基于BP神经网络的福州市人口预测模型

根据福州市区1981-2004年的人口统计数据,应用BP-MSM算法,建立福州市区BP神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic人口预测模型的预测结果进行比较,结果表明BP神经网络对人口数量的预测精度更高,效果更好.     

基于BP神经网络的人口预测

利用BP神经网络建立三层神经网络结构模型,以全国人口的出生率,死亡率,老年抚养率等5个指标作为输入样本,对全国总体人口进行预测.隐含层采用多种方法使人为因素降到最低,同时文中采用自适应学习速率和附加动量法相结合的方法,对网络进行训练和学习.将BP预测人口和其他数学方法做比较,预测结果显示该方法是可行的.     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

基于IOWA算子的中国人口出生率的组合预测研究

根据1995年—2015年我国人口出生率数据,采用多元线性回归、指数平滑、ARMA模型3种预测方法,分别得出我国人口出生率2016年—2020年的单项预测值。引入诱导有序加权算术平均(IOWA)算子,基于误差平方和最小的组合预测模型,并且通过模型评价发现,该组合预测模型的各种误差指标小于单项预测值,因此,验证了模型的有效性。利用所建立的模型预测未来5年我国人口出生率。由于人口出生率关系到国家长期的经济可持续发展,通过预测结果可为政府提出相应建议。     

土地利用规划中的人口预测方法研究——以荥阳市为例

根据2002年至2009年荥阳市的人口数据,采用综合增长率法、回归分析法和GM（1,1）模型预测2020年的人口规模．并对3种方法的预测结果进行精度检验．结果表明,GM（1,1）模型预测精度最高,可以采用其预测值作为最终预测结果．     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

改进Logistic模型在城市人口预测中的应用

人口系统是一个非常复杂的非线性系统,对人口数量的准确预测能为城市经济可持续发展计划的制定提供重要依据.以福州市1961～2005年的人口统计数据为例,应用2个改进Logistic模型对人口进行预测,借助自编的改进单纯形程序进行了参数估计,并与几种常用模型的预测结果进行比较.结果 表明,应用改进Logistic模型对人口数量的预测精度更高,效果更好.     

灰色理论和线性回归模型在印刷变形中的数据预测分析

对前期数据分析整理并剔除异常数据后,利用线性回归方法和改进的GM(1,1)方法对印刷包衬压缩变形的压缩变形量λ值进行预测.所采用的方法有效降低了数据的相对误差,提高了预测数据的精度,使得预测数据有了更高的准确性和适应性.实验及仿真结果表明,利用本文所给出的灰色预测模型对印刷包衬压缩变形的压缩变形量λ的值进行预测,得到的预测期望值远优于单纯的回归模型和GM(1,1)模型.     

由粗到精和特征筛选的精确回归预测方法及其在二语习得中的应用

针对数据分布不均匀且因素多而容易造成预测不精确的问题,提出一种结合由粗到精与特征筛选的精确回归预测方法.首先,由于数据分布不均匀且预测区间大,直接预测难以精确地拟合,提出一种由粗到精的预测方法,并使用决策树进行粗分类,预测目标所在的子区间,然后在子区间内实现精确的回归预测.其次,如果数据量少且特征因素多会引起过拟合,而且部分冗余特征会影响模型的预测精度,因此,提出一种基于特征筛选的回归预测方法以提高预测精度.在大学生的英语成绩与其人格因素数据集上进行相关实验,结果证明了由粗到精和特征筛选方法与传统回归模型相比精度更高且稳定性更好.通过提出的人格因素与英语成绩回归预测模型,可以制定合理的培养方案弥补学生人格因素中的短板,提升学生的自身竞争能力,从而更好地推动中国的英语教育.     

基于格拉姆矩阵和随机森林的疾病预测方法

针对现有预测方法中存在预测精度低、预测时间长及存储空间大等问题,提出一种基于格拉姆矩阵和随机森林的疾病预测方法,该方法首先从数据集中收集大量数据,其次使用格拉姆对称矩阵对采集数据进行存储和归类.然后引入随机森林二元回归和分类技术,通过二元变量相关性来衡量预测结果和数据之间的关系,并根据相关性构造决策树用于结果分类.最后...     

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.     

基于民航团队旅客销售的预测方法分析

利用Matlab分别用后退的回归分析算法、BP神经网络算法、支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,为民航销售人员提供更加精准的预测信息,从而获得更高的航线收益.分析结果显示:后退的回归分析算法比常用的多元线性回归精准性提高,但是数据结果并不具有可靠性.神经网络算法、支持向量机算法和组合算法比常用的回归分析算法预测的精准度有了明显的提高.支持向量机算法预测精度相对神经网络算法稍低,但是却拥有更强的泛化能力.组合预测算法能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

新疆"百里风区"强风天气预报方法

在对新疆"百里风区"大风形成原因分析的基础上,使用2003-2006年的实况资料和在T213数值预报产品中,选取适当的预报因子,运用双重检验的逐步回归方案,建立了以12h为一个预报时段的48h大风预报方程.检验表明:以12h为一个预报时段的48h预报,2003-2006年的回代检验准确率和2007,2008年试报准确率均在75%以上,24h内的预报准确率超过了80%.24～48h的预报准确率也高于新疆气象台天气图方法预报结果.     

基于IOWHA算子的人口组合预测与分析

以1979-2012年河南省人口总量为样本区间,在ARIMA、非线性回归和Gompertz曲线3种单项预测模型的基础上,根据预测值倒数的误差平方和最小准则构建基于IOWHA算子的组合预测模型.该人口组合预测模型能够综合利用各单一预测模型的预测信息,有效的减少预测误差,提高预测精度.预测结果显示:河南省人口总量2015年将达到10 807.08万人,2020年将达到11 555.64万人.     

电力系统中长期负荷预测的模糊算法

介绍了用模糊指数平滑法和模糊线性回归法进行电力系统中长期负荷预测的方法，以实际预测为例，给出预测结果，实践证明了上述2种方法虽然以传统预测方法为基础，但具有算法简单，计算速度快，预测精度高，预测误差小，并能提供负荷的一个预测区间等优点，尤其在原始数据存在不确定性和模糊性时，更有着常规预测方法无可比拟的优越性。     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

云计算环境下智能电网短期负荷预测方法研究

智能电网短期负荷波动性大,传统预测方法无法解决波动性问题,预测结果不准确。为此,提出一种新的云计算环境下智能电网短期负荷预测方法。介绍了支持向量机理论,将一个含有所有某类样本在内的、由支持向量支撑的球面看作超球面,分析了分位数回归过程,将支持向量机和分位数结合在一起,构建支持向量-分位数回归预测模型。得到短期负荷概率密度函数,从而实现智能电网短期负荷预测。在进行实验时,完成对功率采样值和智能电网负荷属性的归一化处理,将其转换成[0,1]区间内的数据。实验结果表明,所提方法预测精度和效率高、成本低。     

MapReduce框架下基于线性回归的短期负荷预测

为解决负荷预测时因数据量大、数据种类繁多带来的计算速度慢、预测精度低等问题,在MapReduce并行编程框架下,提出基于小批量随机梯度下降法的线性回归模型.首先,为清理智能配电终端产生的重复数据和不良数据,提出利用自适应近邻排序算法清除重复记录的数据,并利用K均值聚类的方法剔除异常数据和记录不完整的数据,然后利用F检验...     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

停车场泊位占有率预测方法评价

采用上海市五角场地区的停车泊位检测数据,分析了商业、办公和体育场3种不同类型停车场泊位占有率(parking occupancy rate,POR)的时变特征,并评价了ARIMA(autoregressive integrated moving average)、卡尔曼滤波和BP(back propagation)神经网络等3种常用方法在POR预测中的适用性.结果表明,ARIMA和BP神经网络的预测精度总体优于卡尔曼滤波,BP神经网络在商业和办公停车场的短时预测中有较好的精度;3种方法的预测精度均随预测时间步长的增加而逐渐降低;不同类型停车场的POR预测精度存在较大差异,工作日的预测精度一般高于非工作日,且模型具有较好的自适应性.