基于改进灰色模型的中长期电力负荷预测

在中长期负荷预测中,由于电力负荷具有突变性,常规GM(1,1)模型不能及时反映负荷的突然变化,对于发生转折的数据预测精度不高,在实际应用中具有一定的局限性.通过对负荷原始数据序列的预处理及优化,利用等维新息递推GM(1,1)模型进行预测,保证了预测能够较为充分地利用新信息,并加入了残差模型,通过实例分析表明,改进后的模型比常规GM(1,1)模型提高了预测的精度.     

基于可持续发展的贵州省城市基础设施水平综合评价

影响城市基础设施水平的因素有很多,因此,对城市基础设施水平的评价是一项复杂的系统工程。从可持续发展的角度利用有序加权几何平均算子对影响城市基础设施水平中的5个指标进行横向和纵向集结,排序结果显示：凯里市、贵阳市、都匀市的基础设施好,应该属于同一级别的;其次是六盘水市、福泉市、遵义市、兴义市的基础设施较好,属于同一级别;赤水市、毕节市、铜仁市、清镇市、安顺市、仁怀市几个城市基础设施相对较差。     

基于ARIMA-BP神经网络的船舶交通事故预测

为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。     

基于改进思维进化算法的神经网络负荷预测

为了提高短期电力负荷预测精度文章提出了IMEA-NN预测模型。本文使用改进的思维进化算法对神经网络进行优化。建立了结合思维进化算法的神经网络短期负荷预测模型,该优化算法改善了思维进化算法的缺陷,改善了神经网络的泛化能力,从而明显提高了模型的预测精度,预测负荷的平均误差可以控制在1.5%以内。证明此算法对于电网短期负荷预测是实用的和有效的。     

基于灰色系统理论的大学生就业去向预测

根据2014-2022年云南省某地方高校毕业生的就业数据,将毕业生去向划分为“已就业”“升学和入伍”“编制内就业”和“编外就业”4类,利用GM(1,1)模型,对该校2023年大学生毕业去向进行预测及误差修正,提高模型预测精度.预测结果表明,2023年整体就业率预计为（81.4±3.1）%,其中升学和入伍的人数占比为（9.95±0.80）%,编制内就业率为（4.6±3.7）%,编外就业率为(69.3±3.6)%.     

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。     

中国养老金缺口的预测分析——基于滚动机制的灰色预测模型

文章针对中国现存的养老金"空账"现象,构建了滚动GM(1,1)模型,研究分析养老金的收支状况,从而为降低养老金的缺口提出相应的对策。     

基于改进的灰色模型烟草产品销量的预测分析

针对非平滑序列短期预测精确度不高的问题,文章采用指数函数-对数函数变换法对数据列进行灰色预测分析,并从理论上证明此法对获取精准预测结果的优越性。最后,借助池州市烟草公司2007年1月——2012年1月黄山(金皖烟)硬盒同期数据,对其下一年同期销售量进行预测分析并与传统灰色预测模型相比较,进一步验证改进的灰色模型的有效性及优越性。     

女子自由泳全国纪录的灰色模型及其预测

本文针对运动成绩变化规律的模糊性、未知性等 ,运用灰色理论的模型方法建立了我国女子自由泳全国纪录 5个项目的灰色GM(1,1)预测模型 ,并进行了后验差检验和关联度分析 ,结果表明预测模型精度均为一级 ,模型可信度较高 ,具有一定的实用价值 ,可以用来揭示女子自由泳各项运动成绩的发展趋势。并对2 0 0 2年的运动成绩进行了预测。     

基于BP神经网络的城市货运生成预测模型

针对传统的货运生成模型处理非线性影响因素能力差的问题,运用BP神经网络建立城市货运生成多变量非线性预测模型。在对城市货运生成量影响因素进行分析的基础上,选取就业人数、地区GDP和消费品零售总额3个指标作为输入变量,以城市公路货运量和城市货运总量为输出变量,构建BP神经网络预测模型。该模型能揭示货运量与相关变量之间的非线性映射关系,在实证研究中取得了较理想的结果。通过实际货运量与BP神经网络预测结果的对比,验证了该模型在货运量预测方面的可行性。     

采用改进模拟植物生长算法的世界石油船队总运力预测

为准确预测世界石油船队总运力情况,收集近15年来世界石油船队总运力的统计数据,分别从总运力趋势波动和运力净增量波动两个方面进行分析。建立时间序列模型来揭示世界石油船队总运力的变化规律,用改进的模拟植物生长算法(plant growth simulation algorithm,PGSA)进行求解。与遗传算法进行对比,改进算法的程序运行时间、均方根误差和平均绝对百分比误差均较低,算法预测的结果与历史数据的拟合度达92. 32%,预测结果具有较高的准确性。分析思路和方法可为航运企业科学决策提供技术支撑。     

基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例

总有机碳含量（TOC）是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络（convolutional neural network,CNN）预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。