安徽省城镇居民人均收入的组合预测

以1995～2009年安徽省城镇居民家庭人均可支配收入的数据,分别建立时间序列模型、回归模型和灰色预测模型．然后在三个单一预测模型的基础上综合各个预测模型的优缺点．通过使组合预测误差平方和最小确定各单一预测方法的权重系数,得到最优组合预测模型．最后对几种预测方法进行了评价,得出组合预测效果比较精确．     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

粗铜冶炼中铜锍品位的动态预测模式 —AR（p）与指数平滑最优组合法

提出了一种对铜锍品位进行预测的新方法 ,即以采集的现场数据为基础 ,采用系统辨识动态地建立了AR(p)模型与三次指数平滑模型 .AR(p)模型要求数据对象是平稳时间序列 ,而三次指数平滑模型的数据对象具有随机性 ,考虑到铜锍品位的波动性 ,将 2种模型按最小二乘原理 ,以组合预测误差平方和为目标函数 ,通过使误差平方和极小化来确定 2种预测方法的最优加权系数 ,建立了一种新的组合模型 ,其预测误差最小 .结果表明 ,在当时数据条件下 ,AR(p)与指数平滑组合模型比AR(p)与指数平滑模型单独使用时精确度都要高 ,这对指导生产具有实用意义 .     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

GPS定位误差分析与建模

目的研究ＧＰＳ（全球定位系统）定位误差数据的数学模型．方法采用时间序列方法对原始数据进行分析,用周期图法提取周期项误差,用波克斯－詹金斯方法对平衡随机序列建模．结果该模型可用来提高ＧＰＳ定位精度,结论ＧＰＳ定位误差数据属于非平衡时间序列,包括周期项序列和平衡随机项序列,其中周期项序列的最大隐含周期为１０ｍｉｎ,平稳随机项序列符合ＡＲ（１）模型．     

基于不同误差分布下ARMA—GARCH模型的国债指数实证研究

根据上证国债指数收盘价数据的特征,对其收益率序列建立误差分布为正态、GED和t分布的ARMA—GARCH模型．比较不同分布条件下的拟合效果,得出误差分布为GED和t分布时,模型的拟合效果优于误差分布为正态分布的情况．应用交叉验证法对预测效果进行比较,得出误差分布为t分布的ARMA—GARCH模型预测效果最优．同时,在模...     

全距在确定组合预测最优权系数中的应用

从统计学的角度考虑 ,建立以组合预测误差的全距为目标函数组合预测模型 ,在各单项模型预测误差服从正态分布的情况下 ,该模型和误差平方和为准则的组合预测模型相比 ,它们的解近似相等。且具有计算简单的特点。最后也探讨了变权系数的组合预测模型     

预测模型组合开关

不同预测模型在同一时刻都存在不同的预测误差,最优组合预测的预测精度要比其他模型高,但并不是所有时刻误差都最小,有的时刻可能比单项预测误差还大,因此,在预测时就存在较大的风险.再组合预测可以降低预测风险,但方法比较复杂难以推广.针对这些问题,我们设计一种预测模型组合开关,根据数据的变化,不同时刻采用不同预测模型,使预测误差每一期都最小,或不是最大.实证结果表明,预测模型开关能够根据数据特征有效控制模型输出.     

安徽省城镇居民人均消费的组合预测

在灰色预测、回归预测和时序预测基础上,建立1990到2009年安徽省居民人均消费组合预测模型,并通过误差指标评价体系对组合模型和单项预测模型进行评价,结果表明组合预测模型的各误差指标远低于三种单项预测模型预测误差指标值。最后预测了我省近三年城镇居民人均消费值并进行了评价。     

基于绝对误差的线性组合预测研究

针对组合预测效果评价中存在着把拟合精度和预测精度相混淆的问题,阐述了区分样本区间和预测区间的组合预测精度评价方法,并在预测区间上对2种常用的基于绝对误差的线性组合预测方法的预测精度进行了评价,对评价结果进行实例和理论分析。在此基础上,提出一种新的基于绝对误差的线性组合预测方法——基于预测模型有效性的线性组合预测方法。     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题，提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型，小波分解和重构可以有效处理数据的波动性，长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例，实现了组合模型对进站量的预测，发现本方法能够得到比较准确的预测效果，平均绝对百分误差为5.48%，与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%，表明本方法有更好的预测精度。     

一种面向工程应用的台风强度统计预测方法

为实现台风强度的年变化预测,提出了一种基于灰色均生函数模型的预测方法。选取最大风速作为台风强度的指标,利用中国气象局发布的西北太平洋台风资料,建立台风登陆和未登陆情况下的预测模型,做5 a预测,并与观测结果对比。结果表明:灰色均生函数模型对台风强度的预测具有较高精度,年平均值最大绝对误差为4.4 m/s,低于2012年各站25次台风强度的数值模式预测结果平均值;年极值最大绝对误差为11.1 m/s,低于上海台风模式对台风个例的预报结果。     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

颌骨重建手术机器人定位精度分析与误差补偿

为提高颌骨重建机器人的精度,借助于—台可以实现绝对坐标测量的高精度光学定位跟踪仪,对机器人系统的定位精度进行了误差分析与补偿研究.针对结构参数和运动变量误差,采用修正的运动学模型,进一步真实地反映了机器人的实际结构参数;对齿轮传动误差和间隙引起的关节回转误差通过实验进行了修正,有效提高了关节传动精度;对零位定位误差,通过机器人逆运动学反解出关节转角,并进行误差补偿,提高了定位基准的精度.实验结果表明上述方法可有效提高颌骨重建机器人的定位精度.      

组合预测方法中权系数的应用研究

针对组合预测方法中权系数的确定问题,提出两种组合预测方法。一种是引入误差评价公式来确定权系数的固定权系数组合预测方法;一种是基于神经网络的误差倒数变权组合预测方法。通过实例分析说明了两种方法的可行性,且结果表明方法比单模型方法预测和传统组合预测方法具有更高的拟合精度。     

小波神经网络煤矿井下涌水量影响因素挖掘与预测

合理预测矿井涌水量,及时有效制订排水方案,是保证井下人员安全生产及经济开采的需要。根据煤矿井下涌水量影响因素的不确定性,选取的平均影响值通过误差反向传播网络,确定涌水量各影响因素相关程度,实现涌水量影响因素的筛选。采用小波方法对涌水量进行分析,发现其相同的季节大致有相同的走势。依据小波中的时间聚合因子,建立了基于时间序列的小波神经网络短时预测模型,对某矿涌水量进行分析。结果表明:涌水量预测最大绝对误差为4.179 7m3/d,最大相对误差为2.079%,最小绝对误差为0.000 5 m3/d,最小相对误差为0.000 2%;平均相对误差绝对值为0.482 3 m3/d,平均相对误差为0.285 7%,正确率平均达到了99.714 3%。预测指标满足了矿井涌水量排水的要求。     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

组合预测模型在安徽省粮食产量预测中的应用

利用安徽省粮食产量的历史数据,分别采用一元线性回归、指数曲线及神经网络方法建立了安徽省粮食产量的预测模型。以此为基础,建立了安徽省粮食产量的组合预测模型,并对模型的适用性进行了检验。最后,应用该模型对安徽省未来10年的粮食产量进行了预测。结果表明,组合预测模型可以作为安徽省未来粮食产量预测的有效工具。