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.     

基于组合预测包容性检验的单项模型选择

组合预测模型实际上是单项预测模型的信息进行选择利用的过程.最优组合中单项预测模型的选择是十分重要的问题,将包容性检验应用于组合预测单项预测模型的选择;给出了基于组合模型包容性检验的单项模型的选择方法和步骤,该方法主要是利用增加一个单项预测方法的组合预测模型与原组合预测模型之间的包容性检验,确定单项模型是否要保留在组合预测模型中,这样可以达到提高组合预测的预测有效度.最后通过应用实例的分析,表明通过组合预测模型的包容性检验筛选出合适的单项预测模型,再建立组合预测模型就能够达到提高预测精度的效果,因此该方法是可行的和有效的.     

核估计在双指标变权组合预测中的应用

在多项式系数自回归模型和半参数模型的基础上,建立了基于误差倒数以及相关系数双指标的变权组合预测模型.同时给出了一种新的确定预测值权重的估计方法,并对银的期货价格进行实证研究.结果表明,多指标变权组合预测模型的预测精度高于每个单模型的预测精度.     

基于组合预测包容性检验的单项模型选择

组合预测模型实际上是单项预测模型的信息进行选择利用的过程。最优组合中单项预测模型的选择是十分重要的问题,将包容性检验应用于组合预测单项预测模型的选择;给出了基于组合模型包容性检验的单项模型的选择方法和步骤,该方法主要是利用增加一个单项预测方法的组合预测模型与原组合预测模型之间的包容性检验,确定单项模型是否要保留在组合预测模型中,这样可以达到提高组合预测的预测有效度。最后通过应用实例的分析,表明通过组合预测模型的包容性检验筛选出合适的单项预测模型,再建立组合预测模型就能够达到提高预测精度的效果,因此该方法是可行的和有效的。     

基于参数化三角范数的铁路货运量选择集成预测

针对铁路货运量预测中预测方法单一、准确度不高、泛化能力弱问题,基于参数化模糊逻辑理论,结合前序法选择策略,提出了一种新的基于Yager三角范数的选择性集成学习模型,并应用于铁路货运量预测.采用5种常用的单预测模型作为候选基学习机模型,以误差率作为评价指标,采用前序选择策略选定2种基学习机进行集成预测;以遗传算法和最小二乘法确定集成模型的参数,实现铁路货运量预测基学习机的最优组合.试验结果显示,对比单预测模型、最优组合预测模型和均方误差导数预测模型,新提出的选择集成模型取得了最低的误差率,表明其在铁路货运量预测中能够有效提高预测精度.     

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.     

基于特性和影响因素分析的短时交通流预测

可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块三个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。     

基于预测有效度的IOWA算子模糊组合预测方法

传统的组合预测方法大部分都是针对数字型数据进行的,但在实际生活中,预测对象具有模糊性,常用三角模糊数表征其特征信息;提出了基于模糊信息的一阶预测有效度的概念,并将其作为精度指标,运用诱导有序加权平均(IOWA)算子对三角模糊数信息进行集成,建立了相应的组合预测模型,实例分析表明基于一阶预测有效度的IOWA算子模糊组合预测模型是可行和有效的。     

基于TOPSIS的最大贴近度的最优组合预测模型及其性质

TOPSIS方法是一种常见的决策方法.将其作为一种新的预测精度的准则,引入正理想点序列、负理想点序列等概念,构建了基于TOPSIS的最大贴近度准则的最优组合预测模型.针对该模型,定义了新的非劣性组合预测、优性组合预测、冗余预测方法、预测方法优超等概念,研究了模型的若干数学性质,从理论上阐述了最优组合预测的优越性.最后给出实例分析,并和其他组合预测模型进行了对比分析,结果表明提出的组合预测模型是可行有效的.     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析（neighborhood components analysis,NCA）特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

最优组合预测及其在瓦斯浓度预测中的应用

瓦斯浓度预测是预防煤矿瓦斯事故的关键技术之一,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现瓦斯浓度预测模型的最优组合,利用实际数据、通过与单一时间序列模型、线性回归模型及人工神经网络模型的预测精度对比分析,验证了瓦斯浓度最优组合预测模型的有效性和实用性。     

组合预测方法在电力系统负荷预测中的应用

组合预测方法是一种性能优越的预测方法.应用最优组合预测和递归等权组合预测方法将自适应滤波模型、灰色模型、指数平滑模型组合在一起进行电网负荷预测,获得了好的预测效果.     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

线性组合模型及在人口预测中的应用

介绍了线性组合模型并以江西省人口数预测为例,分别利用线性回归预测模型、灰色预测模型、Logistic人口预测模型进行预测,并把这3种预测模型进行最优组合和线性组合,用共轭梯度法性求预测模型的系数。然后对这5种预测模型的结果进行比较,结果表明线性组合预测模型的效果比单一预测模型效果好,也比最优组合预测模型的精度高。     

贝叶斯动态线性模型的组合预测

组合预测就是将随机变量或向量的点预测进行组合，这些预测是根据几个模型所给出的，一般的方法是求这些点预测的算法平均值。本文给出的是根据模型的预测精度确定权的贝叶斯动态线性模型的组合预测，它的预测精度比取算术平均值的预测精度高。     

基于算术平均最小贴近度和BP神经网络的变权组合预测模型研究

通过构造新的差值-比例矩阵,对2012年的沪铜期货价格建立了基于算术平均最小贴近度和BP神经网络的变权组合预测模型,并对沪铜期货价格进行了实证研究.结果表明,基于算术平均最小贴近度和BP神经网络的变权组合预测模型的预测精度明显高于各个单模型的预测精度,说明了此变权组合预测模型是有效的.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

组合预测中基于粗糙集理论的权值确定方法

权系数的确定问题是组合预测方法中的关键和难点，提出了一种基于粗糙集理论的权系数确定方法，将权系数确定问题转化为粗糙集中属性重要性评价问题，建立了关于组合预测方法的关系数据模型，通过属性值特征化建立了知识系统，在数据驱动下通过分析预测方法对预测对象的依赖性和重要性，计算出组合预测模型的权系数，该方法克服了传统权系数确定方法的主观性，避免了线性或非线性极值问题的数值计算，使得组合预测方法具客观性，所给案例说明了所提方法 的有效性。     

系统非线性组合预测方法及在黄河凌汛预测中应用

为了提高预测的精度，尤其是冰凌中长期预测的精度，基于工程模糊集、人工神经网络、遗传算法与组合预测理论，提出了系统非线性组合预测方法，给出了黄河内蒙段冰凌三种单一预测模型的非线性组合预测值．结果表明，所建立的非线性组合预测方法物理意义明确，数学推导过程严谨，预测精度高于任意单一预测模型．