基于多峰高斯模型的石油储量与产量预测

通过分析鄂尔多斯盆地的勘探开发历程,结合鄂尔多斯盆地储量与产量增长具有多峰态的特点,采用多峰高斯模型拟合该盆地石油储量和产量的历史曲线,并预测2006-2030年盆地储量与产量的增长趋势.预测结果表明:鄂尔多斯盆地在2006-2030年石油探明地质储量年均增长量为1.3×108t,累积探明石油地质储量为33×108t;石油产量在前期增长迅速,后期增长平缓,2025年以后有所下降,2030年仍能保持在0.3×108t以上;在相当长的时间内,该盆地的石油勘探开发将具有广阔的前景.     

应用翁氏旋回模型预测济阳坳陷的最终勘探储量

翁氏旋回模型适用于对生命总量有限体系的描述和预测。石油与天然气为非再生性矿产资源 ,能够用翁氏旋回模型进行描述和预测。结果表明济阳坳陷最终可探明石油地质储量为62 .86× 1 0 8t,展示了其良好的油气勘探开发前景     

两阶段模糊c-均值聚类算法及其应用

针对模糊c-均值算法对初始值敏感、收敛结果易陷入局部极小值的缺点,提出了两阶段模糊c-均值聚类算法.首先通过恰当的贴近度(满足相似相近性)估计分类数,选取初始聚类中心;然后通过模糊c-均值算法进行聚类,最后对所得的聚类中心采用逻辑斯谛型的灰色模型进行预测.由于聚类中心具有统计特征,因此较好地克服了样本间的随机误差,灰色逻辑斯谛模型较好地克服了每个样本内误差.采用上述方法对全国30个省市农村居民年收入进行了分析和比较,得出了具有参考价值的结果.     

用微量培养法改进尾草履虫种群逻辑斯谛增长实验

用微量培养法对尾草履虫种群逻辑斯谛增长实验进行了改进,实现了种群数量的精确测定,提高了逻辑斯谛方程拟合效果。     

基于饱和增长趋势模型的福建人口预测

以1978～2007年福建省的人口统计数据为依据,采用饱和增长趋势模型中的修正指数模型、龚柏兹模型、逻辑斯蒂模型对福建省未来人口总量进行预测.根据预测结果进一步用三种模型进行组合得到组合预测模型,预测结果为2010年、2015年、2020年福建省人口总量分别达到:3654.93万人、3752.83万人、3832.61万人.     

松辽盆地梨树断陷油气资源潜力及储量增长趋势预测

梨树断陷位于松辽盆地东南隆起区,油气勘探工作始于20世纪80年代[,目前已进入隐蔽油气藏勘探阶段。梨树断陷油气资源基础雄厚,勘探程度较低,具有较大勘探潜力,通过对梨树断陷的勘探历程、勘探发现程度以及剩余油气资源的综合研究,分析了该区油气资源潜力,并采用翁氏旋回法科学合理的预测该地区中长期的油气储量增长趋势。在未来五年中,梨树断陷将新增控制石油储量389×104t,新增控制天然气储量145×108m3。     

微分方程在人口预测中的应用

利用微分方程建模,深入研究马尔萨斯模型和逻辑斯蒂增长模型,进行人口增长的预测.通过内禀增长率和环境容纳量,找到控制人口增长的办法.     

基于出生性别比例的逻辑斯谛人口模型的混沌性质

建立了基于出生人口性别比例的逻辑斯谛人口模型,研究了该模型的混沌性质;得到了出生人口性别比例失调将导致人口规模呈混沌状态发展的结论.     

高原鼠兔体重生长动态数学模型之再探讨

本文用麦夸算法构造高原鼠兔体重生长的Logistic和Compertz曲线模型,其结果表明:Logistic曲线比Gompertz曲线更优化,Logistic模型比逻辑斯谛-指要饱和模型的精确度更高.     

中非BG盆地下白垩统Kubla组高分辨率层序地层学

预测中非BG盆地R区块Kubla组地层砂体在横向、纵向上的重点聚集区,确定有利油气聚集的重点层位.以BG盆地的区域地质、沉积相类型、钻井岩心和测井资料为基础,以高分辨率层序地层学理论及技术方法为指导,采用多级次基准面旋回层序划分和等时对比方案,对R区块Kubla组沉积-层序进行精细分析,识别出长期、中期、短期3个级次的基准面旋回层序,重点对短期和中期旋回层序的划分方式、层序类型和组合叠加式样进行了讨论.确定向上“变深”的非对称型和对称型旋回为各级次旋回层序的主要结构类型.以中期旋回层序为等时地层格架、短期旋回层序作为等时地层单元,建立起R区块Kubla组高分辨率等时地层格架.中期上升半旋回底部和下降半旋回顶部砂体的横向连通性较好,垂向上MSC3上升半旋回底部以及MSC2下降半旋回顶部砂体发育较好,是油气富集的有利层位.     

基于改进灰色模型的我国天然气产量预测研究

在灰色预测模型的研究基础上,针对灰色预测模型拟合结果误差方面的问题,引入了广义翁氏模型的对数方程式积分形式,以此思想给出了灰色预测模型提高预测精度的理论依据及其改进过程,构建改进后的灰色预测模型.将该改进后的模型用于模拟我国2002年至2011年天然气产量数据,结果显示该改进模型的拟合结果优于改进过程中所应用的任何一个单独模型的拟合结果.使用改进模型预测了2012年至2025年我国天然气产量数据.     

Logistic自记忆模型在国民经济预测中的应用

运用改进单纯型法、Logistic自记忆模型对国民经济进行预测,并与钟建生等的预测结果进行比较.结果表明:改进单纯型法优于线性变换法;Logistic自记忆模型优于Logistic模型.该研究为各行各业的预测提供了一种新的思路和方法.     

复杂地形大气质量预测模型探讨

对复杂地形大气预测的特点进行了分析,并以高斯扩散模型为基础,介绍了几种不同成因的修正模型,通过实际验证,修正模型可满足应用要求。     

Logistic模型在高层建筑物沉降监测中的应用

介绍了Logistic增长曲线模型,通过实测数据建立沉降预测模型,拟合出s-t曲线,用平均绝对百分误差(MAPE)来评价预测模型拟合的精度,发现Logistic模型属于高精度拟合.将预测数据与实际观测数据进行对比分析,预测精度较高.结果表明该模型可用于高层建筑物的沉降预测情况.     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

基于熵权组合模型的风电功率预测

利用灰色预测法、人工神经网络法、ARMA时间序列法3种不同的预测模型对某风电场的风电功率进行了预测研究。计算结果表明,利用单一预测模型进行预测的精度有待提高。提出建立组合预测模型对风电功率进行预测,为了充分利用单一预测方法的优势,引入熵值理论。利用熵值法确定组合预测模型中的权重,进而建立熵权组合预测模型。模拟结果表明,熵权组合预测模型可以有效地提高风电功率的预测精度。     

用基于实数编码的自适应遗传算法求解产量预测模型

产量预测模型本质上都是具有若干待定参数的非线性模型 ,对它的求解可表示为一个连续参数优化问题。用基于实数编码的自适应遗传算法对产量预测模型进行了求解 ,并针对模型求解的特点 ,提出了自适应变异、最优个体保留、分段定义变加权适应度函数等若干改进措施 ,从而加快了运算速度 ,保证了问题的收敛 ,并可按需要区别对待不同时间阶段动态数据对拟合效果的影响。该方法具有通用性 ,几乎所有的模型都可用其求解。用实测数据对Weng旋回模型和产量双曲递减曲线进行了求解 ,实例分析表明该算法具有较强的实用性。     

面向区域交通状态预测的时空集成模型

在智能交通系统中,交通状态预测发挥着至关重要的作用。针对现有的交通预测方法集中于中微观层面,且时间和空间维度单一的问题,提出了一种面向区域宏观交通状态预测的集成模型。该模型以交通指数为依据,在时间维度上采用时间序列预测方法获得时间预测结果,在空间维度上采用支持向量回归方法获得空间预测结果,并在集成模型中将两者的结果融合。在交通指数云图上的实验结果表明,与单一维度的时间或空间模型相比,该模型能显著提高预测精度。     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.