一类产品需求预测的支持向量机方法

 需求预测是企业生产运营决策的基础,预测精度影响着产品的安全库存量,关系到企业利润和市场竞争力.建立了一类产品（包含多个品牌）基于支持向量机(support vector machine, SVM)的需求预测模型.在该预测模型中考虑了诸如季节性和促销等不确定性因子对产品最终需求的影响.模型的训练数据和测评数据采用的是由该类产品需求函数生成的数据.测试阶段的评价则是通过与其他统计模型（回归预测方法(REG）、双因素指数平滑法(DES)、Winter模型预测方法(WIN)）和径向基神经网络模型(radial basis function neural network, RBFNN)的对比来实现的.实验结果表明,基于SVM的需求预测模型预测精度明显优于其他模型,有效地降低了产品安全库存量,提高了企业利润,为解决这类产品需求预测问题提供了一个有力的工具.     

多元可变参数需求预测模型分析与应用

针对现有区域物流需求预测目标单一、预测数据复杂的问题,提出了多元可变参数的物流需求预测模型.在分析区域物流需求预测影响因素,并建立区域物流需求预测指标体系的基础上,运用粗糙集理论对预测指标进行预处理,建立多输入多输出小波网络(multi-input and multi-output wavelet network,MMWNN)多元预测模型,采用迭代梯度下降法和逐步检验法确定预测网络中的可变参数.利用粗糙集约简后的评价指标来实现对多元区域物流需求的预测,实例仿真结果表明该模型具有较高的预测精度和有效度.     

交通运输需求的综合预测分析

在探索交通运输需求预测方法的基础上,从交通运输需求的角度描绘了交通运输与经济发展的关系,提出了预测精度较高并具有较高实用价值的递归等权预测方法.     

基于矩阵分解的电力物资需求预测

准确预测变电站及配网工程的物资需求,对于节约工程成本,提高资金利用率,具有重要意义.尽管研究者在电力物资需求预测方面已经开展了一系列的研究,提出了很多预测模型和算法,例如基于神经网络的算法,然而,这些算法普遍存在输入数据过于简单和理想、仅对少数几种物资的需求量进行了预测实验、预测的准确率偏低等不足.因此,目前生产系统普遍采用人工方式进行电力物资需求预测,由有经验的领域专家根据工程初步设计方案预测各类物资的需求量.为了解决现有电力物资需求预测方法存在的不足,本文提出基于矩阵分解的预测方法,以电网建设项目物资需求历史数据和项目计划的部分物资作为输入,通过矩阵分解算法对项目其他物资需求用量进行预测.矩阵分解算法不需要大量的历史用量数据,只用部分项目的物资数据就能进行预测,且算法不需要提前进行训练.     

支持向量机在装备保障链需求预测中的应用研究

准确的需求预测是装备保障链敏捷运行的重要条件.针对装备保障链需求预测过程中,需求不确定、样本数量较少的实际情况,采用了一种新的预测方法--支持向量机.该方法基于统计学习理论的原理,较好地解决了小样本、非线性的学习问题.建立了装备保障链需求预测的支持向量机模型.并以某物资的需求预测为例进行实例验证,计算结果表明,这种方法比传统的方法有更好的预测精度.     

产品需求预测及其建模技术的研究

介绍了产品需求预测的概念,并比较了不同的产品需求预测方法的特点。以某电视机厂为例,利用各种预测模型,对该电视机厂2001年和2003年的产品销售量进行了模型预测,详细说明了组合预测的基本原理和建模步骤,给出了模型的实际应用效果,与实际销售量进行了比较。     

城市化进程中城市土地需求预测研究

在对城市化进程中影响城市土地需求的指标进行系统分析的基础上,将BP神经网络模型引入城市土地需求预测,构建基于BP神经网络的城市土地需求预测模型,并以西安市为例,对其土地需求量进行预测.结果表明,随着城市化进程的发展,西安城市土地需求量年平均以7.53%的速度递增,2007-2011年共需土地14077hm2.该研究能够为城市土地需求预测提供新的方法.     

一致性特征下综合体停车需求预测方法

基于单一建筑功能停车需求一致性特征的分析,采用停车需求高峰比系数对建筑功能停车需求分布趋势进行分时刻描述,提出了单一建筑功能停车需求预测的影响系数修正模型,并基于共享停车理念建立了综合体停车需求预测三步骤模型,且在实际案例中进行了良好的应用.由于采用了分时刻需求分布预测法,综合体停车需求的预测结果信息较为丰富,也为停车设施后期的精细化管理提供了良好的数据支持.     

基于服务-购买意愿的双渠道短生命周期产品需求预测模型——以快时尚服装行业为例

以短生命周期产品的代表快时尚服饰产品为研究对象,在现有Bass模型的基础上,引入平均服务影响因子和商品平均重复购买率以反映实际需求.通过算例分析比较模型改进前后的主要预测指标,从而阐明基于服务-购买意愿的改进Bass模型能够更好地实现短生命周期产品的需求预测.     

基于误差修正时间序列模型的短期电力需求预测分析

随着经济、社会和工业的快速发展,电力需求突飞猛进.电力行业也逐渐成为影响全球社会经济发展地位的重要的因素,不准确的需求预测增加了电力行业的运行成本,特别是在市场环境中,精度即意味着金钱,准确的电力需求预测是有价值的。本文主要对许昌市短期电力需求进行分析预测,利用许昌市用电量的相关数据,分别应用移动平均法、时间序列法建立模型并对模型进行预测和分析,再通过对这两种预测方法分别赋予不同的权重建立加权组合预测模型来改进预测误差,通过比较分析得出加权组合模型预测的精度更高。     

基于BP神经网络的纺纱质量预报模型

简述了纺纱质量预报的理论与实际意义，应用了BP神经网络的标准算法。通过建立BP神经网络模型对细纱条干不匀率(CV）断裂强力(BS)与纺纱断头率(ED)进行预报，并与多元线性回归方法进行比较，验证了BP神经网络预报的准确性与高效性。最后以纺纱断头率(ED)预报为例，指出了今后神经网络在纺纱质量预报应用中亟待解决的问题。     

应急物资需求预测研究现状与发展趋势

应急物资需求预测研究是灾后应急救援的重要组成部分。为系统了解应急物资需求预测的研究现状,查阅大量国内外参考文献,对目前应急物资需求预测研究中常用的案例推理法、神经网络法和灰色系统预测法进行了讨论分析,总结了各自的优缺点及适用条件;并分析总结了近几年的研究重点方向。结果表明,应急物资需求预测在多元化、准确性、智能化等方面的进一步研究对灾后救援有着更大的现实意义。基于此,本文对应急物资需求预测未来的发展方向及研究重点进行了展望,对于应急物资需求预测未来的研究及应急救援体系的建立具有一定的参考作用。     

注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出了一种基于注意力机制 的长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)航线订座需求预测模型。首先, 对采集得到的航线订座需求数据进行数据清洗与指标计算处理,接着,对处理后的指标数据基于注意力机 制做权重分配,然后进行 LSTM 航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果 值。将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果。实验结果表明, 基于注意力机制的 LSTM 航线订座需求预测模型预测精度较高,以厦门-上海为例,预测结果在与真实值 的对比下,平均绝对误差(Mean Absolute Error,MAE)为 13.1,均方根误差(Root Mean Square Error,RMSE) 为 17.2,相比较于移动平均法,指数平滑法,循环神经网络（Recurrent Neural Network,,RNN）,CNN-LSTM 混合模型有较好的预测效果。     

基于大井法和地下水模型系统数值模拟方法的某矿坑涌水量预测对比分析

摘 要：在矿山实际生产过程中，涌水量精确预测具有重要意义。为解决预测值准确度不够的问题，本文运用大井法和GMS数值模拟方法进行某矿坑涌水量双重预测对比分析。采用地下水动力学“大井法”的承压转无压公式：得出最大降深平均涌水量为47948m3/d，最小降深平均涌水量为46501m3/d；使用GMS数值模拟软件得出矿坑平均涌水量为32000m3/d，最大涌水量为38000m3/d。对二者结果进行对比分析：大井法预测公式是在含水层水平、等厚、均质等严格条件下推导出来的，但矿山实际上并没有完全满足公式的前提条件，其预测结果将会偏大；数值模拟方法适应性强，预测精度高，已经被大量应用于各个方面，由该方法得出的数据将会比大井法得出的数据范围小且更为精确。双重预测方法得出该矿坑涌水量的大范围和小范围预测值，结果表明该矿坑涌水量较大是不争的事实，研究成果将为开采矿山提供技术支撑。     

基于最大Lyapunov指数的网络业务流量预测

在高速网络资源分配与拥塞控制研究中,网络业务流量的预报是一个具有重要意义的课题.基于准确的业务预报,网络管理和控制方案更易于适应业务流量的动态变化,从而达到优化网络性能的目的.而高速网络中大量存在着以自相似性为特征的多种业务流量.已有研究表明,这种自相似特性与混沌现象的吸引子有着紧密的联系.笔者利用混沌时间序列的重构相空间方法,对高速网络中自相似信源的速率做出了预测,并给出了最大可预报时间.该方法的预测模式简单,仿真结果表明,预测的精度也比较高.     

基于灰色马尔可夫链模型的中国能源消费预测研究

随着中国经济的不断发展,能源需求不断上升,能否准确预测中国能源消费量对中国经济乃至全球经济发展都有重要的指导意义.现行的预测方法主要有回归分析法、经验模型法、时间序列法、指数平滑法和灰色系统预测法等.灰色系统预测方法在预测波动性较大的非平稳数列上有不足之处,而马尔可夫预测却适用于随机波动性较大的数列的预测.因此本文将灰色系统理论与马尔可夫链相结合,建立了能源消费总量数据的灰色马尔可夫链模型.实证分析表明,这种模型的预测精度高于GM(1,1)预测模型,预测效果较好.     

一种基于模型转换的GLONASS历书预报算法

通过对GLONASS历书预报算法的研究,提出了一种基于模型转换的GLONASS历书预报算法. 该算法采用最小二乘估计方法将一天内的GLONASS卫星精密轨道数据拟合成一组轨道根数,采用建立的历书转换模型将该组轨道根数转换成GLONASS历书参数. 采用STK(satellite tool kit)软件产生的精密轨道数据对该算法进行了验证. 同时将该算法应用于GLONASS导航信号模拟器并用JAVAD 112T商用接收机进行长时间的实测. 结果表明,该算法简便、有效且准确度高,完全满足导航用户对历书预报精度的需求.      

面向精细化管理的停车需求短时预测

停车诱导系统（PGS）是缓解交通拥堵的有效办法,但停车需求短时精准预测作为空余车位发布的关键技术并没有得到有效解决。利用停车需求时变特征曲线的线型稳定性,以及在周内各工作日间的振幅的显著差异性对数据进行分组,采用不仅具备记忆时间序列数据能力,同时有着更简洁的逻辑门控制结构的GRU（gated recurrent unit）模型对停车需求进行短时精准预测,发现相比于传统神经网络以及ARIMA模型,在考虑停车需求周内日间差异性并对数据进行分组后的GRU模型能提供更高的预测精度。     

皮尔—遗传神经网络在预测深厚软基沉降中的应用

依托某高速公路应用塑料排水板堆载预压法处理深厚软基的工程实践．运用皮尔一遗传神经网络对其沉降观测结果进行了分析、预测．研究结果显示该方法预测精度高,说明这种方法对软土地基沉降的预测是有效的．     

基于BP神经网络模型的城市生活垃圾产生量预测研究

提出一种基于BP神经网络Levenberg—Marquardt算法建立城市生活垃圾产生量的网络预测模型。该方法优于传统的灰色理论预测模型和根据人口数预测垃圾产生量，预测结果客观、合理、精确，实用性强。该研究方法对我国城市生活垃圾管理和环境规划具有一定的指导意义。