中国碳排放量的组合模型及预测

根据碳排放的演化规律,采用ARIMA模型与BP神经网络集成的组合模型,对中国碳排放量进行预测研究;取1980—2007年中国碳排放量作为训练样本,确定模型参数;然后取2008—2013年中国碳排放量作为测试样本对文中的组合模型进行验证,并与已有文献所建立的预测模型进行比较,结果显示,此处所建立的组合模型预测误差极小;最后,根据组合模型对2014—2020年中国碳排放量进行预测,指出中国还将继续面临碳减排压力。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

加权组合模型在城市用水量预测中的应用

鉴于传统灰色模型在建模中存在固有偏差的问题,本文采用无偏灰色GM(1,1)预测模型.在无偏灰色预测模型表达式的基础上,又提出了非线性的预测模型,并将其用于城市的用水量预测上.考虑到单一预测模型在预测过程中存在的不足,用最优加权组合模型对无偏灰色GM(1,1)模型和非线性模型进行组合,并将加权组合模型首次用于遂宁市的城市用水量预测.预测结果表明,组合模型的预测精度优于单一的预测模型,预测结果与城市的实际用水量拟合较好,该方法可推广到其它类似城市的用水量预测中.     

多变量弱信息非线性预测问题的一类组合模型

针对预测研究中,变量指标较多,数据携带的信息较弱且和预测变量是非线性关系。造成预测模型构建困难且预测结果稳定性不强的问题,提出了构造非线性组合模型的方法,解决了上述问题。应用于华北地区的地震预报,取得了较好的效果。     

基于组合模型的新生儿数量预测

近几年我国新生儿数量持续下降的现象已引起政府有关部门的高度重视,科学预测未来几年我国新生儿的数量,已成为政府制定相关政策的关键所在.基于2000—2020年新生儿出生量数据,分别采用时间序列预测模型与灰色预测模型进行单项预测,并使用均方误差倒数法构造对应权重,对我国未来3年的新生儿数量进行组合预测.为适应三孩政策带来的...     

基于改进型贝叶斯组合模型的短时交通流量预测

针对短时交通流量预测的难题,在传统贝叶斯组合模型进行改善的基础上,提出一种改进型贝叶斯组合模型.该模型只根据各基本预测模型当前时刻之前几个交通流量的预测表现,通过提出的分配算法实时更新组合模型中各个基本预测模型的权重,从而改善了传统贝叶斯组合模型权重计算迭代步长过长的缺陷,提高了贝叶斯组合模型对各个基本预测模型预测精度的灵敏性.通过对实地的交通流量的预测发现,基于改进型贝叶斯组合模型的预测精度不仅优于单一的预测方法,而且也优于传统的贝叶斯组合模型,从而证明了改进型贝叶斯组合模型有效提高预测的可靠性和具有一定的实用性.     

最优加权组合模型在预测电话社会拥有量中的应用

本文讨论了最优加权组合模型,并将其用于对电话社会拥有量的预测,在文〔1〕基础上,构造了最优加权模型,并对延吉市电话社会拥有量的发展趋势作出了预测。     

广义加权几何平均组合预测方法研究

提出一类广义加权几何平均组合预测方法，给出其参数估计的二次规划算法，新的组合预测的方法比传统的加权几何平均组合预测方法和取得更好的组合预测效果。     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型（Prophet）与长短期记忆循环神经网络（LSTM）预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法（PSO）求出两种模型对应的组合系数,从而得到最终的Prophet-LSTM-PSO组合模型,并通过RMSE和MA...     

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.     

多模型专家组合预测系统大纲

用１９种模型与５种群组决策方法相融合，构成了多模型专家组合预测系统，该系统较好地解决了多模型多专家预测分歧意见的协调统一问题，并已用于土地利用系统中大量要素变化的预测。     

财政收入的组合预测

财政收入是政府宏观调控的重要手段，受众多因素的影响，应用组合预测方法来综合考虑多种因素预测财政收入，首先，根据财政收入的组成结构和随时间的变化规律分别建立回归模型与时间序列模型两个线性模型；然后根据财政收入时间序列建立了BP神经网络的非线性模型，最后在此基础上建立组合预测模型，对财政收入预测进行了有益的探索。     

利用ARIMA-SVM模型的碳排放交易价格预测

为了帮助企业、投资者和市场监管部门优化碳排放市场参与行为,需要对碳排放交易价格进行合理有效的预测。考虑到碳排放交易价格时间序列同时具有线性和非线性2种特征,选择ARIMA-SVM融合模型运用到碳排放交易价格预测中,发挥该模型预测精度高的优势。运用ARIMA-SVM模型、ARIMA模型、SVM模型和Db6-SVM模型对湖北碳排放交易价格进行8期预测。通过4种模型预测值的MSE值和MAE值确定预测精度,对比预测精度,探究ARIMA-SVM模型是否为准确有效的预测模型,实证结果表明:ARIMA-SVM模型的MSE值为0.177 0,是4种模型的最低值;MAE值为0.338 7,是4种模型的次低值。可以认为ARIMA-SVM模型的预测精度最高,是一种有效的且精度高的碳排放价格预测模型,可用于碳排放交易价格预测,可以为碳排放交易参与企业和各方投资者把握价格波动趋势,增强防范能力提供保障,也可以为市场监管职能部门防止碳排放交易价格过度波动及时制定有效措施。     

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高,轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素,客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度,提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例,在选取轨道交通客流相关影响因素的基础上,利用建立的SSA-LSTM模型对相关站点进行短时客流预测,并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明,相比于前述参照模型,SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值,具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。     

非线性组合模型及应用

针对预测研究中，变量指标较多，数据携带的信息较弱且和预测变量是非线性关系，因此造成预测结果稳定性不强的问题，构造了非线性组合模型，解决了上述问题．应用于华北地区2001～2002年的季度地震预报．8次预报，有6次预报结果满意，2次为比较满意．     

组合模型对居民消费价格指数序列的分析及预测

求和自回归移动平均模型(简称ARIMA)及支持向量回归模型(简称SVR)是两个重要且行之有效的分析及预测时间序列的方法.他们都能在一定程度上反映数据所包含的信息且信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型对居民消费指数(CPI)进行了预测,结果显示组合模型提高了指数的预测精度.     

基于IPAT模型的江西省碳排放峰值预测研究

通过对江西省1995-2012年的时间序列数据进行回归,利用IPAT模型对未来江西省碳排放峰值出现时间进行预测。可以发现,技术进步对峰值的影响较为重要。按照江西省目前发展趋势,若经济社会发展的同时保持能源强度和碳排放强度合理下降,江西省的峰值到达时间约在2032-2035年之间。因此,保持能源强度和碳排放强度的不断下降对江西省尽快出现碳排放峰值至关重要,健全应对气候变化机制、调整产业结构、优化能源结构、提高清洁能源消费比重应成为江西省今后的重点工作任务。     

基于EEMD-SSA组合模型的短期电力负荷预测

由于电力系统运行受多种因素的影响,因此电力负荷呈现较强的波动性和不稳定性,从而影响电网短期负荷预测的准确性。为减小预测误差,提出一种组合模型策略。首先采用集合经验模态分解将原始数据分解为若干分量,根据各分量数据所含信息量的不同,将分量分为两组,分别利用反向传播神经网络和长短时记忆网络进行预测。并在此基础上,利用樽海鞘群优化算法对每个分量预测网络中的神经元个数与输入变量的滞后项进行优化,得到最终的EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Algorithm)的组合预测模型。最后,将此模型应用于某地实测数据进行负荷预测。实验结果表明,该组合模型比单一网络模型及其他模型具有更好的预测效果。