基于改进果蝇优化算法的随机森林回归模型及其在风速预测中的应用

针对随机森林(RF)算法在风速预测中存在参数选择困难及预测精度低的问题,提出了基于改进果蝇优化算法(IFOA)的随机森林回归(RFR)模型.在果蝇优化算法(FOA)中引入指数函数和三角函数实现搜索步长的自适应更新,增强全局寻优和局部探索的能力.结合RFR算法对噪声和异常值具有良好容忍度的优点,利用IFOA优化RFR主要参数,将优化后的模型应用于风速预测.实验结果表明,IFOA-RFR组合模型相比于其他模型具有更高的预测精度,验证了该方法在风速预测中的可行性.     

KNN算法及其在月电量预测中的应用

目前对用电量的预测方法很多,本文利用数据间的相关性,应用改进的KNN分类算法,提出了基于KNN分类算法的月用电量模型,并进行试验预测．预测结果表明此方法简单、有效．     

Hybrid Model Based on Wavelet Decomposition for Electricity Consumption Prediction

The effective supply of electricity is the basis of ensuring economic development and people's normal life. It is difficult to store electricity, as leading to the production and consumption must be completed simultaneously. Therefore, it is of great significance to accurately predict the demand for electricity consumption for the production planning of electricity and the normal operation of the society. In this paper, a hybrid model is constructed to predict the electricity consumption in China. The structural breaks test of monthly electricity consumption in China from January 2010 to December 2016 is carried out by using the structural breaks unit root test. Based on the existence of structura breaks, the electricity consumption data are decomposed into low-frequency and high-frequency components by wavelet model, and the separated low frequency signal and high frequency signal are predicted by autoregressive integrated moving average(ARIMA) and nonlinear autoregressive neural network(NAR), respectively. Therefore the wavelet-ARIMA-NAR hybrid model is constructed. In order to compare the effect of the hybrid model, the structural time series(STS) model is applied to predicting the electricity consumption. The results of prediction error test show that the hybrid model is more accurate for electricity consumption prediction.     

灰色马尔可夫模型在城市电力消费预测中的应用

传统的灰色预测模型只能反映月用电量的总体变化趋势,不能反映月用电量随季节的波动特征.为此,基于马尔可夫理论提出了灰色马尔可夫修正预测模型,研究了同时考虑两种趋势的城市月用电需求的预测问题.算例表明,与传统的预测方法相比,灰色马尔可夫修正的预测方法较好的提高了预测精度.     

基于扇形趋利果蝇优化算法改进的FS-K聚类算法

针对果蝇算法对高维函数收敛精度低的缺点,提出了一种改进的基于扇形搜索的果蝇算法(Fan search-Fruit Fly Optimization Algorithm,FS-FOA),该算法在原果蝇FOA算法的基础上改进了果蝇群体的搜索路径,并赋予果蝇个体趋利性,使更多的果蝇个体朝着味道浓度更大的方向前进,使果蝇群体的搜索方向有更多的选择性,增加果蝇算法在处理高维函数问题上的收敛速度和收敛精度;并将改进的FS-FOA算法与K-means聚类相结合,提出一种FS-K聚类算法,与原K-means聚类和原果蝇(FOA)算法进行对比实验,引入5个经典的测试函数对原FOA算法和FS-FOA算法寻优结果进行测试,结果表明采用FS-FOA算法具有更高的收敛精度;引入5个UCI公共数据集对改进FS-K聚类算法和原K-means算法、SOM聚类算法、FCM聚类算法进行测试,结果表明FS-K聚类算法具有更好的聚类效果。     

基于免疫模糊聚类的LSSVM在短期负荷预测中的应用

最小二乘支持向量机(least square support vector machines,LSSVM)在解决小样本、非线性和高维度问题中表现出许多特有的优势.但是,如果输入的训练数据本身存在着大量的噪声和冗余,LSSVM在训练数据时会因抑制它们而削弱本身的推广能力,结构风险无法达到最小化,从而导致收敛速度慢、预测精度不高等缺点.提出了一种基于免疫模糊聚类(immune fuzzy clustering,IFC)的最小二乘支持向量机预测模型,运用免疫模糊聚类算法对历史数据进行预处理,从聚类后的数据提取LSSVM的训练样本,从而提高训练速度和预测精度,克服LSSVM的上述缺点.最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度.     

两阶段混合算法的立体车库车位分配建模与仿真

针对自动化立体车库车位分配时顾客排队队长过长以及堆垛机能耗过高等问题,以减少顾客平均排队队长、堆垛机运行能耗等为目标,在保证车库运行效率前提下,通过介绍神经网络算法和果蝇算法原理与方法,提出基于2阶段混合算法的立体车库车位分配决策模型：第1阶段利用神经网络算法预测顾客停留时间;第2阶段利用果蝇算法实现车位最优分配。以车辆到达间隔时间服从泊松分布情况下建立立体车库数学模型,并以顾客平均等待时间、平均等待队长、平均服务时间、顾客的平均能耗作为立体车库效率指标评价立体车库的性能,采用MATLAB编制仿真程序。通过比较车辆就近分配原则和基于果蝇算法车位分配模型下的效率指标,证明了果蝇算法进行车位分配在保证车库运行效率和降低车库运行能耗上的有效性。     

基于恐惧指数的疫情影响下短期电力负荷预测方法

突如其来的新型冠状病毒肺炎（COVID-19）疫情给电力负荷造成了严重的影响,为了有效应对疫情带来的影响,提高疫情影响下的短期负荷预测精度,提出了一种基于恐惧指数（FI）的疫情影响下短期电力负荷预测方法.利用疫情数据构建FI,与时间信息、历史负荷、气象条件一起作为广义回归神经网络（GRNN）模型的输入变量,用果蝇优化算法（FOA）对GRNN平滑因子进行优化,提高预测结果的准确度和稳定性,使用构建的预测模型进行预测.算例结果表明,该方法能有效提高疫情影响下短期负荷预测的精度,为重大灾难影响下的短期负荷预测提供参考与借鉴.      

昆明市住宅类商品房价格趋势分析

根据住宅类商品房的月均价的分布特点,使用长期性趋势分析、季节性因素分析及随机时间序列分析相结合的方法,对昆明市2004年1月到2006年11月的月均价数据进行了详细的分析,得出了反映昆明市住宅类商品房价格趋势的组合模型.并在此基础上给出2007年昆明市各月的住宅类商品房均价预测值.     

果蝇优化算法研究综述

果蝇优化算法(FOA)是一种新兴的群体智能算法,其思想来源于果蝇群体觅食行为。为进一步推广应用FOA并为深入研究该算法提供相关资料,在分析FOA基本原理和优缺点的基础上,从FOA各种改进技术及其应用等方面进行深入调查,论述了该算法的改进策略,并阐述了FOA在复杂函数优化、参数优化和组合优化等方面的应用。最后对FOA发展趋势做出展望。     

基于组合模型的主元分析预测监控方法

传统的基于主元分析（PCA）的过程监控技术可以对工业过程当前的状况进行监控，但难以预测系统未来的运行情况。本文在PCA监控方法的基础上建立预测模型，首先根据历史数据建立PCA的综合监控统计量模型，其次结合k邻近（k-NN）的最小二乘支持向量机（LSSVM）和灰色理论（GM（1,1））技术建立在线组合预测模型，实现对工业过程运行状态的预测。利用组合模型对一个多变量动态过程实例进行仿真，将预测效果与k-NN的LSSVM以及GM(1,1)各自单独的预测效果作比较，验证了所提方法在长期预测方面的准确性，表明基于组合模型的PCA预测监控方法特别适用于对缓慢漂移故障的长期预测。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

基于果蝇优化算法的支持向量机参数优化在船舶操纵预报中的应用

应用果蝇优化算法对船舶操纵运动预报的ε-支持向量机(ε-SVM)的参数进行优化,建立船舶操纵运动预报黑箱模型,并用所建立的模型对Z形试验进行预报.通过预报结果与仿真试验结果对比,验证了该优化算法的有效性.研究结果表明,所设计的参数寻优方法具有算法设置简单、调整参数少以及不易陷入局部极小值等优点.     

安徽省某地区中长期电力负荷预测

以安徽省某地区2007-2014年用电量数据作为训练测试样本,采用灰色预测法、人工神经网络预测法和基于人工神经网络的最小二乘支持向量机（LSSVM）预测法计算其均方误差,结果表明,用基于人工神经网络的LSSVM预测法计算出的均方误差整体上比其他2种预测法要小.选用基于人工神经网络的LSSVM预测法对该地区2015-2017年的用电量进行预测,预测数据与实际数据基本接近.     

纺织厂月用电量预测

探讨了纺织厂月用电量特征和预测方法,给出了实用的预测数学模型。还以某纺织厂为例,分析了纺织厂月用电量预测方法和修正原则。给出厂月用电量预测程序设计框图。     

基于人工蜂群算法的改进研究与实现

参数的选择直接影响着最小二乘支持向量机(LSSVM)的泛化性能和回归效验,是确保LSSVM优秀性能的关键.为了解决以上问题,对人工蜂群算法(ABC)进行了改进,引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时提出提出一种运行时参数调整方法,然后验证优化后的算法IIABC的准确性与健壮性.燃气回归分析采用平均绝对百分比误差(MAPE)作为IIABC算法基准方法,实验结果表明基于IIABC-LSSVM预测结果比IABC-LSSVM有着更高的准确性.     

基于改进ARMA模型的时用水量预测

针对时用水量存在周期性的特点,引入季节因子,采用时变ARMA季节模型对非线性非平稳系统的时用水量进行模拟.以杭州市实测用水量为例,分别采用时不变ARMA季节模型和时变ARMA季节模型进行时用水量预测,结果表明时变ARMA季节模型预测精度相对较高,且预测误差相对稳定,较时不变模型更具有实用性.     

基于数据的建筑能耗分析与建模

对建筑能耗数据进行深入分析,提出了建立建筑电力能耗模型的方法.首先对建筑能耗进行了分项计量,统计了建筑逐时照明能耗数据,办公设备能耗数据以及办公人数,同时调查了建筑管理控制方式.经过分析可知,办公设备能耗数据与办公人数线性相关,而照明能耗数据与办公人数以及太阳辐射强度相关,但为非线性关系.根据不同类型数据的特点,分别建立了线性回归模型以及决策树模型.该模型可以预测建筑能耗并评估建筑管理方式对能耗的影响.     

创新产品市场扩散的非线性组合预测模型

提出了一种新的非线性组合预测扩散模型,并给出了相应的反向传播学习算法,理论研究与应用举例表明：该方法具有很强的学习与泛化能力,在处理诸如创新扩散时间序列这种具有一定程度不确性的组合建模与扩散预测方面有很好的应用价值。     

中长期电量预测的傅里叶-马尔科夫修正模型

灰色模型在中长期电量预测中只对电量呈近似指数规律单调增长的序列才有较高的预测精度.随着电量变化随机波动性的增强,建立新的修正预测模型是十分必要的.针对灰色模型抗干扰能力差的问题,提出了灰色预测的傅里叶-马尔科夫修正模型,先利用傅里叶级数法,提取周期信息,优化电量变化的指数率,再采用马尔科夫链法,将电量波动随机性嵌入模型之中,从而对灰色预测的原始残差进行二重修正,提高预测模型的适应性和灵活性.通过实例分析以及对比验证表明,该模型有效地提高了预测精度.