基于灰-回归组合预测模型的河南省城镇居民收支研究

在对灰色GM(1,1)模型及回归模型研究的基础上,考虑到模型的适用范围及预测误差问题,将灰色GM(1,1)模型与回归模型进行组合,以回归模型的模拟值作为灰色GM(1,1)模型的原始数据序列进行预测.然后运用灰-回归组合模型对河南省城镇居民收支进行预测.结果表明:灰-回归组合模型扩大了单一模型的适用范围,并且对河南省城镇居民收支预测误差更小,模型精度更高.     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

利用组合模型预测油田开发指标

将灰色理论GM(1,1)模型与水驱特征曲线结合起来,选取产量极差值最低的曲线作为GM(1,1)模型预测对象,在预测出未来产量的基础上,利用水驱特征曲线预测出其他开发指标.该方法既解决了GM(1,1)模型缺少水驱规律的问题,又解决了水驱曲线预测中缺少时间的问题.将该方法应用于火烧山H2油组,结果表明,该组合模型为一套切实可行的预测油田开发指标的方法.     

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.     

基于灰色-马尔可夫模型的国内游客总数预测

结合灰色模型在小样本下预测精度较高的优点和马尔可夫模型对随机波动数据处理结果较好的优点,以2004—2015年国内游客总数构建传统灰色GM(1,1)模型、无偏灰色GM(1,1)模型、灰色马尔可夫模型和无偏灰色马尔可夫模型,并对比2016—2018年国内游客总数的预测值与实际值.结果表明,灰色马尔可夫模型和无偏灰色马尔可夫模型相比于传统灰色GM(1,1)模型和无偏灰色GM(1,1)模型的平均相对误差分别提高了2.36个百分点和2.33个百分点,灰色模型结合马尔可夫模型后能够解决对随机波动数据的预测偏差,有效提高预测精度.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

优化背景值的GM(1,1)模型组合改进

针对提高模型的拟合效果.在GM(1,1)模型基础上,提出改进方案生成紧邻生成序列.利用组合预测思想,结合BP神经网络预测算法对改进后的灰色模型做进一步的优化修正,同时引用新陈代谢灰色模型理论成为BP-GM(1,1)等维新息模型.该模型充分利用了两种预测方法的优势,适当的减小了单个模型预测时的误差.数据拟合结果表明:BP-GM(1,1)模型具有更好的拟合精度,该模型应用范围更广.     

基于最优加权的组合预测模型及应用

针对各种单一的传统预测方法中存在的问题,提出了一种基于最优加权的组合预测方法．根据珠江三角洲天河水文站的水位预测要求,运用最优加权法建立了多元线性回归、灰色系统GM（1,1）和BP神经网络的组合模型．实验结果表明,组合预测方法比各单一模型有更高的预测精度．     

地面沉降模拟计算的灰色模型

地面沉降的模拟计算属于灰色问题,灰色系统模型有多种,选择合适的沉降量与时间的关系模型对模拟计算而言是很重要的,将某市地面沉降数据分为大样本和小样本序列,分别使用GM(1,1)和灰色线性回归组合模型进行了建模、预测和精度分析.研究结果表明,利用小样本数据和灰色线性回归组合模型进行模拟计算精度更好.     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

基于改进果蝇算法和长短期记忆神经网络的油田产量预测模型

产量预测是油田生产动态开发研究的重要内容之一。油田的长期生产积累了大量数据,但是波动幅度很大,直接应用长短期记忆神经网络预测油田的生产指标,会出现神经网络泛化性很差的问题。因此,首先利用双层长短期记忆神经网络(long-short term memory,LSTM)和随机式失活对神经网络架构进行调整,建立了深度学习神经网络模型;并提出了一种新的果蝇聚集方法,通过改进的果蝇优化算法对所建立的神经网络模型进行优化,避免其陷入局部最优解,搜寻解空间的最优解;最后,油田实例验证表明,优化后的深度学习网络的网络泛化能力和预测精度有了较大提高,对于油田波动性较大的数据也能较好地拟合。所建立油田产量预测模型可应用于矿场开发实际。     

一种基于BP神经网络的调驱增油预测方法

调驱后增油效果预测是调驱措施决策和方案优化设计的重要内容.通过室内岩心物理模拟实验参数,分析了调驱增油效果及其影响因素,建立了基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型.此方法对于渤海南堡35-2油田A21和B17井预测结果与实际调驱增油量统计数据间误差分别为9.89%和7.22%.由此可见,基于物理模拟参数为学习样本的调驱效果BP神经网络预测模型切实可行,预测精度较高.     

基于机器学习的石油多峰模型研究及应用

油田在实际开发过程中，受新区块投产、开发方案调整和"三采"措施等因素的影响，年产量数据会呈现多峰形态。针对经典的Hubbert、HCZ等模型不能直接拟合多峰数据序列的问题，开展了基于机器学习的油田产量多峰预测模型研究。基于Hubbert模型，对多峰数据序列进行分段最小二乘拟合，在拟合误差函数中引入控制分段个数的罚分项，采用动态规划算法，自动求得最优分段的多峰预测模型，该模型运用在实际的油田产量数据上，预测结果达到预期目的。提出了一种通过自动最优分段的线性回归学习来建立油田产量多峰预测模型的方法，在实际应用中具有建模简单、自适应性强的优点。     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于分数阶微分模拟模型的油田措施增产预测

为了解决多因素影响下油田措施增产预测问题,通过研究分数阶理论、微分模拟理论与智能优化理论建立了参数优化的分数阶微分模拟预测模型。模型克服了措施数据的非线性性、多因素性与适用性不强的缺陷,综合考虑了不同措施对应不同因素下增产效果的预测。通过与其他方法对比表明,新模型预测效果优于其他方法。可见参数优化的分数阶微分模拟预测模型可较好地应用于油田措施增产预测。     

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。     

油田聚驱系统低温集输可行性预测模型——以大庆油田某区块为例

低温集输生产工艺技术是一种能够降低油田生产能耗,提高生产效益的有效手段。然而,低温集输工艺技术应用的可行性模糊导致该技术无法在油田生产中得到广泛推广。根据油田现场生产数据,本文采用了熵权法和灰色关联度分析法对低温集输技术的影响因素进行了相关性分析,并结合BP神经网络建立了低温集输可行性预测模型。相关性分析结果表明,环境温度、油井产液量、产液含聚浓度和集油管线长度是油井能否实现低温集输生产的主要影响因素。将相关性结果应用到聚驱系统低温集输可行性预测模型中,使其具有较强的鲁棒性,且模拟结果准确率为95.94%。该研究成果在油田聚驱系统生产中得以推广应用。     

注水开发油田产油量产水量动态预报的新方法

对注水开发油田,提出一种新的产油量、产水量动态预报方法。该方法对油田开发过程的时变性和各种随机干扰因素具有自适应性。文章从信息论角度出发,利用神经网络非线性时间序列预测模型,构造了油田产油量、产水量的神经网络预测器。结果表明,该预测器具有较高的预测精度,适合于各个阶段的产油量、产水量的动态预报。并且该方法完善了油田产油量、产水量动态预报的理论。最后给出了两个动态预报的实例,具有较高的预报精度。     

基于神经网络模型的井间参数预测方法

目的研究储层精细评价技术中的储层参数井间预测方法。方法基于人工神经网络模型,结合油藏微相研究成果,采用井位和微相信息作为神经网络的输入信息,采用神经网络模型对储层参数进行空间预测。结果利用空间分散井位点的孔隙度资料和地区沉积微相信息,对孤岛油田渤21断块油藏进行井间孔隙度内插预测,其井间参数的预测精度得到明显提高,为油藏建模提供了可靠的基础。结论基于神经网络模型的井间参数预测方法,可以为储层精细评价提供高质量的油藏地质模型。     

用深度学习挖掘油田开发指标预测模型的知识

油田开发指标变化特征被当作油田开发规划、油田开采状况评价、油田开发方案设计与调整及油田开发风险预测预警等决策管理问题的重要依据。针对至今没有很好解决的建立智慧油田的瓶颈问题之一——油田开发指标智能预测系统的选择预测方法和模型的知识挖掘问题，基于油田开发的海量数据，利用深度学习的卷积神经网络和循环神经网络，提取反映油田开发动态特征和知识。在此基础上，结合已建立的油田开发指标预测的模型库及知识库，利用深度学习的实体和关系的联合提取方法，提出通过油田开发输入信息、油田开发动态特征指标、油田开发指标预测的模型库和知识库挖掘选择油田开发指标最佳预测模型的知识方法。概念设计的模拟实例表明，提出的知识挖掘流程可实现只要输入油田开发的相关信息，就能自主获得恰当的油田开发指标预测模型。