两种改进的GM(2,1)模型及其在船舶横摇预报中的应用

实时准确地预报船舶横摇运动是目前船舶运动研究的一个重要课题,对于提高船舶的耐波性和适航性具有重要的意义.灰色GM(2,1)模型有2个指数分量,能反映出序列摆动的运动情况,但预测精度仍然不足.因此在GM(2,1)模型对非线性复杂横摇运动进行建模及预测的基础上,基于误差补偿的思想,用周期外延和神经网络2种方法分别对灰色模型进行改进.仿真结果表明,灰色-周期外延组合预测模型和灰色-BP神经网络组合预测模型均能准确有效地预报船舶横摇运动,进一步提高灰色模型的预测精度,为船舶减摇控制打下了良好基础,具有实用价值.     

基于支持向量机的巴拿马型干散货船队运营区域选择

提出一种基于支持向量机的巴拿马型干散货船队运营区域选择方法.该方法考虑4条航线的波罗的海巴拿马型指数对巴拿马型干散货船队经营者在进行运营区域选择时的影响,从而为船东对自身船舶运营决策提供参考.为验证模型的准确性,本文整理了市场上2000多条巴拿马型散货船的运营信息,结合本文提出的模型进行计算.结果表明:模型计算出的船舶航线选择在大西洋和太平洋上与实际情况平均相对误差分别为4.05%和9.06%.     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

神经网络模型在短期交通流预测领域应用综述

对基于神经网络的预测模型和方法的研究进行了综述,基于神经网络模型用于短期交通流预测的优点和固有缺陷,认为多种神经网络相结合的混合模型比单一的神经网络模型的预测效果要好,而将神经网络模型与其他领域的研究相结合的综合模型的预测效果要好于混合模型。因此,神经网络与各相关学科的人工智能技术有机结合将会形成强大的综合优势,更有效地用于短期交通流预测研究。     

三峡出闸船舶航速分布规律与预测应用

为监控出闸船舶的异常航速、科学调度出闸船舶、提高船舶出闸效率和保障船舶出闸安全,研究了三峡出闸船舶航速分布规律与预测应用问题.以船舶AIS(automatic identification system)统计数据为基础,通过直方图方法分析了船舶离闸距离、船舶尺度与船舶出闸航速之间的关系,在此基础上,利用80％的AIS数据建立了基于BP(back propagation)神经网络的船舶出闸航速预测模型,并以20％的AIS数据对船舶出闸航速预测模型予以验证,最后通过案例阐释航速预测模型的应用.结果表明:该模型预测航速的平均误差为6.7％,对预测航速和实际航速进行单因素方差分析,两组数据并无显著性差异.可见基于BP神经网络的船舶出闸航速预测模型可以应用于船舶出闸航速预测.     

基于机器学习在空气质量指数中的应用

利用机器学习和多元线性回归模型对西安市近一年的空气质量指数进行了研究,首先利用随机森林思想对数据进行了补齐,然后运用交叉验证对神经网络模型选取最优的隐层节点数和训练周期数,最后,通过比较两种模型的拟合效果发现,神经网络模型在对空气质量指数的预测效果明显好于多元线性回归模型。     

基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于GA-BP模型的船舶柴油机排气温度趋势预测

建立基于BP神经网络的时间序列预测模型,并用遗传算法(GA)对模型的权值和阈值进行优化.通过对某船舶主机排气温度实际案例的预测对该模型进行验证.结果表明:两组GA-BP模型预测结果的平均偏差分别为0.39℃和0.74℃,模型比较可靠、准确,可适用于船舶主机排气温度的趋势预测.     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

金融时间序列预测中的神经网络方法

概述了神经网络方法在金融时间序列预测应用中所面临的有关问题,给出了解决方法;针对有关模型和算法作了计算模拟与分析,得到了一些可供今后研究参考的经验结果;讨论了金融时间序列预测中主要的神经网络模型,如多层前馈网络、径向基函数网络以及支持向量机网络等.总结了关于模型改进的一些近期研究进展与结果,指出了神经网络用于金融时间序列预测的一些可能的方向.     

递归神经网络预测在库存管理决策中的应用

为解决供应链中库存管理的不确定性问题，建立了基于递归神经网络技术的需求预测模型，并在此基础上提出了该模型的学习算法．通过实验仿真将该模型同经典多层前馈神经网络模型的预测效果相比较，得出了该模型在多步预测方面比较优越的结论．利用某企业的销量预测进行了实例验证，效果良好．     

资本市场有效性假说与AR-X-GARCH模型的应用

资本市场有效性假说的实证分析主要有随机游走检验，相关性检验和ARCH类模型检验，而ARCH类模型较好地揭示高频金融时间序列的条件方差时变性，波动集束和宽尾分布现象。使用AR－X－GARCH（1，1）模型分析深沪两市的弱式有效性，条件方差的特性及它们的交互影响。     

财政收入的组合预测

财政收入是政府宏观调控的重要手段，受众多因素的影响，应用组合预测方法来综合考虑多种因素预测财政收入，首先，根据财政收入的组成结构和随时间的变化规律分别建立回归模型与时间序列模型两个线性模型；然后根据财政收入时间序列建立了BP神经网络的非线性模型，最后在此基础上建立组合预测模型，对财政收入预测进行了有益的探索。     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

应用Elman神经网络的混沌时间序列预测

利用改进的 Elman神经网络对 3个典型的混沌时间序列在不同的噪声水平下进行预测 ,探讨了神经网络学习与泛化之间的关系 ,通过试凑法给出了 Elman最优的隐节点个数。并利用3种指标对预测结果进行了评估 ,结果显示 Elman网络对混沌时间序列预测的良好特性     

利用人工神经网络进行感应电机转子磁链估计

为了准确估计感应电机转子磁链,实现感应电机高性能矢量控制,提出了两种基于人工神经网络的感应电机转子磁链的估计模型：采用串联结构的神经网络模型和采用复合结构的神经网络模型。前者是由递归网络和多层前馈网络串联组成;后者则是由这两种网络耦合而成。复合神经网络包含一个递归单元层和多个前馈单元层,类似于一个状态反馈系统。这两种网络模型主要是针对不同训练方式而建立起来的,针对复合结构神经网络还提出一种新的有效学习算法。仿真结果表明,这两种模型能够快速准确地估计在负载变化条件下感应电机的转子磁链。