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.     

大坝安全监测的ARIMA-BP组合预测模型

研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

白化方程优化和新信息的一类灰色模型

针对灰色系统理论中灰色预测模型预测方面,传统模型仅限于对近似齐次指数规律序列进行建模的不足,对原始序列为近似非齐次指数规律的情形,得到一类灰色NGM(1,1,K)模型,通过对NGM(1,1,K)模型中的白化方程进行优化的方法,同时利用灰色系统的新信息原理优化时间响应函数,建立了一种改进的灰色NGM(1,1,K)预测模型.实例结果表明,该改进模型具有较高的预测和拟合精度,推广了灰色预测模型的适用范围.     

基于组合预测模型的我国天然气需求预测

在世界能源低碳化的要求下,天然气以其碳含量优势成为低碳能源的重要组成部分,天然气需求预测也随之成为焦点.运用多项式趋势面分析法与GM(1,1)灰色预测法对原始数据序列进行处理,并将两模型下处理后的数据以及二氧化碳排量数据拟合回归方程建立组合预测模型,随后以我国2003—2011年人口、GDP、天然气消费量及二氧化碳排量数据作为原始数据序列进行实例分析,通过残差检验发现,该组合预测模型的预测精度在99.96%以上,属于较好的预测模型,预测数据可靠.最后,运用该模型对2012—2018年我国的天然气需求量进行预测.     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

基于AR模型的低轨卫星大气密度建模与预报

研究了采用时间序列分析进行低轨卫星大气密度的建模与预报。通过对低轨卫星历史和当前的大气密度进行时间序列建模、频谱分析,可以获得未来数个轨道周期内大气密度的预报模型,并结合GRACE卫星加速度计反演的大气密度数据进行了详细分析。研究结果表明:GRACE卫星一个轨道周期内的密度预报模型是以轨道角速度和时间表示的最高次数为2的傅里叶级数。与三维密度模型相比,这种密度预报模型仅与历史的大气密度有关、所需模型参数少,可为今后在卫星定轨和轨道预报工作中大气密度的建模和预报提供新的思路。     

基于灰色关联度分析和支持向量机 回归的沥青路面使用性能预测

沥青路面使用性能多因素预测是一个复杂的非线性问题,传统预测模型存在很多不足。为弥补传统模型的缺陷,建立一个高精度、长周期、多因素的预测模型,通过灰色关联度分析对各因素进行降维处理,选择与沥青路面使用性能关联度较大的影响因素进行支持向量机回归非线性预测,提出了基于灰色关联度分析和支持向量机回归(GRA-SVR)的沥青路面使用性能预测模型。最后选用广云高速实测车辙指数(RDI)值进行实例验证,并同GM(1,1)和PPI两种模型的预测结果进行了对比分析。结果表明:基于GRA-SVR建立的多因素预测模型具有很好的精度和可操作性,可在长周期过程中使用,为大数据养护决策提供了模型参考和依据。     

泥沙数学模型在围填海工程促淤效果预报中的适用性

以长江口为例,通过与已建典型围填海工程实际促淤效果的对比分析,以及对长江口近期围填海工程促淤效果预报的合理性分析,研究泥沙数学模型在围填海工程促淤效果预报中的适用性。分析结果表明,所建泥沙数学模型计算的平面淤积形态、断面淤积形态、促淤区淤积量均与实际情况吻合较好,在近期围填海工程中的促淤效果预报较合理,表明该泥沙数学模型适用于长江口围填海工程促淤效果预报。     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于修正摩尔库伦模型的深基坑变形数值分析

为了探究深基坑变形数值分析中模型参数的重要性,运用MIDAS-GTS/NX有限元分析软件,分别采用摩尔库伦模型(MC)、参考应力不变的修正摩尔库伦模型(MMC)以及参考应力随基坑深度变化的修正摩尔库伦模型(MMC),进行排桩支护变形和地表沉降的数值模拟,并与实际监测结果进行对比分析,结果表明:在地表沉降预测上,摩尔库伦模型(MC)预测沉降值与实测值相差较大,预测沉降影响距离是实测沉降影响距离的2倍左右;在排桩水平位移预测上,MC模型预测位移完全大于实测位移,且发生最大水平位移处排桩深度与实际深度不符;MMC模型预测值与实测值相差不大,且两者位移规律曲线较为吻合.因此不同参考应力下的MMC本构模型比单一参考应力下的MMC本构模型预测变形更加精确,故使用不同参考应力下的MMC本构模型进行基坑开挖变形预测更具参考价值.     

A Worsted Yarn Virtual Production System Based on BP Neural Network

Back-Propagation (BP) neural network and its modified algorlthm are introduced. Two series of BP neural network models have been established to predict yarn properties and to deduce wool fiber qua/ides. The results from these two series of models have been compared with the measured values respectively, proving that the accuracy in both the prediction model and the deduction model is high. The experimental results and the corresponding analysis show that the BP neural network is an efficient technique for the quality prediction and has wide prospect in the application of worsted yam production system.     

基于信息量和逻辑回归耦合模型的滑坡易发性评价

目前,滑坡易发性评价大多只采用单一模型进行研究,而单一模型存在缺陷,如只采用信息量模型则不能反映各因子对滑坡发生的权重。通过将两个模型进行耦合分析可以很好地发挥各模型的优点和弥补各模型的不足,从而达到模型优化的目的。针对滑坡易发性常用的信息量模型和逻辑回归模型,提出信息量-逻辑回归耦合模型。以江西省宁都地区为例,获取研究区共297个滑坡,提取高程、坡向、坡度、平面曲率、剖面曲率、地形起伏度、距水系距离、岩性、植被覆盖率、地表建筑物指数共10个因子建立评价指标体系,再分别采用上述3个模型开展易发性评价,最后采用预测率曲线(the prediction rate curve, ROC)评价各模型精度。结果表明:信息量模型、逻辑回归模型和信息量-逻辑回归耦合模型预测率曲线与坐标轴围成的面积(area under ROC, AUC)值分别为0.838、0.864和0.876,可见信息量-逻辑回归耦合模型的评价精度更高,建模更为合理。研究区内滑坡主要沿水系两侧分布,高程和岩性对滑坡的发生起主要作用。     

边际电价预测中的误差分析方法研究

针对目前电价预测中误差分析方法繁多、各方法之间可比性差的现象进行分析,总结了电价预测中常用的各种误差分析方法的优缺点,并推荐采用一种新的误差分析方法即中值相对误差来评价各种电价预测方法的精度。实际算例结果表明,该分析方法合理且有效。     

基于时间序列算法的电力无功测量

为了对电力系统的无功进行有效的控制,必须对无功进行预测.对无功的预测也就是对系统功率因数的预测.利用时间序列分析方法,建立了3种预测模型,分别是自回归模型、滑动平均模型和混合模型.通过对3种模型的比较,最终选用混合模型的时间序列分析方法对电力系统的功率因数进行预测.经实测检验,混合模型分析方法的误差非常小,表明该方法具有一定的实用价值.     

广域级电网在运智能电能表的烧损故障关联分析和预测方法

针对智能电能表在运行过程中出现烧损的现象，在对各类因素进行关联分析后， 提出了一种基于XGBoost算法的智能电能表烧损预测方法，以某省份2019—2020年的数据为例进行了测试验证. 采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别，并与K最邻近法（K-NearestNeighbor，KNN）、朴素贝叶斯和支持向量机等传统机器学习算法进行对比. 结果表明，基于极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的算法精度达到91%，召回率达到66%，综合指标F1达到76.51%，远高于传统算法. 算法模型在进行系统部署的过程中，运用长短期记忆算法（Long Short Term Memory， LSTM）对部分缺失值进行了填充，经试点验证，该模型可较为准确地预测低压台区电能表烧损现象.