基于灰色模型和指数平滑的统计组合预测方法

指数平滑预测和离散灰色模型是两类不同特点的预测方法.考虑到单项预测方法的局限性,提出了利用指数平滑预测和离散灰色模型的统计组合预测方法;进一步利用相关系数这一相关性指标确定组合预测模型的权系数;最后通过一个应用实例分析了统计组合预测方法的预测精度,并说明了该方法的有效性和可行性.     

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。     

组合模型在我国GDP预测中的应用

将组合预测法应用于我国GDP的预测,以提高预测精度.通过赋予合理权重,将指数平滑模型、拟合模型、ARIMA模型和支持向量回归模型加权组合.对各模型进行平均绝对百分误差(MAPE)、均方根误差(RESE)和希尔不等系数(TheilIC)等指标的比较,证明单一模型经过组合能够提高预测精度.     

组合模型在我国GDP预测中的应用

将组合预测法应用于我国GDP的预测,以提高预测精度。通过赋予合理权重,将指数平滑模型、拟合模型、ARIMA模型和支持向量回归模型加权组合。对各模型进行平均绝对百分误差(MAPE)、均方根误差(RESE)和希尔不等系数(Theil IC)等指标的比较,证明单一模型经过组合能够提高预测精度。     

基于IOWGA算子的铁路客运量组合预测

科学准确地预测铁路客运量是制定铁路网规划的基础。以全国铁路客运量的历史数据为基础,采用灰色GM（1,1）模型和三次指数平滑模型进行组合优化,建立了基于IOWGA（Induced Ordered Weighted Geometric Averaging）算子的组合预测模型,并对组合预测模型进行了检验,检验结果表明,组合预测模型是有效的、可靠的,具有较高的精度,可对我国的铁路客运量进行预测。最后利用所建立的预测模型预测了2008年--2010年我国铁路客运量。     

基于IOWA算子的税收收入的组合预测

针对1981~2012年我国税收收入的相关数据,采用回归模型、指数平滑预测和ARIMA模型三种单项预测方法进行建模预测.并结合组合预测理论,采用基于IOWA算子的组合预测模型进行预测.结果表明,基于诱导有序加权算术平均算子的组合预测模型的预测精度明显高于三种单项预测方法,说明了该方法用于税收收入预测的可行性和有效性,并采用5种有效性评价指标,检验了组合预测模型的预测效果.既然该方法可以通过调整组合权重提高预测精度,因此,在此基础上对今后3年的税收收入作出预测,发现今后3年税收仍会分别以15.59%、16.89%和16.77%的增长率增长.     

BP神经网络组合预测研究

在单一预测不能满足精度要求的情况下,组合预测通常是首选方法.传统的组合方法之外,用神经网络进行组合预测,效果更佳.文中以全国天然气消耗量为例,利用BP神经网络将非线性回归、指数平滑和灰色三种方法的预测结果作为输入,原始数据作为期望输出进行组合预测,得出令人满意的精度结果.又将之与传统的EW、MV方法组合的结果进行比较,各项误差均有大幅度降低.     

基于灰色神经网络组合模型的电力消费量预测——以河北省为例

在分析灰色预测模型GM(1,1)以及BP神经网络预测模型2种单一模型在电力消费量预测方面不足的基础上,提出灰色神经网络组合预测模型。以河北省电力消费量为基础,分别用3种模型进行预测,并加以比较分析。结果表明,灰色神经网络组合模型提高了关于河北省中长期电力消费量的预测精度,对河北省未来电力系统及能源需求规划具有一定参考价值。     

基于神经网络与支持向量机的组合预测模型——以房地产价格预测为例

预测问题一直是科学与管理领域研究的热点,备受广大科技工作者的关注。为了解决单一预测模型在预测问题上的缺点和误差控制问题,本文提出一种组合预测模型———以误差绝对值和达到最小为准则的线性组合预测模型。这种模型以误差绝对值和达到最小为依据,计算出每个单一模型在预测结果中所占的权重,建立组合预测模型。该组合预测模型较好的利用了神经网络与支持向量机在多影响因子下训练的优势,进一步提高预测精度。将其应用于合肥市房地产价格预测,可以达到理想效果。     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。     

基于人工神经网络的研究生课程评价模型

在研究生网上课程评价系统收集的大量数据基础上,构建了一种基于人工神经网络的多指标课程评价模型,并将网上调查的结果以连接权的方式赋予该评价模型进行训练。通过实际评价数据的验证,该模型能够准确地按照实际评价的过程进行工作。     

基于模拟退火的神经网络预测模型

在分析了传统神经网络预测模型的基础上，提出用模拟退火算法代替局部梯度下降法修正网络权值，从而避免了人工神经网络容易陷入局部极小的缺陷。经实例证实，该方法能有效地提高预测的精度。     

基于改进粒子群算法的神经网络在月降水预报中应用

针对粒子群算法易陷入局部最优和寻优精度比较低等缺点,提出一种基于随机惯性权重和异步变化策略的学习因子的粒子群算法优化神经网络连接权重和阈值,并以此建立月降水预报建模研究.以广西桂北地区的月降水量实例分析,并与标准粒子群优化神经网络模型、随机权重的粒子群神经网络模型和神经网络模型对比,结果表明,该方法学习能力强和预测精度高,是一种有效的建模预报方法.     

基于神经网络的人口增长多变量时间序列预测模型

人口增长是一个复杂的非线性动态系统,基于神经网络建立人口增长时间序列的预测模型,并通过实例仿真得出预测我国未来人口增长情况．     

基于GM的图书需求预测模型研究

首先根据图书需求预测的特点,阐述了灰预测模型的基本理论和预测方法,并用它进行了图书预期借阅量的预测。然后考虑到未来情况的突变,利用专家组对预测得到的预期借阅量进行了调整。在此基础上,结合现有图书库存量和灰预测得到的预期借阅率,共同得出预期图书的建议购买量,并由此组成了预期图书的建议采购方案。实践证明,这种方案是有效的。     

思想政治教育接受需要心理特点之探析

需要是思想政治教育接：受的根本动力,对需要心理的探寻是思想政治教育接受的核心议题。该文旨在通过对马克思需要理论和马斯洛需要层次论的分析,探索思想政治教育接受需要心理的特点。     

基于人工神经网络的C．TEST阅读理解题目难度的预测研究

实用汉语水平认定考试（简称C．TEST）是用来测试母语非汉语的外籍人士在国际环境下社会生活以及日常工作中实际运用汉语能力的考试。由于C．TEST的考试题目公开,题库数量较小,所以通过一般标准化考试采用的在部分目标被试中实施预测（fieldtest）的方法来获取考试题目的难度参数存在困难。然而,人工神经网络技术作为现代人工智能研究的成果,在预测（prediction）领域发挥了很大作用。本文选取C．TEST（A—D级）的阅读理解题目作为研究材料,运用人工神经网络技术对其难度进行预测,得到了网络预测难度值与实际考试难度值显著相关的研究结果。这一结果表明,利用人工神经网络模型对语言测验的题目难度等参数进行预测是可行的。     

全国电力消耗的偏离份额实证分析

基于计量不同产业产出用电费的基础上,利用偏离份额模型分析我国不同省份之间电力消耗水平的差异,由于不同地区的产业结构设置比重不同,电力利用技术水平存在差异,导致各个地区每万元产出耗电量不同,地区竞争力也各异,根据计算结果将竞争力相似的地区进行归类,提出相关的建议．     

基于组合神经网络模型的新冠疫情传播预测分析

在全球抗击新型冠状病毒肺炎（COVID-19）疫情的过程中,合理的疫情传播预测对于疫情防控有重要参考意义。为了对病毒传播进行合理预测,针对传统疫情传播预测模型存在的不足,提出一种组合式神经网络的疫情传播预测模型,并将其应用于湖北省1月29日-3月15日每日新增确诊人数预测及湖北省每日累计确诊人数预测。预测结果分析显示,该神经网络预测模型预测结果可靠有效。模型性能分析结果表明,组合式神经网络预测模型平均相对误差（MRE）不超过0.16,均方误差（MSE）不超过0.1,均方根误差（RMSE）为0.262 9,性能明显优于其它几种神经网络预测模型。基于武汉市与广东省疫情传播预测的实证结果显示模型具有较好的适用性及准确性。     

基于信号源能量模型的传感器网络追踪算法研究

比较了应用于传感器网络声源追踪定位的3种模型,其中信号源能量模型对数据处理简单,更利于节省能量。针对现有基于信号源能量模型的算法的不足,给出了一种全新的算法—梯度迭代算法,并通过仿真实验证明了其在追踪的精确度和速度方面具有明显的优势。