基于K均值小波神经网络的二阶段空调负荷预测

结合聚类分析和小波神经网络模型,提出一种二阶段空调负荷建模方法,以提高空调负荷预测精度.首先利用K均值聚类算法将原始负荷样本数据依据其统计分布特性划分为若干簇类,以降低数据相关性对建模精度的影响;然后基于对每个划分簇类所属的样本数据建立相应小波神经网络空调负荷预测模型.最后基于De ST平台模拟数据,将构造的小波神经网络预测模型运用于福建某办公大楼的逐时空调负荷预测.通过对比均方根误差(RMSE)和平均绝对误差(MAPE),结果表明该模型的预测精度明显优于传统单一的小波神经网络和BP神经网络模型.     

基于小波分析和BP神经网络的股指期货价格预测

将小波分析与BP神经网络相结合,构建了股指期货价格预测模型。选取沪深300股指期货从上市日至2013年8月20日的收盘价格数据作为样本,运用sym8小波变换对数据进行降噪处理,分别运用降噪前后的数据对BP神经网络进行训练和检验。结果表明,降噪数据可以有效提高股指期货价格预测的效果。     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络(DBN-APSOBP)组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的APSO去优化BP神经网络——APSO-BP的组合预测模型,用DBN模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题，提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合，采用反向传播算法进行权重学习，将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重，综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势，从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验，结果表明，基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征，与其他模型相比具有更高的准确率。     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

基于小波降噪的美国月度新房开工率的时间序列分析

基于有明显季节性规律性的时间序列数据与信号数据表现相似的特征,本文运用信号处理中的小波方法对原始时间序列数据进行降噪,提升模型的预测效果.针对选取的不同类型小波,通过更改阈值对原始数据进行降噪;以美国新建私有房屋开工率1990年1月至2014年5月的数据为样本,运用降噪后的数据进行模型拟合与预测,并与传统的纯时间序列分析建模结果相比较.结果表明对数据进行小波变换降噪的预处理之后效果更好:减弱了因局部高频变化数据导致的模型不稳定性;使数据更加平滑;提升了预测值与真实值的接近程度.     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

基于SA-DBN的超短期电力负荷预测

针对超短期电力负荷预测,提出一种使用集合经验模态分解与样本熵对原始数据预处理,再用模拟退火算法优化深度置信网络的组合模型进行预测.为了减小时间序列数据因自相关性导致预测值滞后于真实值,对原始序列采用EEMD分解,根据各序列的SE值将序列重构,再使用SA对DBN各隐含层节点数寻优构成的SA-DBN模型对重构后的序列分别预...     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络（DBN-APSOBP）组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的自适应惯性权重优化的粒子群算法(APSO)去优化误差反向传播神经网络(BP)神经网络——APSO-BP的组合预测模型,用深度置信网络(DBN)模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。     

基于BP网络与WPGM(1,1)组合模型的地面沉降预测

文章针对区域性地面沉降问题,从传统灰色模型出发,对其背景值进行改进,建立动态定权灰色模型,并结合BP神经网络建立组合预测模型。该组合模型克服了单一灰色模型或BP网络模型不能很好地处理原始沉降数列波动较大的问题。对某地一水准点的连续多年沉降量建立组合模型,对后期沉降进行预测,将预测结果与二等水准测量结果进行比较,主要采用后验差检验法和相对误差比较对模型模拟和预测结果进行了检验,结果表明该组合预测模型可以大大提高预测精度和鲁棒性。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于PLESN和LESQRN概率预测模型的短期电力负荷预测

针对现有电力负荷预测不能很好反映负荷数据的周期性和趋势性以及残差的波动性特征,提出一种考虑周期性建模的泄露积分型回声状态网络点预测模型和泄露积分型回声状态分位数回归网络概率预测模型组合的短期电力负荷预测方法。首先,为了捕捉负荷的多重特征,定义了周期性和趋势性损失函数,辅助优化点预测模型;然后,为克服残差的波动问题,利用概率预测模型对点预测值与真实值的残差进行建模预测;最后整合同时刻的点预测值与残差预测区间得到概率预测模型结果。实际算例结果表明,与其他模型相比,所提模型不仅有效抑制尖端振荡现象,而且能够生成可靠的概率密度分布。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

城市建筑安装涂料VOCs排放量模拟预测研究

通过建立灰色离散分数阶预测模型GM(1,1)、BP和RBF神经网络预测模型,以西安市建筑安装涂料产生的VOCs为例,将用于建筑安装的涂料量以及其驱动因子数据作为模型的输入值,用收集整理的2004—2011年16组西安建筑安装涂料消耗量数据进行BP和RBF神经网络训练模拟,2011—2014年5组年数据进行检验预测,采用曲线拟合度和相对误差2个评价指标对3种预测模型结果进行比较分析。结果表明,灰色预测、BP和RBF神经网络预测模型的样本训练及预测的平均误差为:-16.53%,、7.05%,和4.73%,,结合真实值与预测值的曲线拟合和误差下降曲线来看,RBF神经网络的预测结果优于BP神经网络预测结果,采用RBF神经网络预测模型对城市建筑安装VOCs的排放量进行预测具有模拟效果好和预测精度高的优势,对城市VOCs的治理有一定的参考价值。