基于ANN-泊松模型的预测研究

目前,经济预测主要采用基于传统研究方法或人工神经网络技术的单项预测方法．近年来的研究表明,组合预测方法比单项预测具有更高的预测精度．本文提出了一种基于BP神经网络和泊松模型的组合预测新方法,对轮船发生事故进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在计数模型的预测中的应用是可行、有效的．     

基于组合模型的陕西省旅游市场需求预测

为提高旅游需求预测的精度,提出一种基于BP神经网络和ARIMA组合模型的游客量预测方法,该方法能够同时考虑旅游统计数据的线性和非线性规律.以陕西省接待入境游客人数为例,采用组合模型进行了综合分析与预测,预测结果表明组合预测模型相对于单一的预测方法具有更高的精度,在旅游预测中是可行的、有效的.     

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.     

基于最优加权的组合预测模型及应用

针对各种单一的传统预测方法中存在的问题,提出了一种基于最优加权的组合预测方法．根据珠江三角洲天河水文站的水位预测要求,运用最优加权法建立了多元线性回归、灰色系统GM（1,1）和BP神经网络的组合模型．实验结果表明,组合预测方法比各单一模型有更高的预测精度．     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分.引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势.实践证明,较单一模型具有更高的预测精度.     

基于改进型贝叶斯组合模型的短时交通流量预测

针对短时交通流量预测的难题,在传统贝叶斯组合模型进行改善的基础上,提出一种改进型贝叶斯组合模型.该模型只根据各基本预测模型当前时刻之前几个交通流量的预测表现,通过提出的分配算法实时更新组合模型中各个基本预测模型的权重,从而改善了传统贝叶斯组合模型权重计算迭代步长过长的缺陷,提高了贝叶斯组合模型对各个基本预测模型预测精度的灵敏性.通过对实地的交通流量的预测发现,基于改进型贝叶斯组合模型的预测精度不仅优于单一的预测方法,而且也优于传统的贝叶斯组合模型,从而证明了改进型贝叶斯组合模型有效提高预测的可靠性和具有一定的实用性.     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM和XGboost的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于CEEMD-BP模型的水文时间序列月径流预测

水文时间序列月径流预测在水资源的规划与管理方面具有重要的作用,由于径流序列的非线性和非平稳性,对其准确地进行预测较为困难. 本文基于1956—2013年青海湟水河流域月径流序列,将完备的集合经验模态分解方法（complete ensemble empirical mode decomposition, CEEMD）与BP神经网络组合进行月径流预测. 结果表明:组合模型CEEMD-BP和EEMD-BP相比于单一的BP神经网络,可以更好地保留原始数据的信息,预测效果更好,其中CEEMD-BP在组合模型中的预测精度更高,可用于水文时间序列月径流预测.      

基于S型增长曲线组合预测模型的滑坡变形预测研究

为了提高滑坡变形预测工作中的预测精度,采取基于S型增长曲线的组合预测方法,通过最优权重来组合滑坡预警预报中常用的Verhulst模型、Pearl模型,并将组合预测模型应用于历史滑坡的变形预测中进行验证研究。结果表明:单一预测模型中,Verhulst模型的预测效果较Pearl模型好,但拟合效果则是Pearl模型较佳;而基于最优权重的组合预测模型能充分利用单一预测模型的优势,能有效地提高滑坡变形预测的精确性。