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.     

时间序列法在我国石油需求预测模型中的应用

本文首先介绍了时间序列法以及时间序列的种类,通过分析得出我国石油需求序列是有确定趋势的非平稳时间序列,并选择最小二乘法分两步建立模型。然后详细介绍了建模过程,并对模型预测精度和稳定性作了评价,结果表明所建立的模型是较好的预测模型。最后用该模型对我国2006年—2020年的石油需求进行了预测。     

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。     

基于模糊自适应变权重的经济时间序列组合预测模型研究

组合方法首先选取支持向量机预测算法和一阶指数平滑法对经济时间序列分别进行预测,来建立模糊自适应变权重组合预测模型。为对比模糊自适应变权重的经济时间序列组合预测模型的预测效果,选取了两种定值加权组合预测模型:平均加权模型、误差平方和最小组合预测模型。通过实验比较分析:模糊自适应变权重组合预测可以综合利用各单项预测方法的优点,比单一模型预测结果精度有了很大提高,且优于定值加权组合预测,在经济时间序列的预测方面有较高的应用价值。     

灰色Verhulst模型在火灾事故中的应用

Verhulst模型适用于非单调的摆动发展序列或具有饱和状态的S形序列。火灾事故中的火灾死亡人数具有饱和状态S形过程的特性,采用Verhulst预测模型对我国近年发生的火灾统计数据进行分析预测。预测结果表明,该模型简单实用,精度较高,具有实用价值。     

情报预测方法应用与比较研究

【目的/意义】自然界中时间序列信号具有非线性、非稳定变化的特点。对时间序列信号实现准确预测,不 仅能够提高风电机组的输出功率,并且有助于调控风电场的运行维护,保障电力系统的安全运行。【方法/过程】本 文基于集合经验模式分解和变分模态分解两种时间序列分解的方法,并将其与RBF神经网络相结合提出RBF直 接预测模型和EEMD-RBF 和VMD-RBF 两种组合预测模型。利用某风电场的原始风速时间序列信息,通过 MATLAB 软件进行编程,进行案例分析。【结果/结论】预测结果表明组合预测模型优于RBF 直接预测模型,且 VMD-RBF组合预测模型的预测结果最为精确。     

混沌时间序列混合预测方法探索

根据Kolmogorov连续性定理,本文建立了混沌—神经网络(C-ANN)预测模型;提出了基于遗传算法和神经网络的混沌预测模型与方法(C-ANN-GA混合预测方法);解决了混沌时间序列的非解析式预测问题;使混沌时间序列预测方法得到了新的改进和发展。     

线性回归与时间序列加法预测模型

线性回归和时间序列预测模型各有千秋,本文将它们结合起来,提出了一种线性回归与时间序列加法预测模型,它提高了拟合度和预测能力。     

一种基于GM(1,1)算法在矿产预测中应用

矿产资源在我国属于资源比较丰富,但是我国对于矿产资源的预测数据确是少之又少,其矿产的机理又比较复杂.针对这个情况,本文利用灰色GM(1,1)模型时间序列预测理论对矿产资源预测进行建模预测,分析了该预测模型在实地矿产预测中的实际应用,证明了方法的有效性.     

基于ARIMA/RBF-NN的时间序列水质预测模型研究

水质的时间变化趋势预测是进行水环境管理的前提,预测模型在很大程度上决定了预测精度的高低,如何选取有效的时间序列水质预测模型是目前的研究热点之一。以平西湖为研究对象,根据2009-2011年间TN、TP和CODMn月监测数据,提出了一种基于ARIMA和RBF-NN的组合模型,该模型能同时反映水质的渐变性和非线性变化的特点,最后用5个精度评价指标对组合模型的预测结果进行了评价,并和基于ARMMA和时间序列神经网络预测模型的预测结果进行了比较。结果表明,大部分指标显示ARIMA/RBF-NN组合模型对受内生变量影响较大的TN、TP的预测效果最好,ARIMA模型对受外生变量影响较大的CODMn的预测效果最优。     

我国“七五”期间煤炭产量预测

一、预测模型的建立灰色系统预测理论的实质在于对已有的一组时间数据序列灰色量进行某种处理,并以某一数学模型模拟这一组时间序列,得到一个初等模型,即预测模型。建立煤炭产量灰色预测模型的过程可分为三个步骤。     

时序回归GM-SVM模型研究

针对单一预测模型都存在各自优缺点的问题,本文提出时序回归GM-SVM模型,以达到最优的变形预测效果。首先对灰色模型中的灰参数导致的时间序列残差进行研究,形成时间序列模型,根据时间序列模型对其残差进行最优化设计,获取时间序列估计模型,并将该模型与支持向量机进行无缝融合以建立新的预测模型,然后根据该预测模型对观测的大坝变形影响因子进行训练和预测,并将预测结果与实际的变形值进行对比分析,经过实例分析确定该模型的预测结果更加接近实际观测值,说明该模型更加适用于基于大坝变形影响因子的变形分析。     

基于两种模型的学科发展趋势预测——以文献计量学为例

运用回归分析预测法和时间序列分析法两种模型,以文献计量学为例,对近年来相关文献量的统计数据进行拟合与预测,并对两种预测模型的结果进行对比分析。结果表明,时间序列预测模型对文献计量学研究的模拟预测效果较好。两种预测模型不仅适用于文献计量学发展研究,对于其他领域也同样适用。针对不同领域的学科发展趋势,在进行数据模拟和分析预测时要根据统计数据的多少和分布情况,选取一种相对效果更好并且方便可行的预测方法。     

基于ARIMA-BP神经网络模型海流流速预测研究

海流是一种具有广阔应用前景的无污染可再生能源,结合ARIMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对海流流速预测问题进行研究。采用神经网络模型得出海流流速的残差值对时间序列模型的预测值进行修正,提高了海流流速预测的精度。     

小样本条件下基于VMD-SVM的电网技改项目科技投资预测

随着我国电力改革体制不断推进,以输配电服务为主的盈利模式要求电网企业对经营成本作出更精确的控制。电网技改工作对电网企业的运营成本具有较大影响,但由于相关历史数据少,采用常规预测模型难以对电网企业技改项目的年度科技投资进行科学和客观的预测。为此,针对电网技改项目科技投资年度预测属于小样本预测的特点,选取支持向量机(SVM)模型作为预测模型,并且在预测开始之前进行变分模态分解(VMD),通过将技改科技投资数据分解为特征各异的子序列,将每一个子序列数据通过不同的SVM模型进行预测,得到各子序列的预测结果后对子序列的预测结果进行叠加,从而得到最终预测结果。最后通过某区域电网的实际数据验证,得到基于VMD-SVM的电网技改项目科技投资预测方法的预测精度为1.51%,而单采用同参数SVM模型的预测精度为2.02%,证实基于VMD-SVM的电网技改项目科技投资预测方法的有效性。     

时间序列模型在湖北省城市化水平预测的应用

文章在客观评述国内外主要预测方法的基础上。根据湖北省1949-2004年城市化水平的时间序列资料,构建城市化水平的时间序列预测模型,并进行实证检验和预测。     

季节变动序列的一种简捷预测法

本文首先给出了季节变动序列渐进预测模型的一种构造与证明方法,进而给出了一种季节变动序列的简捷预测法,最后进行了预测应用与准确性比较     

基于非线性时间序列的门限自回归模型建立

目前门限自回归模型是最受大家关注的预测模型。本文以太阳黑子非线性时间序列为研究对象,建立门限自回归预测模型。通过一些相关分析技术来确定预测模型中的门限区间个数和门限值的寻优范围,然后优化门限值和TAR模型的自回归系数。通过实验结果分析表明,门限自回归预测模型能够对非线性时间序列进行精确预测。     

BP神经网络机场鸟情预测方法

<正>针对机场鸟情预测这一问题,文章提出了考虑日期、鸟的种类(依据迁徙习性划分)、温度、风力、天气、季节六个因素对鸟情影响的BP神经网络鸟情预测模型,区别于不考虑影响因素的传统的时间序列鸟情预测模型。以潍坊南苑机场鸟情历史数据为学习训练样本,与传统的BP神经网络时间序列鸟情预测模型进行预测仿真对比实验,仿真实验结果证明了本文提出的BP神经网络预测精度更高,拟合效果更好,更适合应用于机场鸟情预测,具有良好的实际应用价值。     

城市大气污染预测模型的建立与应用研究

目前城市大气污染问题日益严重,为了更好的解决城市大气污染预测的准确性不足的问题,本文提出了一种基于时间序列和人工神经网络的城市大气污染预测模型。首先使用时间序列的方法对采集的数据进行统计,再将统计结果作为样本输入人工神经网络模型,然后将神经网络训练后得到的样本数据采用趋势外推法进行预测分析。仿真实验结果表明,本文提出的基于时间序列和人工神经网络的城市大气污染预测模型的预测结果与实际结果相当接近,本方案切实有效,值得推广使用。