基于基因表达式编程的人口预测模型

提出一种基于基因表达式编程算法(GEP)的人口预测新方法,并将该方法应用于东莞市人口预测实例问题研究。实验结果表明:由于基因表达式编程算法采用基因型与表现型相统一的编码方式、高效的遗传算子以及全局搜索的寻优方式,基于GEP算法的人口预测模型能够在样本少的情况下给出相对准确的预测结果。其验证数据的预测绝对值平均误差为0.96%,与灰色系统GM(1,1)预测模型及径向基人工神经网络预测模型相比,预测精度分别提高了18.34%、30.54%。GEP人口预测模型能够更好地挖掘人口发展的复杂非线性模式,有效防止过度拟合现象的发生,提供更为准确、合理的拟合及预测结果。     

基于IAO-LSSVM模型的基坑周围建筑物沉降预测: 以深圳华强南站地铁基坑为例

针对当前基坑开挖引发建筑物沉降预测模型存在精度不足、收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进天鹰算法(IAO)优化最小二乘支持向量机(LSSVM)的建筑物沉降预测模型。利用Tent混沌映射提高天鹰算法的种群多样性水平,再通过自适应权重强化算法的全阶段寻优能力;引入IAO算法优化LSSVM的正则化参数和核函数宽度,构建基于IAO-LSSVM的建筑物沉降预测模型,并将该预测模型在深圳华强南某地铁基坑工程中进行了验证。结果表明：该沉降预测模型相比于传统预测模型精度更高、收敛更快、跳出局部最优域的能力强;该模型预测值与实际沉降监测值吻合度较高,其误差在5 %左右,更适合预测城市中地铁基坑开挖引起的周围建筑物沉降。     

基于GA-BP神经网络的综合管廊投资估算研究

针对综合管廊造价高于传统市政管线设施,其估算具有影响因素众多、非线性等特点,综合考虑管廊长度、截面面积、舱数以及管线入廊个数等10个特征因素,充分利用遗传算法(GA)与BP神经网络模型的优点,建立了基于GA-BP神经网络的预测模型。通过MATLAB仿真试验,对综合管廊的投资估算进行预测研究,并与传统BP神经网络的计算结果进行对比。相关测试表明:检验样本的模拟输出值与样本真实值呈线性吻合,相对误差基本在5%以内,说明该模型预测综合管廊的投资估算比传统BP神经网络模型具有更高的精度和一定的实际应用价值。     

基于PSO-BP神经网络的隧道内气动压力幅值预测

将BP神经网络技术用于隧道内气动压力变化幅值的预测,使用粒子群算法(particle swarm optimization,PSO)对其进行优化,构建PSO-BP神经网络模型。为了验证模型的准确性和可靠性,利用收集到的数据样本对模型进行训练测试,并引入交叉验证法评估2种模型的性能。研究结果表明：PSO-BP神经网络能够准确预测不同情况下的气动压力幅值,而且在平均相对误差、平均绝对误差、均方根误差以及样本的决定系数等方面均比未优化的BP神经网络的好,具有更高的预测精度。通过建立的PSO-BP压力幅值预测模型,得到了压力幅值在不同条件下的变化规律。     

地铁隧道重叠段的沉降变形特性研究

为了实现地铁隧道地表沉降的高精度预测,先利用数量化理论Ⅲ筛选隧道地表沉降的重要影响因素;其次,在单项预测模型参数优化预测基础上,利用多种线性组合和非线性组合方法,实现了隧道地表沉降的组合预测研究。实例研究表明:在影响因素的筛选过程中,得出隧道沉降影响因素较多,其中,重要因素有3个,次重要因素有5个,一般因素有4个,并将后续沉降预测模型的输入层信息设定为重要因素和次重要因素。同时,单项预测模型的参数优化能在一定程度上提高预测精度,且各组合预测方法的预测效果均能不同程度的优于单项预测结果,并以非线性组合方法中RBF权值法的预测效果相对最优,其预测结果的相对误差值均值仅为1.58%,进而验证了该组合预测思路的有效性和科学性。     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的AR-MA时间序列模型和其他预测模型进行比较,以分析它的性能.     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

基于BP神经网络的高速磨削磨削力预测研究

应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.     

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GEP的四维飞行轨迹预测模型

针对传统的空气动力学模型在四维飞行轨迹预测上误差较大的问题,提出了一种基于改进的基因表达式编程(GEP)的预测模型.该模型通过历史飞行时间数据找出飞行位置、高度和过固定点时间的函数对应关系,预测下次飞行过每个固定点的高度和时间,对全程采样固定点的预测实现完整的四维轨迹预测.仿真试验验证了该预测模型更为理想,更加符合实际情形.     

基于特征模型的预测函数控制

传统的预测函数控制通常采用一阶的预测模型，该预测模型不能完全表征被控对象，因此使得传统的预测函数控制的鲁棒性受到一定限制．特征模型是一种比动力学模型简单，但能表征被控对象特征的模型．该文针对预测函数控制算法的缺陷，提出利用二阶特征模型来构成预测模型．通过工程建模获取了被控对象的特征模型，实现了基于特征模型的新型预测函数控制，并通过与采用一阶预测模型的预测函数控制进行比较．理论分析与实验结果均表明，采用特征模型的预测函数控制具有比一阶预测模型更好的控制效果，该算法在SUPCON-JX300X集散控制系统上实现．     

基于改进灰色组合模型的城市轨道交通客流预测 ——以西安地铁2号线为例

针对城市轨道客流培育发展大致呈S形曲线的特点,首先以灰色Verhulst模型对西安地铁2号线客流进行预测.为提高预测结果的精度,对原始数据形成的序列数据通过对数变换处理来减少其波动性.由于所研究轨道线路尚未到达客流饱和阶段,为了规避单一模型较大的风险性,针对不同模型的特点,从处理过的原数据列选取西安地铁1号线开通年度(2014年1月)之后的西安地铁2号线数列,此数据列数据量较少,波动性小,采用灰色GM(1,1)模型对处理过的西安市地铁2号线数列进行预测.通过将灰色GM(1,1)模型预测结果与改进Verhulst模型预测结果进行线性组合,之后将采用不同预测模型的预测结果与实际值进行对比分析,发现组合模型的预测精度更高.     

瓦斯涌出量的AFSA-ELM预测模型

为准确预测瓦斯涌出量,提出人工鱼群算法(AFSA)优化极限学习机(ELM)的瓦斯涌出量AFSA-ELM预测模型.该模型采用AFSA对ELM中的输入连接权值和隐含层阈值进行优化选取,为提高模型泛化能力,以训练样本的10次10折交叉验证的均方根误差的平均值作为AFSA目标函数的适应度值.利用18组煤矿实测数据进行试验.研究结果表明:AFSA实现了对ELM性能的优化,AFSA-ELM预测模型对样本的拟合度高,且具有较高的预测精度和泛化能力,即AFSA-ELM预测模型可以有效地实现对矿井瓦斯涌出量的预测.     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.     

小样本下基于卷积神经网络的费用估算研究

在当前的费用估算模型较依赖数学模型、无法根据样本大幅度调整模型参数的现状下,针对导弹特征属性和研制费用公开样本稀少以及不同型号的导弹样本对待预测样本的参考意义不同的问题,提出了小样本下基于卷积神经网络的导弹研制费用估算模型.为解决小样本和样本贡献值问题,结合双三次插值算法和反距离加权插值算法对导弹原始样本集进行插值.采用导弹研制费用卷积神经网络估算模型对插值样本进行学习,得到导弹研制费用估算结果.通过与线性回归、神经网络、支持向量机、WPCA&WSVR几种模型的对比实验,验证该模型在整体估算效果上优于其他模型.     

一种新的组合k-近邻预测方法

针对传统k-近邻(k-NN)算法基于单一k值预测难以兼顾不同样本的个性,从而导致总体预测精度不够理想的问题,提出了一种组合Bk-NN预测方法.首先通过Boosting理论建立了个性化预测模型集,然后分别采用每个模型对样本进行独立预测,最后各模型预测值的加权和将作为最终预测结果.Bk-NN预测充分考虑了不同类型的样本可能要求不同的预测模型与之相适应的情况,有效降低了预测误差.与其他方法不同的是,Bk-NN预测对数据集的属性类型没有特殊要求.在标准数据集上的实验结果表明,Bk-NN预测精度比传统k-NN方法平均提高了6.44%～15.25%.     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。