基于GPCA和GAPSO-NN的中国区域经济预测方法研究

结合全局主成分分析(GPCA)和遗传微粒群-神经网络(GAPSO-NN),对中国区域经济发展水平进行预测.首先构建区域经济发展水平的评价指标体系并提取相关数据;然后借助GPCA获得全局主成分分值、综合评价值,作为GAPSO-NN的输入、输出;接着构建GAPSO-NN预测模型并训练网络;最后通过预测仿真,表明基于GPCA和GAPSO-NN预测方法的有效性.     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于小波神经网络组合模型的高填方路基沉降预测

利用小波变换良好的时频局域化性质和神经网络的自学习功能,结合S型成长曲线模型,建立了基于小波神经网络的高速公路高填方路基沉降预测模型,该模型的应用避免了计算过程中各种人为因素的影响.通过对汝(城)郴(州)高速公路K59+375~K59+445高路堤沉降现场监测数据的学习、预测与检验,并与S型成长曲线模型和BP神经网络的预测结果相比较,结果表明,组合模型的预测精度高,与实际情况相吻合.     

配电网短期负荷小波组合预测研究

分析不同规模的配电网负荷,验证了配电网短期负荷变化复杂的特征,采用单一预测方法进行配电网短期负荷的预测仿真.考虑到配电网短期负荷变化规律性不明显的特点,利用db4小波函数对配电网的历史负荷数据序列进行最大尺度分解重构,将历史数据划分成不同频段的分量,根据不同频段负荷分量特点分别采用GM(1,1)模型、时间序列法及二次指数平滑法对低、中、高频分量进行预测,再将各分量预测值叠加得到总的预测结果.结果表明,该组合预测法可有效提高预测精度,获得较为满意的预测结果.     

区域经济可持续发展时空优化模型的初步研究

区域发展可以简化为投入、产出的过程,区域可持续发展包括时间和空间2个方面,区域发展空间优化过程,就是协调效率和公平的过程,这可以转化为以地区间发展水平或发展速度差异不超过某一特定限度为约束条件,以经济效益最优为目标的规划问题,在区域发展的早期阶段,发展是决策的主要目标,必须有效地集中资金,并将其主要地投到基础较好,条件优越的地方,当区域发展到一定水平后,可持续发展,即区域内各地之间的协调发展成为决策的主要目标,此时的公共投入主要用来发展落后地区,以缩小区域差异,依据这些理论提出了区域可持续发展的时空优化模型,包括静态模型和动态模型。     

基于小波变换的交通流预测及模型优化

将小波变换的理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分,然后在分析各种模型的优、劣的基础上,选取较有效的模型或模型结合方式,建立了交通流量预测模型。最后,利用实测交通流量数据对模型仿真,结果表明该模型可以有效地提高短时交通流量预测的精度。同时,深入研究了小波基、分解层数选取的依据,通过实验检验表明效果良好。     

基于小波网模型的区域供热系统负荷预测

中国的供热系统运行调节中普遍存在由于系统本身的热惯性等因素导致供热量不能实时跟随需求量调整的问题。将小波网络引入热力过程优化运行,通过综合分析系统运行数据间关系,识别供热系统复杂非线性动态特性,建立区域供热系统热负荷小波预测模型。仿真实验表明,该方法在网络规模和预测精度上优于常规多层前馈神经网络。实际运行预测结果表明,该方法辨识精度高,实时性强。     

小波网络和BP网络在负荷预测中的比较研究

从收敛速度、网络稳定性、泛化性能及预测结果等方面分析BP网络和小波神经网络的预测过程,探讨了差异的原因.发现:(1)BP网络预测稳定性强,易取舍数值,但预测速度较慢,预测精度不够理想;(2)小波网络预测速度快,精度高,泛化性能好,但稳定性能差,实际运用中还没有合适的数值取舍方法;(3)小波网络总体超过BP网络,但实际预测时技术问题较大.     

采用小波分析和神经网络的短期风速组合预测

为了提高风速的波动性与随机性预测精度,提出小波分析和神经网络组合的风速预测模型.该方法利用小波分解将风速分解为一列频率不相同的分量,并利用二插值进行重构;根据各个分量的频率特征,选择合适的模型分别进行预测;高频分量采用组合神经网络预测,低频分量采用合适的单一模型直接进行预测;将各预测值叠加得到最终预测值.算例分析表明:相较于单一预测模型,所提方法的预测精度得到大幅提升,更加贴近实际风速曲线,预测结果更具可靠性.     

基于EEMD和小波神经网络的短期电价组合预测

从降低电价序列非平稳性出发,提出一种基于聚类经验模态分解(EEMD)和小波神经网络(WNN)的新型组合预测模型来预测短期电价;采用Matlab/Simulink仿真平台进行建模仿真;仿真结果表明:新算法预测精度高,预测方法可行。     

基于小波SR-PSO-ELM的面板堆石坝沉降预测组合模型及应用

针对目前常规组合模型在残差序列信息挖掘上的不足,借助小波分析、逐步回归分析和粒子群算法对运行期沉降进行分层次预测,充分提取沉降观测中的非线性和不确定性信息,即利用小波去噪对观测数据进行处理,结合逐步回归模型(S R)对沉降变形的整体趋势层进行预测,并通过粒子群-极限学习机(PSO-ELM)对观测数据中的残差层进行第二层...     

灰色神经网络组合模型在区域水质预测中的应用

针对神经网络用于水质预测时需要大量数据才能获得较为准确的预测结果的局限性,为降低预测时对数据的依赖引入灰色模型,从而建立两者最优组合模型,以用于数据贫瘠时的情况.将该模型用于珠江支流的水质预测,结果表明,该模型拟合误差小,预测精度高.     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

区域对外贸易和经济增长关系模型研究

通过分析区域对外贸易和经济增长的一般关系，指出了区域对外贸易对经济增长具有双刃性作用，建立了区域对外贸易对经济增长作用的回归模型，并以湖南省为例，采用对外贸易增长率、ＧＤＰ中的对外贸易份额和对外贸易额的变化量占ＧＤＰ的比例等３组数据进行了实证计算和分析．     

区域供冷系统供回水经济温差优化模型研究

从经济的角度综合考虑,基于动态年折算费用法建立了区域供冷系统供回水经济温差的优化模型,并以夏热冬冷地区某小区区域供冷系统为例,分析了用电价格、比摩阻、供冷距离以及空调负荷等因素对供回水经济温差的影响.结果表明,当供回水经济温差为6.3℃时,年度费用最低,此时供水温度为5.9℃,与常规设计温度7/12℃相比,每年可节约2.4万元,经济温差随电价的增加而减小,随比摩阻、供冷距离、空调负荷的增大而增大.     

区域经济发展预测的理论研究

介绍了区域经济发展预测的基本原则、种类、预测步骤以及4种常用的方法,简述了计算机在区域经济发展预测中的作用.     

边坡位移时序预测的组合模型研究

将边坡变形预测看作一个特殊的凸二次规划问题,以加权一阶局域法（AOLMM）、Lyapunov指数预报法以及神经网络预测方法（ANN）为基础,建立了边坡变形预测的组合模型,应用动态规划方法求解组合预测模型的最优解,以达到有效利用各种预测方法提供的信息和提高模型预测精度的效果．通过工程实例研究表明,该组合预测模型较单一预测模型精度有较大提高,表明组合预测模型的可行性及有效性．     

基于小波变换和优化预测器的瓦斯浓度预测

为了准确预测煤矿瓦斯浓度,提出一种基于小波变换和优化预测器的预测方法.用瓦斯浓度序列分解到小波函数空间(或尺度函数空间)上的能量作为尺度能量,依据尺度能量与满足预测精度的最大误差能量的比值关系,确定小波最佳分解级数.通过小波分解降低瓦斯浓度序列的复杂度,引入延时映射,将小波分解后各个分量转化为具有历史特征的新样本分别进行预测,所得到结果进行叠加为最终预测结果.提出基于预测残差方差比检验的最佳延时单元数确定方法,以预测残差的F检验值作为适应值,采用粒子群算法优化预测器的参数.结果表明:单一的BP人工神经网络(BP_ANN)或支持向量机(SVM)所建立的预测方法对某些瓦斯浓度突变数据的预测有过拟合现象,其预测结果的平均误差大于23%,小波变换后的组合预测方法对于瓦斯浓度突变数据具有较好的跟踪能力和反应速度,采用预测模型的最佳参数后,预测器性能显著提高,平均误差小于10%,表明所建议的方法是可行和有效的.     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。