变权重组合预测模型的研究

变权重组合预测模型的研究周传世，刘永清（广东商学院）（华南理工大学）１引言组合预测的研究是现在预测方法领域中研究得最为活跃的一个领域之一，但在变权重组合预测方面的研究还没有多大的进展。变权重组合预测模型的建立与应用是提高预测模型的拟合精度和预测精度、...     

经验模态分解与均生函数-最优子集耦合模型在年径流预测中的应用

针对径流时间序列的非平稳特性及中长期预测精度低的问题,本文提出一种新的耦合预测方法：基于EMD分解的均生函数-最优子集回归（Mean Generating Function-Optimum Subset Regression,MGF-OSR）模型。首先利用经验模态分解（Empirical Mode Decomposition,EMD）方法对汾河上游上静游、汾河水库、寨上和兰村4座水文站的年径流序列进行平稳化处理,分别得到若干个固有模态函数（Intrinsic Mode Function,IMF）。对各阶固有模态函数分别建立MGF-OSR模型并进行预测,趋势项用直线拟合的方法进行预测,然后通过重构各预测值得到汾河上游4座水文站年径流量的预测结果,并与单独运用MGF-OSR模型的预测结果进行比较。结果表明,运用基于EMD分解的MGF-OSR模型对汾河上游4站年径流进行预测,准确率均为100%,确定性系数在0.975以上;而单一模型的预测准确率均为40%,确定性系数在0.732以下,耦合模型预测精度明显提高。     

组合预测最优加权系数向量的进一步研究

组合预测最优加权系数向量的进一步研究唐小我，曹长修，金德运（电子科技大学管理学院）（重庆大学自动化系）（江华实业开发有限公司）１不考虑非负约束条件下最优加权系数向量的确定设对于同一预测问题，我们有ｎ种方法。为了提高预测精度，可以采用组合预测方法。记组...     

变权重组合预测模型在区域电网负荷预测中的应用

区域电网的负荷预测受许多不确定因素的影响,单项预测模型反映的只是某一个(或某几个)因素,组合预测模型改进了单项模型的片面性,但常规的组合预测模型的权系数是固定的。变权重组合预测模型是在最大信息利用的基础上,将几个单项模型进行组合,集多种单项模型所包含的信息是降低这些影响、提高预测准确性的有效途径。文章以西藏林芝电网最大负荷为资料进行了预测,将其预测结果与单项预测曲线相比,指出变权重组合预测模型的预测精度高于其他模型。     

选择■模型时应注意的几个问题

当我们从事某项预测工作时,常发现可供选择的预测模型往往不止一个,这时,人们往往以模型对历史资料拟合的优劣来选择预测模型。然而大量的事实却是:即使根据对历史资料有最优拟合的预测模型预测的结果其精度也往往不十分理想。因此一味追求对全部资料的最优拟合也并非是提高预测精度的好方法。根据预测这一科学的性质和特点,我们在选择模型时应致力于选择那些虽不能很好地拟合远期资料,但却能较好地拟合近期资料的那些模型来从事预测工作。     

积分回归法

灰色预测中的GM(l,N)模型,其系数估计也是用普通最小二乘法做的。其缺点是只能事后看其估计误差,而不能事先给出误差范围。积分回归法不仅拟合精度高于灰色预测,还能进行区间预测,即能事先给出估计的误差范围。     

基于GRNN的网络出口流量预测

针对网络出口流量在时序上的复杂非线性特征,采用泛化回归神经网络GRNN（generalized regression NN）对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,据此确定GRNN神经网络的输入、输出向量,建立了基于MATLAB 6．5环境下GRNN神经网络的网络流量预测模型,并用黑龙江科技学院网络出口流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。     

预测方法的有效性分析

预测方法的有效性分析王明涛（郑州工学院４５０００２）１引言在进行预测时，人们关心的主要问题之一就是预测精度；要保证预测达到一定精度，就要选择有效的预测模型，那么什么样的模型是有效的呢？怎样衡量模型的有效住呢？这是预测工作者所关心的。文献［１］探讨了简...     

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。     

基于改进的灰色GM（1,1）模型在电力负荷预测中的应用

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,本文提出一种通过对原始数据序列作开三次方运算生成新数据序列的方法,建立了改进的GM（1,1）模型,减小了原始数据的增长率,降低了发展系数。通过实例计算表明,该模型具有良好的适用性和预性精度。     

大坝变形监测中的遗传优化神经网络研究

建立了基于遗传算法的大坝变形监测人工神经网络模型,并将模型应用于大坝纵向水平位移观测数据分析和预测,取得了良好的拟合效果和预测精度。为了比较GA—BP监测模型的优劣,利用BP人工神经网络模型对大坝纵向水平位移进行了分析,通过对比拟合结果和误差,得出了利用遗传算法优化大坝变形监测人工神经网络模型可以提高拟合效果和减小误差的结论。     

变权重组合预测法预测重庆市高考分数线

高考分数线是广大考生和家长关注的问题,准确预测高考分数线对填报志愿和决策分析都是必要的。本文采用变权重组合预测模型预测重庆市文科二批次高考分数线,该模型通过把单项预测模型进行组合分析,以误差平方和最小为准则,求出最优加权组合系数,建立组合预测模型。通过实例分析,表明其预测精度高于各单项模型预测值,在分数预测中有一定的应用价值。     

灰色理论在日本落叶松生长预测中的应用

本研究运用GM（1,l）模型对辽宁省日本落叶松的生长进行了预测,并进行了模型精度检验,文中所建两个模型的小概率误差分别为0.141334和0.241318,方差比均为1,表明模型预测精度较高,预测效果较好,可为日本落叶松林生长量的预测和经营水平的提高,提供科学的理论依据。     

非线性规划在确定组合预测权系数中的应用

非线性规划在确定组合预测权系数中的应用王明涛（郑州工学院管理系４５０００２）１引言组合预测是目前预测科学研究的热门课题之一，。组合预测方法的关键是确定组合权系数，唐小我“组合预测计算方去研究”一文［１］，给出了求解最优仅系数的公式（后称唐法），但在实...     

基于灰色马尔柯夫模型预测煤矿瓦斯涌出量

采用灰色马尔柯夫模型,以某矿井等时间间距的瓦斯涌出量为原始数据序列,建立矿井瓦斯涌出量灰色马尔柯夫数值模型,选择合理的精度检验方法对数值模型和预测结果进行检验判断。通过工程实例证明了该预测模型的平均相对误差较小,关联度较高,后验差比值、小误差概率为一级,拟合优度较高,进而对该矿井瓦斯涌出量的变化趋势进行预测,这可为煤矿企业和部门正确决策提供科学理论依据。     

群组预测集结方法研究

1 引言由于现实事物的复杂性,人们对预测事物往往采取多种模型或方法进行群组预测以便提高预测精度,组合预测便是其中最常用的一种方法。组合预测本质上是群组预测的一种集结处理方法,组合预测理论认为,不同预测模型的加权线性组合在一定条件下能够有效地提高模型的预测精度,因此,迄今为止的所有组合预     

利用优选法确定指数平滑系数α的一种方法——0.618法

指数平滑法是分析经济时间序列的最常用方法,其数学模型为: 其中:S_t是第t+1期的预测值、α为平滑系数(或加权系数) 在应用指数平滑法进行预测时,如何确定平滑系数α是提高预测精度的关键。在预测中,一方面我们希望提高α值,借以增加近期数据的权数;另一方面又希望减少α值以平滑随机误差,显然这两项要求是相互矛盾的。所     

BP神经网络在我国粮食产量预测中的应用

本文基于BP神经网络模型，进行了2001－2010年我国粮食产量的预测。通过对比传统的“平均增长率一阶滞后模型”拟合及预测1992－2000年粮食产量与实际产量的误差值大小，可明显看出BP神经网络对于处理单输入单输出的时间序列预测问题是一种更具优越性的方法，它具有很强的学习与泛化（推广）能力，具有很好的应用价值。     

GM-SVM在大坝变形预测中的应用

目前对于大坝变形的预测都是基于单一的预测模型,该模型无法同时考虑样本数据量及影响因子优选情况,而灰色模型适用于短期的预测,并能够很好的确定影响因子,而支持向量机适用于长期的预测,无法确定最佳的影响因子。本文将支持向量机和灰色模型进行很好的结合,可以达到模型互补的目的,提高影响因子的优化及训练样本的拟合和预测样本的预测精度。     

基于灰色神经网络的公路物流需求量预测模型

以浙江省公路货运量历史数据为例,考虑到影响货运量主要因素,采用灰色神经网络模型GNNM(1,N)进行预测,并与灰色模型GM(1,N)和神经网络预测结果相比较。计算结果表明:该方法在预测公路物流需求量具有有效性;在灰色模型GM(1,N)预测时,通过比较紧邻均值生成序列的生成系数α对预测精度的影响,选取了最优值进行计算从而提高了灰色模型的预测精度。