基于ARIMA-BP组合模型的货运量预测研究

为了提高铁路货运量的预测精度,基于货运量线性和非线性的特点,选取中国铁路1980-2020年的货运量作为研究对象,提出ARIMA和BP神经网络的组合模型,基于简单加权和残差优化两种不同组合方法对铁路货运量进行建模分析,并与ARIMA、BP神经网络单一模型进行对比.实验结果表明,ARIMA-BP残差优化的组合模型结果精度...     

人工神经网络在中长期电力负荷预测中的应用

设计了一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,进行电力系统的中长期负荷预测.选取影响电力负荷的一些经济因素作为神经网络的输入变量,并对分别采用单个因素和多个因素的组合作为输入量对预测精度的影响进行了探讨.在多因素组合时对输入量进行了归一化处理.仿真结果证明,使用人工神经网络方法进行中长期电力负荷预测是可行和有效的.     

两种用于城市用水量预测的灰色-神经网络组合模型

为了提高灰色GM(1,1)模型在城市用水量预测中的精度,结合BP神经网络的优点,给出了两种灰色-神经网络组合模型GM-BP1和GM-BP2.模型1利用神经网络对GM(1,1)模型的误差序列进行回归训练,将得到的预测值作为原始误差的修正来减小误差;而模型2由部分数据建立了GM(1,1)模型组,通过神经网络训练得到部分数据GM(1,1)模型组与真实值之间的非线性映射关系,利用这种精准的映射关系来提高预测精度.最后实际算例表明了所给方法是有效的,该组合模型可用于城市用水量的中长期预测.     

基于最优非负可变加权系数组合预测法的CPI预测研究

准确的物价预测是稳定物价的前提之一,及时根据预测结果制定有针对性的宏观经济措施,对维持经济系统的有效运行、保证居民的生活稳定有着重要的意义.文章分别采用回归预测法、ARMA时间序列预测法、VAR模型预测法和BP神经网络预测法四种单项预测方法和最优非负可变加权系数组合预测法对我国物价走势进行预测,并将预测值进行对比分析,得出最优非负可变加权系数组合预测方法能够综合各单项预测方法的信息,有效提高预测精度,该模型可以用作我国物价走势预测的模型的结论.     

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.     

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。     

基于灰色神经网络串联组合模型的涌水量预测

利用矿井涌水量实测值建立灰色理论与神经网络串联组合的预测模型,即利用不同灰色模型预测值训练神经网络进行预测,提高矿井涌水量的预测精度,先后建立了GM（1,1）、二次参数拟合GM（1,1）模型,将其与BP神经网络模型串联形成最终预测模型,以淮南矿区潘三矿西翼矿井涌水量预测为例,结果说明了该模型具有较高的准确性。     

基于MEEMD加窗改进方法与GRNN组合的电力负荷预测

针对电力负荷序列不稳定性、随机性等特点引起的电力负荷预测精度下降等问题,提出MEEMD加窗改进方法和GRNN组合的短期电力负荷预测模型。利用GRNN神经网络延拓方法对原始信号两端数据进行延拓,用余弦窗函数对延拓数据加窗处理后再进行MEEMD分解,用神经网络对各分量趋势进行预测,叠加各分量的预测结果得到负荷序列的最终预测结果。实验结果表明,MEEMD加窗改进分解预测的平均绝对误差、平均绝对值百分比误差和均方根误差分别为73.926 8、0.818 0%和82.930 1。基于MEEMD加窗改进方法和GRNN组合的电力负荷预测不仅能抑制端点效应,而且能解决模态混叠和伪分解问题,提高了短期电力负荷的预测精度。     

基于MQPSO-LSSVM的微博热点话题预测

微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值.     

基于相似日的光伏发电系统短期功率预测

针对天气条件的不稳定使得光伏发电的输出具有较强的随机性、波动性和间歇性,提出一种基于相似日-BP神经网络组合的光伏出力预测模型。从历史数据中筛选出与预测日特征最相似的历史发电功率数据和气象数据,作为预测模型的训练样本。仿真结果表明:基于相似日-BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

电力系统长期负荷预测的组合预测

介绍目前电力系统常用的中长期负荷预测的方法,根据邯郸地区1990-1999年的用电量,用各预测方法分别预测出了2000-2003年的用电量,并与实际用电量相比较,对预测结果进行了分析。证明组合预测模型总体上优于传统的单一固定式模型,是提高预测精度简单而有效的方法。     

基于Theil不等系数的调和平均组合预测模型研究

Theil不等系数是一种新的相关性指标，基于该指标提出调和平均组合预测的一种新的模型。探讨了该模型非劣性组合预测、优性组合预测以及冗余预测方法的存在性，并给出冗余信息的判定．     

冰蓄冷技术时间序列研究

为了解决传统的各种单一预测方法中存在的问题,运用一种BP神经网络的预测方法,将人工神经网络理论和算法应用于冰蓄冷技术的研究,并在正交实验66组数据中选择56组作为BP神经网络的输入样本,余下的10组为检测样本的输出样本。在对网络进行训练的基础上,建立了蓄冷时间与管壁温度之间的数学模型。     

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.     

基于PSO优化的BP神经网络在洪水预报中的应用

针对BP神经网络的不足,采用PSO算法对BP神经网络进行优化,建立一个混合的神经网络洪水预测模型。实验仿真结果表明,该模型的预测效果优于传统的洪水预测模型。     

基于组合预测方法的网络舆情演变规律研究

针对目前网络舆情形成迅速、对社会影响巨大的情形,通过组合预测方法研究网络舆情的演化趋势并对其发展做出科学的预测,掌握其基本的变化规律,可以提早采取应对措施,对于及时应对网络突发的公共事件和全面掌握社会民情民意具有重大意义。     

基于二阶预测有效度的IOWA算子组合预测模型

将二阶预测有效度和IOWA算子相结合,提出一种基于二阶预测有效度的IOWA算子最优组合预测模型,并定义了优性组合预测的概念,最后通过一个具体的实例来说明该组合预测方法的有效性和合理性．     

基于IOWA算子的安徽省固定资产投资的组合预测

以1990～2011年安徽省固定资产投资为样本区间,运用VAR预测模型、指数预测与二次移动平均预测3种单项预测方法,以预测误差平方和最小准则,建立IOWA算子组合预测模型。对该模型的预测有效度进行评价,结果表明：该组合预测模型能有效提高预测精度。     

基于BP神经网络的厦门市房价预测

传统的房价预测方法主要是按时间序列进行的,而房价的走势除与历史房价有关外,还由人均居住使用面积、市区人口总数、人均可支配收入、人均消费性支出等多方面的因素决定。通过对影响厦门房价的多种因素进行分析,并预测这些数据的走势,利用BP神经网络进行仿真,得出厦门市房价的预测值,结果表明用此模型进行房价预测是十分精确的。