基于拓扑预测与GM组合模型的舰船运动预报

针对舰船运动系统的复杂性及非线性,提出采用灰色拓扑预测模型、GM(1,1)模型建立舰船运动的单项预测模型,并对各单项模型的优缺点进行了比较分析.采用标准差法建立基于拓扑预测与GM(1,1)模型的舰船运动组合预测模型.结果表明,组合预测模型的预测精度高于各单项模型的精度,该组合模型可作为提高舰船运动数据预测精度的有效工具.     

基于拓扑预测与GM组合模型的舰船运动预报

针对舰船运动系统的复杂性及非线性,提出采用灰色拓扑预测模型、GM（1,1）模型建立舰船运动的单项预测模型,并对各单项模型的优缺点进行了比较分析．采用标准差法建立基于拓扑预测与GM（1,1）模型的舰船运动组合预测模型．结果表明,组合预测模型的预测精度高于各单项模型的精度,该组合模型可作为提高舰船运动数据预测精度的有效工具．     

基于熵值加权组合预测模型的黑龙江省旅游收入预测分析

针对黑龙江省旅游收入预测问题,考虑到单一预测模型往往在预测精度上不高的特点,在引入灰色系统GM(1,1)预测模型及时间序列线性回归模型的基础上,建立了基于3种误差指标信息下的熵值加权组合预测模型,并以黑龙江省2009—2018年的旅游收入数据进行分析.结果表明,所建立的组合预测模型在预测精度上有了较好的改善并优于所选单一预测模型.利用建立的组合预测模型对黑龙江省2019—2022年的旅游收入进行预测,可为黑龙江省未来的旅游业发展规划提供一定的科学依据.     

基于精确匹配数据的焦炭质量预测

针对某焦化企业的实际炼焦生产过程数据进行分析,从质量报表与生产工艺报表中分析、提取影响焦炭质量的炼焦生产过程数据。基于炼焦生产时序,实现了配合煤质量—炼焦工况—焦炭质量数据的精确匹配,构建了匹配数据组,采用PCA提取了数据组的主成分。基于BP神经网络构建了焦炭质量预测模型,并对考虑工况与不考虑工况的预测模型进行了预测精度的对比分析。计算结果表明:稳定、顺行、合规的炼焦工况对焦炭质量预测精度的影响较小,而精确的数据匹配可以有效地提高焦炭质量的预测精度,并可降低对预测模型的要求。     

基于机器学习的空气质量模型分析与研究

【目的】传统的空气质量计算方法已经难以满足当前社会的需求，基于机器学习的空气质量模型的分析与研究有助于提高空气质量预测的准确性和及时性。【方法】选取郑州市2019年全年空气质量和气象的逐小时数据，分别分析了空气质量与空气污染物因子的相关性以及空气污染物因子与气象要素的相关性。以空气污染物和气象要素作为输入因子，采用机器学习的方法建立多个回归模型，最后通过对回归模型的评估，根据评估的结果选取合适的预测模型。【结果】通过对回归模型评估指标的三种方法进行对比发现，随机森林模型效果较好，验证了机器学习的方法非常适合于空气质量的预测。【结论】本研究适应于站点的模型建立与预测，下一步应继续进行深度研究，从站点来繁衍出格点的实况预测模型。     

组合预测模型在山东省地下水资源量预测中的应用

针对山东省地下水资源量的预测,利用搜集到的山东省2000—2014年地下水资源量时间序列数据,建立了ARMA模型、灰色预测及序列拟合模型,并综合运用这3种单项预测方法建立了组合预测模型.通过比较,发现相比于各个单项预测模型,组合预测模型具有更高的精度.从预测结果来看,未来山东省地下水资源量呈现递减趋势.     

湿陷性黄土地基沉降预测模型及其精度分析

本文介绍了Logistic曲线、Gompertz曲线和Poisson曲线等三种沉降预测模型及其预测参数的计算途径,基于沉降实测资料对各模型的预测精度进行了对比分析。结果表明,Gompertz曲线的拟合精度最高,适用于湿陷性黄土地基沉降的预测。     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测，提出了一种基于经验模态分解算法（empirical mode decomposition，EMD）优化非线性自回归（nonlinear auto regressive，NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律，为此使用了基于时间序列的NAR动态神经网络，该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型，以此来减少预测误差，提高预测精度.结果显示，EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测，预测精度可达93%，具有较好的应用价值.     

基于季节性ARIMA模型的入境旅游市场预测模型构建

基于1999～2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)~(12)模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施.     

基于ABC算法优化BP神经网络的雾霾天气预测模型研究

本文首先阐述了BP神经网络和ABC算法的基本概念,结合现阶段环境空气质量需求,明确了雾霾天气预测预警的必要性,然后结合安徽省大气质量指数数据,从空气质量等级评估、预测指标体系构建和雾霾天气预测模型选择等方面,研究了基于ABC算法优化BP神经网络的雾霾天气预警模型,以期进一步提高雾霾等级评估与预测的准确性,提高政府相关部门决策的时效性。     

改进Stacking算法的光伏发电功率预测

针对Stacking算法计算时间较长和样本数据较少的问题,提出了一种基于新向量表示和交叉验证精度加权的改进Stacking算法。采用三层算法结构,第1、2层为初级层,使用随机森林、SVR、XGBoost 3个学习器;第3层为次级层,使用LightGBM对第2层输出再次学习以减弱噪声。用一种新的向量表示法来增大层级之间输入输出数据的样本规模和样本分布密度,来保证数据维度不会随着初级层学习器数目的增多而增大;根据在交叉验证下初级层不同预测模型表现出预测准确度的差异性对结果进行加权处理。利用某光伏电站的发电数据进行实际算例分析,提出的模型在MAE、MSE及$R^2$指标上,相比随机森林和Stacking等模型其预测性能有很大的提升。     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

数据 模型混合驱动的配电系统灵活性优化调度

针对光伏等新能源发电的波动性，提出了考虑需求侧资源作为灵活性供应的配电系统优化调度方法首先，分析了配电系统优化框架及灵活性平衡机理，针对需求侧资源规模大、容量小的特点，提出了基于虚拟电池模型的需求侧资源聚合模型；其次，提出了数据驱动的需求侧资源模型参数评估方法，构建了基于参数评估的需求侧资源聚合优化模型，提出了涉及需求侧资源主动调节的配电系统灵活性优化调度方法；最后，通过实际数据进行算例分析，结果表明，所提数据 模型混合驱动的配电系统灵活性优化调度方法可以有效降低系统的运行成本，并有利于缓解系统的净负荷峰谷差     

基于灰色聚类的组合预测单项模型选择

建立组合预测模型关键是单项预测方法的筛选,本文将采用灰色聚类分析方法对单项预测模型组进行筛选.首先依据所研究的实际问题,建立多个单项预测模型,然后计算每一个单项预测方法的点拟合相对误差,最后再利用这些数据,借助灰色聚类方法实行对比评估,构建组合预测模型需求的各个单项模型,以增强该模型预测的准确性.应用实例的分析表明该方法是可行的和有效的.     

基于双流LSTM神经网络的股价趋势预测

股价波动研究依赖分析金融新闻数据集浅层特征，而忽略了金融新闻句子中单词之间的结构关系，从而导致股价波动预测研究效果不佳。针对该问题，提出了一种基于双流长短时记忆网络（long short term memory network, LSTM）神经网络的股价趋势预测模型（Sent2Vec-DLSTM）。该模型的创新之处在于：提出了基于金融股票新闻数据集和哈佛IV-4情绪词典训练的情感词向量生成模型——Sent2Vec；提出了新型的双流LSTM神经网络（Dual-stream LSTM, DLSTM）。在实验中，首先用标普500指数历史数据以及爬取获得的金融类文章进行标普500指数的趋势预测，然后用VietStock新闻和来自Cophieu68的股票价格数据预测VN指数的变化趋势。结果表明，Sent2Vec-DLSTM相较于现有模型在股价趋势预测中具有更好的效果。     

短期现货电价多因素灰色预测模型

电力市场中,电能交易效益最终通过电价体现,对市场参与者来说,提前知道电价信息意义重大。灰色预测模型无需任何原始序列的概率分布模型,可以实现少数据建模。现货电价具有的性质符合灰色变量的特征,本文在介绍原有灰色预测模型在电价预测方面应用的基础上,提出同时考虑负荷因素和市场力影响因素的GM(1,3)短期现货电价多因素灰色预测模型,通过实例验证,证明该模型在电价预测精度方面相比较原有模型有所提高,预测效果更好。     

男子短跑道速滑全国纪录灰色GM(1.1)模型及其预测

本文针对运动成绩变化规律的模糊性、未知性等,运用灰色理论的灰色模型方法,建立了男子短跑道速滑全国纪录5个项目的GM（1.1）预测模型,并进行了后验差检验和关联度分析,结果表明预测模型可信,精度较高。同时,运用该模型对2000年运动成绩进行了预测。     

基于单项预测模型筛选的隧道变形优选组合预测

采用优选组合理论,提出了基于单项预测模型筛选的隧道变形优选组合预测方法,建立了隧道变形预测系统.系统由包含各种监测成果的监测库、动态更新的变形预测模型库和模型评价库组成,采用人机对话方式在众多的经评价满足最优组合预测条件的单项预则模型中筛选出合理的单项模型,对其进行组合预测,继而再对不同的组合预测结果进行评价比较,得到较好的隧道变形组合预测结果.将该方法应用于隧道工程的拱顶下沉预测,利用前期工况的数据建模,对后期工况的未来变形量进行滚动预测,获得了令人满意的结果.     

基于GMM模型的玉米产量预测

鉴于玉米产量受多种复杂因素的影响,并具有较大的随机性和波动性,建立了一种灰色理论和马尔可夫相融合的玉米产量预测模型.首先采用灰色关联法筛选玉米产量影响因子,然后将其输入到灰色系统中构建玉米产量的灰色预测模型,最后使用马尔可夫模型对灰色模型的玉米产量预测结果的残差值进行修正,以提高玉米产量预测精度.实证分析结果表明,提出的预测模型具有较好的预测精度,完全能满足玉米产量预测精度的要求.     

基于MEA-BP神经网络的PM_(2.5)质量浓度预测模型

为了解决PM_(2.5)质量浓度预测精度不足的问题,提出一种基于思维进化算法(MEA)优化的BP神经网络的PM_(2.5)质量浓度预测模型。该模型利用MEA所拥有的趋同和异化操作对BP神经网络的初始阈值和权值进行优化。以南京市每小时监测的PM_(2.5)和其他空气污染物的质量浓度数据为例,利用MEA-BP模型进行预测,并与未经过优化的模型进行对比。实验结果表明,优化后的模型能够有效避免BP神经网络易陷入局部最优解的问题,提高了预测的精度,为PM_(2.5)质量浓度的预测提供了一种新的参考方法。