基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络，通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序，进行多变量混沌时序的相空间重构，并采用改进的小波神经网络进行预测，证明其短期预测效果优于其他方法，说明该方法可以应用到经济增长混沌系统的预测中．     

基于自组织模糊神经网络的市场占有率模型

针对现有市场占有率模型(如传统的统计方法和近年来出现的模糊模型与神经网络模型)实际预测效果并不理想的问题，结合模糊神经网络和自组织理论建立了基于自组织模糊神经网络的市场占有率预测模型．该模型无需事先确定模糊控制规则，并能通过神经网络的结构及参数学习调整模糊神经网络的结构．最后结合实例进行了仿真．结果显示该模型优于其它模型，能为企业提供有力的市场占有率定量分析工具．     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度，采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上，确定了BP神经网络模型的特征参数，并根据实际情况，确定了输入层和中间隐层的维数，从而确定了模型的结构．用试验参数对模型结构进行训练，最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明，该模型的预测误差可以控制在10％以内，具有很高的精度预测能力．     

基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

RBF神经网络及其在液化气生产数据预测中的应用

针对化工生产中响应值测定滞后的问题，应用径向基函数(RBF，Radial Basis Function)神经网络建立生产数据预测数学模型．将该模型用于液化气生产数据预测，处理结果相对误差均小于5％，表明该模型预测效果良好．     

光面爆破效果BP神经网络预测

介绍了BP神经网络的基本原理，基于Matlab工具箱建立了预测光面爆破效果神经网络模型，从岩石力学性质，周边爆破参数两个方面对光面爆破效果进行分析和预测。为了加快神经网络模型的收敛速度。增强其跳出局部极小点的能力，采用了附加动量法和自适应学习速率结合的方法对网络进行训练，利用该模型对光爆效果进行了预测。取得了很好的效果。     

基于粗糙集和神经网络的空军航材消耗预测方法

针对空军航空器材消耗受某些影响因素的冗余性、非定量性以及消耗预测模型中很难体现问题．分析了影响航材消耗的因素，利用粗糙集知识约简方法去除冗余，选择主要影响航材消耗的因素，利用神经网络建立消耗预测模型．最后对该模型的预测效果与直接神经预测的效果进行了比较，显示了该模型的有效性和实用性，为航材消耗预测提供了一种新的有效决策方法．     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

基于门控循环单元神经网络的浆液pH的预测建模

吸收塔内浆液的PH值是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的PH值很难实现精准控制。本文利用门控循环单元（gated recurrent unit, GRU）神经网络在处理时间序列数据的优越性,对吸收塔内的浆液PH值进行预测建模,通过将燃煤电厂采集的影响浆液PH值的变量数据作为模型的输入,对模型进行训练处理,获得吸收塔内浆液PH值的预测模型。将预测模型应用于辽宁省华能营口电厂600MW机组湿法脱硫智能控制系统中吸收塔内浆液PH值的预测。结果表明相比于反向传播（back propagation, BP）神经网络模型、径向基函数（radial basis function, RBF）神经网络、循环神经网络（recurrent neural network, RNN）和长短期记忆（long and short term memory, LSTM）神经网络,该模型精确度更高,实用性更强。     

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。     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

融合多源数据的股指预测研究

金融市场中股票价格的变动受到多方面因素的影响,如何更好地利用更多的大数据为投资决策进行服务始终是各方研究的重点。本研究以沪深300指数为研究对象,采用图像化处理的方式融合财经新闻、市场交易数据和技术指标等多源异构数据,建立了卷积神经网络模型,对未来不同时间长度的股指图像数据进行涨跌预测。通过对模型结构的稳健性检验,使用60天融合新闻情绪、技术指标与股价三类图片的三层图片预测模型,预测股指未来5天后的涨跌样本外准确率可达65.2%。融合多源数据后的图片数据能够丰富单一的股价数据,从而提升了模型的预测准确率。通过与传统的线形模型、LSTM循环神经网络模型及其他经典卷积神经网络模型比较,本研究构建的预测模型在样本外预测效果最佳,表明本研究构建的基于多源异构数据的图片预测模型在股指预测中具有可行性和一定优势。     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型（Prophet）与长短期记忆循环神经网络（LSTM）预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法（PSO）求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MAE统计学指标将组合模型与单一模型进行对比,同时利用公开数据集进行对比实验。结果表明,Prophet-LSTM-PSO组合模型较Prophet、LSTM、移动平均自回归模型等（ARIMA）等单一模型有效地降低了医院住院量预测的偏离性,提高了预测精度。