基于PCA-SOR-LS-SVM模型的入境游客流量预测研究

入境旅游客流量预测模型中输入变量的多少在一定程度上制约了模型的模拟速度和预测效果。首先,由主成分分析法对影响入境游客流量的指标进行综合分析从而确定出少数几个主要指标作为预测模型的输入变量,然后建立以主要指标为输入变量以客流量为输出变量的基于超松弛改进的最小二乘支持向量机预测模型。通过实验仿真,结果显示了基于PCA-SOR-LS-SVM的入境游客流量预测模型具有较好的预测精度和较强的推广价值。     

基于RBF神经网络的图书馆文献采购经费预测——以北京建筑工程学院图书馆为例

为解决图书馆文献采购经费预算这一问题,利用RBF神经网络,建立图书馆文献经费预测模型.结合北京建筑工程学院图书馆2000-2012年文献经费实际进行Matlab仿真,实验表明RBF神经网络模型能有效预测图书馆文献经费.     

铁路客运量的神经网络与遗传算法优化预测

铁路客运量是铁路建设的主要依据来源,它直接影响铁路建设的经济效益和资源配置。传统的铁路客运量的预测方法是基于专家估计或线性化后预测的,具有一定的局限性。基于神经网络和遗传算法理论,提出了一种遗传算法优化的RBF神经网络铁路客运量预测模型,采用遗传算法优化RBF网络权值和相应参数,确定全局最优值,然后训练RBF神经网络得到最优解,最终形成GA-RBF预测模型。实验结果表明GA-RBF预测模型优于传统的RBF预测模型,训练速度和预测精度显著提高。     

粒子群优化的神经网络预测交通流量

交通流量预测是智能交通系统研究的重要组成部分。提出了一种粒子群(PSO)优化RBF神经网络的交通流量预测方法。该方法以误差能量函数为适应度函数,利用PSO算法对RBF神经网络参数进行优化,有效克服交通流量数据非周期性、非线性和随机性等问题。仿真实验结果证明比单纯用RBF预测模型精度高、收敛速度快,表明粒子群优化的RBF神经网络模型具有良好的应用价值。     

基于PCA改进的SOR-LS-SVM公路旅游客流量预测模型

影响公路交通旅游客流量的众多因素增加了预测模型中的输入变量复杂性,减少了模型运行速度和预测准确度。首先,采用主成分分析法对影响公路旅游客流量的指标进行分析得到了主成分即输入变量,然后建立以主成分为输入变量、以旅游客流量为输出变量的基于超松弛改进的最小二乘支持向量机预测模型。通过实际例子验证和比较,揭示了基于主成分分析法改进的超松弛的最小二乘支持向量机公路交通旅游客流量预测模型具有较好的预测精度和较高的应用前景。     

基于PCA改进的LS-SVM入境旅游客流量预测模型

影响入境旅游客流量的众多因素加大了预测模型输入变量的复杂化,限制了模型的运行速度和预测精确。首先,利用主成分分析对影响入境旅游客流量的众多指标进行综合分析得到主成分,然后建立以主成分为输入变量以入境旅游客流量为输出变量的最小二乘支持向量机预测模型。通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机入境旅游客流量预测模型具有较好的预测效果和较高的推广价值。     

复合神经网络模型在汽车配件销售预测中的应用

针对汽车零部件销售量的预测开展了预测模型建模的研究,从销售历史数据特征研究入手,建立、选择并优化预测模型。利用BP神经网络、RBF神经网络和基于差分进化的BP网络,分别建立3个不同的预测模型。采用基于最小二乘准则,将取得的3个预测模型合成为一个复合模型HANNFM。由此建立的复合模型,具有稳定性好、精度较高等特点。试验验证了它是一种有效的汽车零部件销售量预测的预测方法,对决策者有一定的参考价值。     

基于EKF的多分辨正交多小波神经网络综合模型在变形预测中的应用

为了及时有效地对建筑物的变形进行预测,将多小波、Kalman滤波与神经网络三者有机地结合起来建立了一种新的变形预测方法：基于扩展Kalman滤波（简称为EKF）的多分辨正交多小波神经网络变形预测模型。通过变形预测实验表明该方法具有较高的精度,较快的速度,一种较好的组合预测方法。     

基于PCA改进的SOR-LS-SVM旅游流量预测模型

利用主成分分析法建立以主成分为输入变量而以入境旅游客流量为输出变量的超松弛最小二乘支持向量机预测模型.通过实例验证和比较,演示了基于主成分分析改进的超松弛最小二乘支持向量机入境旅游客流量预测模型有较好的预测效果和较高的推广价值.     

基于GRU神经网络的供热负荷预测研究

供热负荷预测是实现智慧供热的关键技术之一,对降低供热能耗具有重要意义。本文以开封市J集中供热系统某换热站的2020年供暖季历史供热数据为研究对象,设计了基于门控循环单元(gate recurrent unit, GRU)神经网络的短期供热负荷预测模型。将1次侧供回水温度、室外温度、风速、天气情况、流量作为输入变量,供热负荷作为输出变量,前70%的数据作为训练集,后30%的数据作为测试集。通过MALTAB进行仿真模拟,并与传统的BP神经网络、Elman神经网络进行对比分析。仿真结果显示GRU神经网络预测模型MAPE为3.94%,RMSE为76.77,预测效果最佳。     

基于改进BP神经网络的灌溉需水量预测研究

为了解决我国农业灌溉自动化程度不够高,灌溉用水量不够精确等问题。本文使用基于遗传算法改进的BP神经网络建立了灌溉需水量预测模型,选取了对灌溉需水量的主要影响因素作为输入数据进行仿真实验,实验结果表明,遗传算法改进的神经网络算法能够准确预测灌溉需水量。     

基于免疫RBF的列车制动预测模型研究

精确可靠的列车制动预测模型对于列车制动控制系统和列车精确停车控制等应用领域意义重大,由于列车制动过程受线路条件、车型自身参数及外界天气环境等客观因素影响,是一个复杂的非线性系统,因此采用免疫RBF神经网络逼近制动系统模型。本文介绍了免疫RBF网络拓扑结构的构建方法,分析了列车制动过程模型,建立了列车制停的免疫RBF网络,并提取实车运行数据进行特征化处理后训练网络从而实现了列车制动的精准预测。经实车数据仿真实验验证,本文建立的列车制停免疫RBF网络性能优越,预测停车位置与实际值吻合率高达96.3%,具有较大应用价值。     

生命周期基金净值预测研究——基于GA-BP神经网络模型

生命周期基金是我国养老目标投资基金的发展方向,对生命周期基金的净值进行研究具有重大意义。本文运用遗传算法优化的BP神经网络建立了生命周期基金净值的预测模型。通过对汇丰晋信2026基金2016—2018年度的相关数据进行实证分析,并与传统BP网络模型和RBF模型进行对比,表明该模型对基金净值的变化趋势有较好的预测能力,为生命周期基金净值的预测提供了一种可行的方法。     

基于粗糙集和RBF神经网络的工程项目团队的绩效评价

利用粗糙集和RBF神经网络的理论和方法,建立了基于粗糙集和RBF神经网络相结合的工程项目团队绩效评价模型。并结合一个工程项目团队绩效实例,首先对其基于平衡记分卡的评价指标体系进行了约简,然后将约简的评价指标输入到RBF神经网络中进行智能训练,最后把检验样本输入到训练好的RBF网络中,验证得到通过RBF神经网络计算的评价结果与实际结果基本一致。     

基于PCA-BP原理的混凝土碳化深度预测

混凝土碳化深度是钢筋混凝土结构耐久性评估的重要参数,影响混凝土碳化深度的因素主要有水灰比、水泥用量、混凝土抗压强度、碳化时间、水泥强度、温度与湿度。基于以上7个参数,并结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的多重共线性和降低输入数据维度的特点,建立了基于PCA-BP神经网络的混凝土碳化深度预测模型。以30组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对混凝土碳化深度进行了预测。结果表明:PCA-BP神经网络预测误差低,实现了对混凝土碳化深度的较准确预测,PCA-BP神经网络模型为混凝土碳化深度预测提供了一种科学、可靠的方法。     

组合预测模型在成都房地产价格中的应用

组合预测理论与建模技术对于信息不完备的复杂经济系统有一定的实用性,鉴于房地产价格的复杂性和非线性的特征,利用成都房地产价格的历史数据,分别采用改进的灰色预测模型、RBF神经网络模型建立了成都房地产价格的单项预测模型,并对单项预测模型的优缺点进行了比较分析。采用标准差法进行权重分配,将两个模型进行组合,建立了成都房地产价格的组合预测模型。运用该模型对成都未来5年的房地产价格进行了预测。     

基于主成分分析及RBF神经网络的浙江省台风灾害损失预测

本研究基于1953-2007年登陆或对浙江省有重大影响的台风历史案例数据,考虑影响台风灾害损失大小的主要因素有台风致灾因子、承灾体暴露性影响因子与承灾体脆弱性影响因子,运用主成分分析法对表示承灾体暴露性影响因素与承灾体脆弱性影响因素进行数据处理,提取主成分作为RBF神经网络模型的输入,从而建立预测模型。在2006年和2007年影响浙江省的2个台风的实际预测中,主成分RBF预测能够减少台风灾害损失的误差。因此,该模型可用于实际台风灾害损失预测,有效地提高预测台风灾害损失值的可靠性,对于浙江省乃至全国防灾减灾工作有着重大的实际意义。     

基于神经网络与遗传算法的蔬菜市场价格预测方法研究

农产品市场价格预测是研究的难点.本文采用蔬菜市场价格数据,分别建立了BP神经网络模型、基于遗传算法的神经网络模型、RBF神经网络模型,并在前三种模型基础上,建立了一种集成预测模型;用北京市批发市场2003-2007年的蔬菜价格训练模型,对2008-2009年的数据进行了预报,前三种模型预报结果的平均绝对误差分别为0.1...     

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。     

改进神经网络与小波分析结合的电力负荷预测方法研究及应用

本文充分考虑神经网络与小波分析的结合建立改进神经网络与小波分析结合的电力负荷预测模型,系统的不同输入数据通过不同的子模块预测,最终以预测结果初始化作为出口.输出的结果可以通过判断模块后再次作为负荷预测子系统的部分输入数据重复预测.实例结果表明该方法具有很高的预测精度和较强的适应能力.