基于可变阶模型的Web访问模式挖掘算法

提出一种基于Markov的可变阶模型,综合了一阶Markov模型和高阶模型的新方法。该方法通过引入精度因子和所逼近模型的阶数,可以在保持与一阶Markov模型相当的较低复杂度的同时,使预测精度能够逼近高阶Markov模型。通过实验数据说明了所提出算法的正确性和有效性。     

基于环境约束的不确定车辆轨迹预测方法

针对现有预测算法很少考虑环境因素,预测精度不高的问题,提出了一种基于环境约束的不确定轨迹数据预测算法（EGTP）。首先获取历史轨迹数据所处的环境信息,利用环境信息和轨迹数据构造一个新的轨迹参考点,模拟带有环境信息的车辆不确定轨迹数据|然后基于高斯混合模型,对轨迹参考点数据和历史轨迹数据进行训练|最后在训练的基础上利用轨迹参考点和历史轨迹数据对车辆轨迹实时预测。由于考虑了出行的环境因素,预测结果更符合现实情景。实验验证了该算法在实时性和预测准确度上较其它算法有所提高。     

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。     

“两型社会”建设下的长沙市土地利用结构预测研究

根据长沙市2001-2005年土地利用变更数据,分别建立了Markov模型和灰色GM（1,1）模型,对未来几年全市土地利用结构变化进行预测．并将两种模型预测结果相互验证与对比分析,以提高预测精度与可信度．结果表明：未来几年,长沙市土地利用结构变化趋势为：耕地、林地和未利用地持续减少,牧草地、居民点及独立工矿用地、交通用地呈增长趋势．     

马尔可夫预测模型及其在市场预测中的应用

Markov预测技术的特殊性在于不需要连续不断的历史资料和数据，而只需要最近和当前的动态资料,本文尝试在市场预测中建立马尔可夫预测模型并对产品市场占有率进行预测．     

一个基于基因表达式编程的软件可靠性评测系统

本文利用数据挖掘领域的基因表达式编程算法,对软件失效数据进行数据挖掘,得出失效表达式,从而对软件的可靠性程度进行评价或预测。实验证明：该软件评测系统具有较高的预测精度。     

基于GA-BP网络的洱海水质预测研究

水质预测是水污染防治工作的前提,是实现水系统管理的重要基础工作。在神经网络预测基础上,提出了基于遗传算法优化神经网络的洱海水质预测模型。该方法克服了传统BP神经网络收敛速度慢、算法容易陷入极小值、隐含层神经元个数难以确定等问题。利用遗传算法较强的全局搜索能力,提高了算法收敛度,能够迅速得到全局最优解。MATLAB仿真结果对比表明,优化前神经网络模型平均误差为25.1%,优化后模型预测平均误差为2.3%,证明该算法缩短了收敛时间,提高了预测精度。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.     

基于数学模型的疾病预测方法比较研究

疾病的发生发展是一种复杂的现象,准确地预测人群以及个体疾病的发展趋势成为人们预防疾病的一个重要手段。综述了当前疾病预测中常用的几种数学模型的方法,对回归预测法、时间序列预测法、灰色预测法、Markov预测法、人工神经网络法等进行了简单介绍,并对这几种方法的特点、适用范围做了比较分析,便于在不同的情况和不同的精度要求下,选择合适的方法进行预测。     

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

基于EMD与NARX网络的汇率预测方法研究

探索构建对汇率进行直接预测的高精度组合预测算法.采用NARX神经网络作为基础模型,并结合经验模态分解模型进行混合预测,提高模型精度.为研究不同时间间隔对预测结果的影响,采用美元兑日元汇率的时间间隔为5分钟与1天的数据进行预测.实验结果显示,时间间隔较短时,模型的预测精度更高.此外,通过对汇率改革前后的人民币汇率的预测发现,汇率改革对EMD-NARX模型的预测结果影响不大,说明模型稳定性较高.     

对湖泊水库富营养化系统分析方法的研究

通过对当前国内外应用较广泛的水质富营养化研究方法的分析总结,得出了一套完整可行的湖泊水库营养状态判别预测的方法。并给出了水质富营养化防治对策。     

基于相似日和PSO-LightGBM的超短期电力负荷预测方法

为提高超短期电力负荷预测的准确度,提出一种基于相似日和粒子群算法——轻量梯度提升机的超短期电力负荷预测方法.对初始数据集进行特征构建,并利用灰色关联法筛选出与待预测日关联度较高的历史日.使用粒子群优化算法对LightGBM算法进行参数寻优,构造PSO-LightGBM负荷预测模型.实验分析表明,相较于传统预测方法,该方法提高了电力负荷预测的精度,为电力系统稳定运行提供了保障.     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

钢材力学性能预测系统的数据预处理算法

根据钢材化学成分及生产工艺参数,准确预测力学性能,是钢铁制造者多年来的研究目标。由于钢铁材料的组成元素较多,生产工艺较复杂,要想通过对加工过程中各种冶金现象纯粹的定量计算,来精确预报材料性能非常困难。本文在对数据进行前期预处理基础上,分析了基于PCA和减法聚类算法相结合的数据降维模型。现场试验数据表明：基于PCA和减法聚类算法相结合的数据降维方法能有效提高钢材力学性能的预测精度。     

聚类懒惰学习在短期负荷预测中的应用

负荷预测是电力系统分析与运行的基础,对机组组合、经济调度、安全校核等均具有重要意义。随着电网规模不断增大,数据库时间跨度也随之变大,对不良数据及冗余数据的处理造成影响,负荷预测精度和速度的提高难度显著增大。针对这一问题,提出基于懒惰学习与聚类算法的组合模型。该模型以懒惰学习（Lazy Learning, LL）算法为基础,通过选择相似样本对负荷进行差异性预测建模。在预测应用中,为缩小样本库数量,减小 LL算法的预测时间,利用模糊C均值聚类（Fuzzy C-means,FCM）对用电特征进行聚类从而生成局部训练集,以改进LL算法局部建模。实验结果表明, FCM-LL组合算法不仅能高效精确地预测负荷,而且能实现数据库的实时更新。     

灰色人工神经网络组合预测模型及其应用研究

将GM（1,1）模型与BP算法相结合建立灰色人工神经网络组合模型应用于GDP总量的预测。以安徽省1992-2007年的数据为例,对2005至2007年的GDP总量进行检验性预测,结果表明灰色人工神经网络组合模型大大提高了预测精度.     

基于灰色BP网络的GDP总量组合预测模型应用研究

将GM(1,1)模型与BP算法相结合建立灰色人工神经网络组合模型应用于GDP总量的预测.以安徽省1992-2007年的数据为例,对2005-2007年的GDP总量进行检验性预测,结果表明灰色人工神经网络组合模型大大提高了预测精度.     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。