，分析了神经网络预测原理，指出神经网络是内插值，讨论了可应用神经网络进行预测的条件，并通过实例进行了验证。     

集装箱量预测的BP神经网络方法

介绍了BP神经网络的基本理论 ,建立了集装箱运量时间序列的BP神经网络预测模型。并将此模型应用于上海港集装箱运量的预测。结果表明 ,与传统的预测方法相比 ,该方法具有较好的非线性自适应能力和预测精度     

基于BP神经网络模型的通货膨胀预测

通货膨胀的诱因、预测与控制是各国政府、学者乃至普通民众关心的热点问题。运用交叉相关分析法对GDP增长率、M2增长率、工业生产者购进价格指数等因素与通货膨胀间的关系进行了定量分析,确定了各因素与通货膨胀之间的领先、一致和滞后关系;然后结合人工神经网络原理,以先前确定的领先指标作为输入信息建立了基于BP神经网络的通胀预测模型,最后根据模型预测结果,提出了控制通货膨胀的相关政策建议。     

基于BP神经网络的热轧钢材力学性能预测

将BP神经网络的理论和算法应用于轧钢力学性能的预测研究,采用实际的轧钢现场生产数据,建立工艺参数、化学成分与力学性能的映射模型。经过测试和评估,该BP网络能较好地预测轧钢产品的力学性能。     

基于BP神经网络的交通事故预测

交通事故的发生因受随机因素的影响而呈现出不确定性和非线性的特点。在分析交通事故与人口、车辆、道路、经济发展等因素关系的基础上,综合考虑影响交通事故的多种因素,建立了BP神经网络。进而,选取总人口、机动车驾驶员人数、公路密度、民用车辆、人均GDP作为交通事故预测模型的输入向量,以交通事故的四项指标作为输出向量,利用LM算法或GALM算法优化的BP神经网络模型对交通事故进行预测。实验表明,GALM算法优化的BP神经网络模型与BP神经网络或LM算法优化的BP神经网络相比,具有较高的精度和较快的收敛速度,能更好地适用于交通事故预测。     

基于BP神经网络对网站访问量的预测

讨论了利用BP神经网络对网站访问量的预测.在网络营销中网站访问量是衡量一个网站价值的重要指标,但由于网络本身就是一个复杂的非线性系统,很难预测,同时又受多种复杂外界因素影响,其宏观流量行为往往复杂多变,还受到很多未知因素的干扰,BP神经网络提供了一个很好的解决方案.     

遗传算法优化BP神经网络预测股指研究

股票价格受众多不确定性因素影响。为更精准地预测股票指数,首先利用具有良好非线性寻优能力的遗传算法优化BP网络初始权值阈值设置,然后构建一个以开盘价、最高价、最低价、收盘价、成交量、收盘价近5日移动平均线MA等6个输入变量、以下一天6个变量为输出变量的股指预测模型。对观察期内上证综指实证研究表明,经遗传算法优化后的BP 网络对股票指数预测平均误差为0.1%,其中成交量预测值比单纯BP神经网络算法误差减少0.71%,同时收敛速度得到提高。     

基于BP神经网络模型的商品房价格预测研究

鉴于目前商品房价格预测方法存在的问题,在分析影响商品房价格主要因素的基础上,提出采用BP神经网络建立商品房价格预测模型,利用果蝇-蛙跳算法优化BP网络初始权值和阈值等结构参数,选取某城市2000～2018年的商品房价格及其主要影响因素数据作为训练样本和测试样本.通过仿真分析表明:BP神经网络模型经过果蝇-蛙跳算法优化后能加快网络的收敛速度,提高商品房价格预测的精准度,对于政府部门进行房价宏观调控以及房产企业的运营管理都具有一定的参考价值.     

基于BP神经网络水库水质模拟预测

水库水质的优劣会受到环境中的物理、化学以及生物因素的影响,本文选用BP神经网络,以山西某水库2018—2020年实测水质指标共36组数据(23个实测水质指标)为数据集,建立双隐含层BP神经网络,采用sklearn中MLPRegressor建立回归模型,模拟效果由RMSE、MAE、MSE进行评估。选取9个实测水质指标通过含有100个隐藏节点的MLPRegressor模型预测其余3个实测水质指标,结果表明,该神经网络模型可以较为准确的预测未知水质指标数值,对建立水库水质预警系统具有重要的指导意义。     

基于BP神经网络在煤炭企业经济预测中的应用

经济系统是一个极端复杂的系统,系统内部影响因素众多且各个因素之间有着比较复杂的关系,是具有高度不确定的非线性系统。针对中国煤炭企业经济预测的问题,由于实际情况错综复杂,各种预测模型的精确度都不是很理想,所以难以在实际中应用。为了解决这一问题,以中国煤炭企业1999—2008年时间段的净资产收益率为样本,分析了几种影响因素,依据BP神经网络模型的理论和方法,从而建立净资产收益率的经济预测的模型。实例分析表明采用BP神经网络模型较好地得到了预测点的预测结果,更适用于经济预测。     

基于BP神经网络的公路客运量和货运量预测方法研究

公路客运量和货运量预测是一个复杂的非线性问题,由于影响因素较多,难以用普通的数学方法建模,而建立BP神经网络可以表达这些非线性问题。根据公路客运量货运量历史数据及其相关影响因素数据建立了BP神经网络预测模型。利用实际数据确定网络输入与输出样本,对BP神经网络预测系统进行训练和预测。通过对网络输出预测结果与实际数据的分析,验证了BP神经网络预测系统的精确性和方便性,提高了公路客运货运预测的精确性。     

基于灰色预测与BP神经网络的全球温度预测研究

为深入了解全球变暖缘由及影响,探究变暖是否停滞,考虑地球吸热、散热及海洋温度变化等因素,构建一种全球温度预测模型,预测未来25年温度变化。采用主成分分析法找出贡献度较大的3个主成分,再用3组灰色预测模型预测海洋平均温度、二氧化碳排放量、太阳长波辐射等8个变量,并进行光滑比、级比和残差检验。结果表明,预测符合前29年（1990-2018年）时间序列图规律,用历史数据训练BP神经网络,然后把8个变量的预测值代入神经网络,拟合优度为0.922 72,精度非常高,可以看出全球平均温度距平序列越来越大,说明温度正逐渐升高,而不是停滞。     

基于动量BP算法的神经网络房价预测研究

房地产价格近年来持续上涨,对于房价趋势的预测成为经济社会热点,但这些预测大都停留在定性分析阶段。从定量分析的角度入手,提出利用加入动量因子的BP神经网络算法建立数学模型,运用Matlab仿真实现房价预测。详细分析了BP神经网络学习算法过程,并加入动量因子以加快收敛、避免陷入局部最优。以山东济南为例,分析得出影响房价的7大主要因素,搜集2000-2012年数据,运用Matlab建立单隐含层的BP神经网络,通过训练网络,预测2014年该市房产均价。实验结果表明,该方法能在有限的数据条件下,对房价预测精准度达99.1%,为我国房地产业的可持续发展提供了科学的咨询和决策手段。     

BP神经网络在风电功率预测中的应用

在分析风电机组输出功率波动性基础之上,建立了三层输入和一层输出的BP神经网络模型.首先,结合经验公式确定隐含层节点数大致区间范围,随机搜索找出训练效果较好的隐含层节点数为7;然后,通过多次的网络训练调节各参数值,找出训练结果较好的各参数;最后,通过训练好的BP网络实时预测了风电功率.将预测出的数据与实际数据比较,误差较小,说明了该方法能合理地用于预测风电功率输出.     

基于BP神经网络的校园用水预测模型

校园人口密集,用水量大,对某一栋教学楼或某一区域的定量用水预测,对于发现用水异常、合理下达用水指标有实际意义.本文利用BP神经网络,结合校园用水的特点,建立校园用水预测模型,并以实际数据进行验证,证明其有效性.