舰船装备维修费单项预测集对分析与组合建模

根据集对分析的基本原理,结合基于误差大小的集对分析组合预测,给出了基于误差方向的集对分析组合预测和基于模型性能的集对分析组合预测;针对基于误差大小的集对分析组合预测建模过程中,从关联度的确定到组合权重的计算过程相对复杂、难以理解,推导简化了组合预测权重计算过程;针对集对分析中同一度为0时导致组合预测模型信息丢失的问题,提出了一种基于折扣的同一度、差异度、对立度转换处理方法。最后算例说明了该方法的有效性。     

基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题，集成灰色理论和神经网络方法，提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1，1）模型的初始值与背景值，利用Levenberg-Marquardt算法改进反向传播神经网络模型；采用组合预测思想，将多方法融合改进灰色模型和神经网络模型，分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例，验证上述方法在故障预测中的有效性。结果表明，灰色神经网络组合模型的预测精度优于单一预测模型，可用于装备的故障预测和预测性维修。     

基于误差修正与分解的区间值股价时间序列预测研究

与点值数据相比,区间数据更能够从全局上刻画股票市场的内在结构特征.然而,已有关于区间数据的预测研究只关注误差序列的单次预测或原始序列的预处理,并且所采用的方法通常不能充分地提取区间值股价时间序列的主要特征.因此,本文提出了对区间值股价时间序列进行预测的误差修正与分解方法.鉴于误差序列在组合预测模型中的作用,本文首先采用Ljung-Box检验和机器学习模型对原始序列产生的区间值误差序列进行检验和修正.接着,利用双变量经验模态分解技术将修正后的误差序列分解成多个本征模态函数(IMFs)和一个残差.随后,利用单个机器学习模型对除了IMF1分量外的各个IMFs分量和残差分别进行预测.最后,将原始序列和误差序列的预测值进行组件聚合,重构出区间值股票价格的预测值.进一步,在提出方法的基础上,本文构建了基于误差修正和分解的区间值股价预测模型,并利用真实的股票市场数据进行实证分析.实验结果表明,所提出的方法在预测精度方面明显优于一些传统方法.     

基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型

针对复杂经济系统下时间序列所呈现出的小样本非线性残差特征,采用非线性残差灰色Verhuilst模型进行研究,修正传统计量模型对于残差信息挖掘不够,预测精度不高的问题,在此基础上,选择带有精英策略的EGA算法来建立灰色Verhulst计量组合预测模型,设计了算法实现的逻辑流程和非线性残差灰色Verhulst计量组合预测模型的整体建模思路,提出了改进多准则目标优化NP完全问题的新方法,对模型的预测效果进行比较分析.实证研究表明:基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型算法收敛速度快,拟合效果好,预测结果更精确.     

船测数据非平稳误差的小波预测方法

船测数据的处理精度极大程度地决定了我国航天测控的能力。分析表明,船测数据的混合误差是由次低频的修正残差和高频的随机误差组成的非平稳时间序列。为改进现有修正方法的效果,分析了修正残差和白噪声的小波变换系数特征,并提出了基于小波理论和时序建模技术的混合误差的预测方法。实例和仿真结果表明,该方法比直接使用时序方法的预测误差更小。     

基于模型概率的多模型融合定轨建模及仿真

针对实际定轨系统中存在的不确定性和非线性性,提出了一种基于模型概率的多模型融合定轨方法.通过多个线性模型的组合来逼近卫星定轨复杂非线性时变过程,将卫星状态的最优估计与多模型融合方法相结合,利用残差的大小来设计性能指标函数,给出了两种模型概率的表示形式,并建立了多模型融合估计相应的算法.仿真结果表明,与单一模型定轨方法相比,该方法不仅能大大提高卫星定轨精度和可靠性,而且还可以最终辨识和估计模型参数的真值,且对外界环境发生的变化有很强的自适应能力.     

基于集成预测的均值-方差-熵的模糊投资组合选择

通过基于集成预测的方法构建模糊投资组合, 代表性地选择了遗传神经网络模型、 多因素SVM回归模型和ARIMA时间序列模型作为组合预测中的单一模型, 并将单一模型预测结果作为模糊变量进行投资组合优化, 实证结果表明基于集成预测的均值 -方差-熵的投资组合相比其他组合收益率更高, 相对风险更低. 该方法可以用于投资基金管理、 金融风险管理等实际工作中,以便提高决策的科学性.     

基于反馈机制的动态副本数量预测方法

针对视频点播集群服务中对单一视频访问数量进行预测时,基于传统的历史信息加权方法产生的动态副本数量误差较大、点播集群负载均衡较差的问题,分析了传统方法预测误差产生的主要原因——对单一视频历史访问数量趋势信息的考虑缺失,并提出了一种基于反馈机制的动态副本数量预测方法。该方法在传统的基于历史信息加权方法的基础上,考虑了历史访问数量的趋势信息。对实际系统数据的模拟结果显示,在反馈系数等于1时,基于反馈机制可以使动态副本数量的平均预测错误率下降29.6%,峰值错误预测率下降42.9%。     

基于粗糙集理论修正的后续备件指数平滑预测方法

针对后续备件需求预测误差大的问题,提出一种基于粗糙集理论修正的后续备件指数平滑预测方法。根据备件需求数据呈现的趋势,通过拟合确定指数平滑法的次数和平滑系数。从装备在使用过程中影响备件需求数据波动的因素出发,提出了不依赖于基本预测方法的改进预测思路。构建基于粗糙集理论的修正模型。结合算例,对比分析所提方法的优越性,结果表明修正方法可以显著提高预测精度,提出的改进方法不涉及基本预测方法内部特性且无需引入其他辅助方法,通用性较强。     

基于向量夹角余弦的水文组合预报方法

针对水文预报中单个水文预报模型预报精度不高的问题, 提出基于向量夹角余弦的水文组合预报方法. 该方法采用组合预测理论建立了实测向量、预报向量和权值向量, 形成向量夹角余弦模型; 根据不同的历史水文资料状况, 给出拟合优度和动态逼近两种可变权值计算方法, 完成参数的率定, 并将各参数对预报精度的影响加以分析. 实验表明: 该方法能够有效地克服单个水文预报模型的不足, 通过实现多个单项水文预报模型的组合, 可将预报合格率提升约20%.     

基于数据变换的GM(1,1)误差校正方法

提高预测方法的预测效果具有重要意义,但是仅靠建立单一的预测模型来提高预测精度是非常困难的.本文对当前预测方法存在的不足进行了阐述,在此基础上提出将误差校正方法引入预测以提高预测精度的新思路.首先,采用预测方法(文中以T-S模糊神经网络方法为例)对训练样本进行拟合,再对预测对象进行初始预测;其次,引入加速平移变换和加权均值变换对误差序列进行处理,再以处理后的数据为样本构建基于数据变换的GM(1,1)误差预测模型,并对该序列后续点进行预测;最后,利用误差预测结果对初始预测值进行校正.文章最后以上证综合指数的收盘价的预测为例,算例分析表明,与校正前的预测精度相比,校正后的预测精度有显著提高,进而验证了该模型的有效可行.     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

基于背景值和边值修正的GM(1,1)模型优化

针对灰色GM(1,1)预测模型提高精度的问题, 提出了新的背景值优化公式代替传统的背景值优化公式, 再进行边值修正的方法. 该方法采用新的背景值优化公式求出紧邻均值生成序列, 并使用均方误差和最小准则, 针对原始序列和生成序列进行边值的修正. 通过对优化后的模型实证测算, 验证了修正后的模型在提高预测精度上的可行性和有效性.     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

基于NCAGA-投影寻踪混合优化城市客运量预测

为了提高参数投影寻踪回归(parameter projection pursuit regression,PPPR)模型对城市客运量的预测精度, 基于cat映射、高斯分布和精英局部搜索对加速遗传算法进行改进. 提出了新的混沌加速遗传算法(new chaosaccelerating genetic algorithm, NCAGA),用于对PPPR模型的最佳投影方向α的优选.建立了在外层优化岭函数个数M的同时,内层利用NCAGA优化最佳投影方向a的NCAGA-PPPR混合优化城市客运量预测模型,结合某市统 计资料进行了仿真预测.结果表明该方法的预测精度优于BP神经网络模型、传统PPR模型和基于加速遗传优选的PPPR模型, 平均绝对相对误差小于3.1%,提高了城市客运量的预测精度,可有效应用于城市客运量的预测.     

多属性群体决策的水文预报择优及组合方法

针对水文预报在参数受限条件下精度不高的问题,提出一种基于多属性群体决策的水文预报择优及组合方法.该方法首先建立预报正确率、确定性系数、合格区间、发生可能性四个决策属性;然后依靠理想模型给出属性权值的确定方法,并采用OWG和OWGA加以集结;最终基于评测值的序关系构成与实测值更为接近的预报区间.实验表明:该方法能够从多种预报方案中选择出相对误差较小的预报值,并形成一种高精度的组合预报模型,将预报提升一个等级.     

基于新陈代谢灰色马尔科夫的应急物资需求量预测方法

为提高受灾人数与应急物资需求量预测精度问题,提出了基于新陈代谢灰色马尔科夫的应急物资需求量预测方法。依据应急物资需求量预测思路,利用灰色、马尔科夫和新陈代谢理论,层级递进地构建新陈代谢灰色马尔科夫预测模型,实现受灾人数的动态预测;利用安全库存理论,构建应急物资柔性需求预测模型,实现受灾人数与物资需求量的供需平衡问题;运用本文模型、灰色马尔科夫模型和灰色模型对受灾人数与物资需求量进行预测,结果表明：该预测模型的相对误差要比其他模型小0.002 1%,预测精度明显优于基本的灰色模型,预测的受灾人口数量与应急物资需求量拟合度较高。