线性回归在经济预测中的应用

本文着眼于经济问题中变量之间的相关性,引入统计学中的回归模型,采用最小二乘法对其加以预测。并举实例对具体预测过程加以说明,最后进行经济及统计检验说明其合理性。     

基于择优分段回归模型的变形监测数据分析

针对回归模型在应用过程中出现的预测信息流失,结合工程应用实例,对某隧道运用择优分段回归模型进行预测分析,建立时间与位移变形量的回归分析模型,并从统计检验、曲线线型、拟合度3个层面进行全面评价。结果表明:分段多项式回归模型、分段对数回归模型预测变形值的结果均优于单一多项式回归模型、单一对数回归模型;相比分段回归模型,采用择优分段回归模型能够更好的预测形变值。择优分段回归模型在工程上具有一定的实用价值。     

基于SVM的人才资源对陕西经济增长影响的预测模型研究

在构建陕西省人才资源指标体系的基础上,运用SVM方法构建了陕西省人才资源与经济增长的关系模型,并与基于BP神经网络的模型进行了对比分析。结论表明:采用结构风险最小化准则的SVM回归方法比BP神经网络模型具有更高的预测精度,是经济增长预测研究中的一种新型、有效的方法。     

灰色-线性回归组合模型在预测中的应用

针对现阶段灰色经济预测方法在实际应用时的千变万化的情况,结合实际调查和预测经验,提出了一种基于灰色理论和线性回归理论的模型--灰色线性回归模型.给出了灰色-线性回归模型算法的基本思想和计算步骤,并举例说明如何用该模型解决实际问题.结果表明灰色-线性回归模型用于预测是有效的和可行的.     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

生长曲线模型在隧道监控数据处理中的应用

分别采用Weibull生长曲线模型、对数函数模型、指数函数模型和幂函数模型等4种回归模型对某隧道拱顶下沉的实测数据进行了回归分析,并将各模型预测结果和实测数据进行了对比.结果表明：Weibull生长曲线模型的预测结果与实测数据最为吻合,精度最高,误差最小.因此,采用Weibull模型对隧道围岩变形情况进行回归分析,效果要优于其他3种传统模型.     

用神经网络建立消费函数的数学模型

宏观经济的预测常采用数学回归法建立其数学模型 ,这种方法的不足之处在于模型的结构 (解析式 )与其构造者的经历、阅历和知识结构有关 ,因而带有某种程度的主观性 ,不能充分映射经济系统复杂的非线性函数关系。本文将神经网络引入经济系统的建模之中 ,并用它建立了河南省城镇居民的消费函数模型 ,取得了较为满意的预测结果。     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

柴油机性能及排放预测高效试验设计应用研究

为柴油机性能预测及优化提供更为高效合理的试验方法,通过对比分析不同试验设计方法回归模型的精度及效率,研究了正交设计及均匀设计在建立柴油机性能及排放多元非线性回归预测模型中的应用。回归模型的建立采用了逐步回归分析方法,能够根据试验数据提取对预测参数影响最为显著的因素,建立最为精确且简单的预测模型。回归模型的建立除了包含各个因素的主效应外,还考虑了各个因素的交互作用及非线性作用,使回归模型更为精确。最后对2种试验设计方法的回归模型预测精度及效率进行对比分析,结果显示均匀设计在柴油机性能及排放预测试验研究中更为高效。     

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。     

试油层非线性产量预测模型研究

准确的产量预测是油田勘探开发的重要研究任务,而常规的预测方法无法应用于开发初期。同一勘探区块, 试油层产量与各影响因素存在一定的相关性。首先建立了产量与各静、动态参数的一元非线性回归模型,然后将其作 为新的自变量,进行多元线性回归,最后获得了预测试油层产量的非线性回归模型。现场实际应用表明,建立的多元 非线性模型比线性模型预测精度更高,适用性更好。为该勘探区块试油层措施改造决策提供了科学的指导,提高了试 油经济效益。     

一种基于支持向量机和模型树的回归模型及其在采煤工作面瓦斯涌出量预测中的应用

矿井瓦斯是煤矿生产过程中的主要不安全因素,能否准确预测采煤工作面上的瓦斯涌出量将直接影响矿井开采的经济技术指标.从数据挖掘与机器学习的角度看,瓦斯涌出量的预测问题是回归分析的经典应用.支持向量机和模型树在回归分析方法中显示出了优越的性能,本文应用支持向量机和模型树方法建立采煤工作面瓦斯涌出量的预测模型.实验结果显示,预...     

定比回归法在价格指数预测中的应用

为了解决各类统计方法在预测价格指数时精度普遍不高的问题，利用定比回归的思想，给出价格指数的一种具有较好精度和直接经济背景的预测方法，并在价格异常波动的年份通过修正回归直线的斜率的方式来得到修正的预测值，使人们在各种情况下都可以对价格指数的走向有一个较为明确的了解。这种方法，在预测各类增长指数型的指标时,可作为传统的线性回归法和灰色模型的一种有效的替代方法。     

基于BLS-Lasso组合模型的火电厂蒸汽量预测

在火力发电过程中,蒸汽量的准确测量,对于汽轮机机组的经济稳定运行具有重要的意义。针对传统蒸汽量测量方法精度低的问题,提出了一种基于宽度学习系统(broad learning system, BLS)和Lasso (least absolute shrinkage and selection operator)回归模型的组合预测模型。首先利用One-class SVM (one-class support vector machines)算法对样本进行异常值检测,将检测得到的异常值剔除。然后,采用最大信息系数(maximal informationcoefficient, MIC)对特征变量和蒸汽量进行非线性关联性分析,确定宽度学习系统和Lasso回归模型的输入变量,通过训练得出各自的预测结果。最后,通过最优加权组合法确定两单一模型的权重系数,将它们所得的预测结果线性组合,得到最终的预测结果。实例表明,所建立的组合模型有效地缓解了单一模型在变化剧烈的峰值和谷值预测偏差大的问题,能够准确地预测蒸汽量。     

Prediction of the Logistics Demand Based on an Innovative Mixed Model: an Empirical Case from Nanping City,China

The research intends to make scientific prediction of the logistics demand of Nanping City based on mathematical model calculation so as to provide reasonable strategic guidance for the sustainable and healthy development of urban logistics industry. It constructs a comprehensive index system composed of freight volume and other eight relevant economic indices to form the foundation for the model construction. Combining forecasting models of principal component regression and GM( 1,1) together,it makes mathematical calculation to predict the logistics demand of Nanping City from the years 2018 to 2022. The research makes systematical analyses of the indices influencing the precise prediction of logistics demand from a new perspective,which offers an innovative and practical option for urban logistics prediction. In line with the prediction,it offers some suggestions for the improvement of demand prediction and some strategies for the better development of the logistics industry in Nanping City.     

人工神经网络构造经济预测模型方法的探讨

探讨利用人工神经网络建立经济模型的一般原理和方法,并通过构造一个宏观经济模型的实例加以说明.与传统的回归分析方法相比,人工神经网络具有良好的适应性和分析预测能力.     

计及误差修正的VMD-LSTM短期负荷预测

精确地短期负荷预测为电力系统经济调度和机组最优负荷分配交易奠定基础。因此,提出了一种将变分模态分解（variational mode decomposition,VMD）和长短期记忆神经网络（long short-term memory,LSTM）结合的短期负荷预测模型,并使用支持向量回归（support vector regression,SVR）构建修正后的误差序列对初始预测序列补偿。首先,运用VMD算法将非平稳的负荷序列分解为多个相对平稳的模态分量;然后,将每个模态分量输入LSTM模型进行预测,并将各分量预测结果合并得到VMD-LSTM的预测结果;最后将残差值输入SVR模型中构造误差序列,来修正后一日的VMD-LSTM预测结果。通过实际案例测试,实验结果对比其他模型结果有更低的预测误差,证明所提方法的有效性。     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。