基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于灰色模型和神经网络的客户流失量预测

为了把握客户流失量的变化趋势,提高客户流失量的预测精度,提出一种基于组合优化理论的客户流失量预测模型.分别采用灰色模型和神经网络对客户流失量进行建模与预测,并对客户流失量线性和非线性变化趋势进行刻画,然后采用支持向量机对灰色模型和神经网络的预测结果进行加权,得到客户流失量的最终预测结果.用仿真实验对模型的性能进行测试,结果表明,相对于单一客户流失量预测模型,基于组合优化理论的客户流失量预测模型可以从多个方面对客户流失量的变化特点进行描述,提高了客户流失量的预测精度.     

基于灰色系统和神经网络的高校科技活动投入数据预测组合模型研究

分别使用灰色系统预测模型、神经网络预测模型和灰色系统-神经网络组合模型对高校科技活动投入数据进行预测.结果显示:与其他两个预测模型相比,灰色系统-神经网络组合模型预测效果明显较好,相对误差明显得到改善.使用灰色系统-神经网络组合模型对2015年和2016年高校科技活动投入进行预测.     

基于径向基神经网络的集装箱吞吐量组合预测

利用上海港国际集装箱吞吐量的历史数据,分别采用灰色预测法和三次多项式曲线模型建立了单项预测模型.利用径向基（RBF）神经网络对两个单项预测模型结果进行了组合预测,以作为其最终的预测值.实验结果表明,采用组合方法比采用单一预测方法的预测精度有了进一步的提高.最后,应用马尔可夫链预测模型对组合预测结果进行分析,增加了结果的可信性.     

基于灰色理论的交通量预测

灰色模型可以在交通量资料缺乏的条件下建立模型进行预测,运用灰色模型对未来交通量进行预测。在灰色预测的基础上,建立了一阶单变量的交通量预测模型,运用灰色GM（1,1）模型来体现交通量的灰色性。实例计算分析表明,模型精度良好,预测结果与实际状态基本相符,成功地预测了交通量,预测结果证明了该模型的优点,该模型具有较强的适用性。本方法简便、适用,尤其能够在历史数据缺乏、离散性高、并对影响历史数据的各因素认识不十分清楚的情况下,能够得到较高精度的预测结果,利用灰色理论进行交通量预测是一种行之有效的方法。     

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IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

山东省公路机动车货运量及运力组合预测

本文利用山东省公路机动车货运量、运力及国内生产总值时间序列信息,根据灰色系统及回归理论,建立山东省公路机动车货运量及运力灰色预测模型和回归模型,并利用组合预测方法进行预测,为控制山东省运力发展提供依据。     

神经网络集成模型在广东省海洋生产总值预测中的应用

海洋生产总值预测是一项极其复杂但又非常重要的工作,本文探讨了神经网络集成模型在广东省海洋生产总值预测中的应用.通过采集广东省2000—2010年海洋统计年鉴数据,借助Bagging方法生成仿真数据训练网络个体,将12个个体网络集成对广东省2010年海洋生产总值进行预测分析,该模型解决了海洋经济数据非线性、时变性、样本量少和偏差大等问题.与线性回归方法的比较结果表明,神经网络集成模型预测海洋生产总值的结果更可靠.     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,本文为了准确的对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证,结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型,以均方误差（MSE）为评价指标,将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。