应用组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具.根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤.     

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。     

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。     

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

基于神经网络组合模型的能源消费量预测研究

为了提高预测的精度,将神经网络组合预测模型应用于能源消费总量预测中,通过建立RBF、ELM、BP神经网络预测模型,用熵值法确定组合预测模型的加权系数,建立神经网络组合预测模型.利用安徽省统计年鉴获得的1991～2007年安徽省能源消费总量进行检验仿真,结果表明组合预测模型的误差较小,精度较高,预测结果更接近于实际情况.     

基于熵权组合模型的风电功率预测

利用灰色预测法、人工神经网络法、ARMA时间序列法3种不同的预测模型对某风电场的风电功率进行了预测研究。计算结果表明,利用单一预测模型进行预测的精度有待提高。提出建立组合预测模型对风电功率进行预测,为了充分利用单一预测方法的优势,引入熵值理论。利用熵值法确定组合预测模型中的权重,进而建立熵权组合预测模型。模拟结果表明,熵权组合预测模型可以有效地提高风电功率的预测精度。     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

基于ARIMAX模型的我国GDP预测分析

基于我国1980-2018年间的GDP和全社会固定资产投资总额数据,以全社会固定资产投资总额为自变量,利用SAS软件,首先建立动态回归模型对我国2019-2021年的GDP进行预测研究。然后建立ARIMA模型对GDP进行预测,预测结果与ARIMAX模型进行对比,发现ARIMAX模型预测更为准确。预测结果显示2019-2021年我国GDP总量稳步增长,我国经济发展前景良好。     

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ARIMA模型对我国第三产业生产总值的分析及预测

第三产业的兴旺发达已成为全球性的经济发展趋势,成为现代经济的一个重要特征。本文通过时间序列模型对我国第三产业生产总值的变化趋势做出了分析及预测,并给出相应建议。     

Prophet-LSTM混合模型对卷烟投放的预测

建立Prophet-LSTM混合模型,预测烟草公司卷烟投放策略对卷烟市场的影响.采用湖北省十堰市2019年7月到2020年12月的卷烟投放数据,建立Prophet-LSTM混合模型.实验结果表明,ProphetLSTM混合模型有着较好的预测精度,适合对卷烟投放进行预测.     

基于GM-PLS组合模型预测一次能源消费

为了预测一次能源消费量及其由此引起的污染物排放量,建立了偏最小二乘回归与GM(1,1)优化组合模型(GM—PLS)。用大连市历史年的一次能源数据分别建立了单项模型和优化组合模型并进行了验证比较。结果表明,组合预测的相对误差仅为1．70％,高于两种方法单独预测时的精度。选取了国内生产总值GDP、总人口数、第二产业占国民经济的比重及煤炭消费占一次能源消费的比重4个自变量用组合模型对大连市规划年的一次能源消费量进行了预测。结果表明,一次能源消费将会逐年增加。如果天然气的供给量能达到预测值,用其替代煤,则2020年由一次能源产生污染物的量将减少15．53万t。     

基于IOWA算子的中国能源消费总量的组合预测

本文利用多元回归模型、指数模型、灰色预测这三种方法分别对我国的能源消费做了预测,然后利用IOWA算子,运用诱导有序加权平均方法,对这三种模型的预测值进行了组合.实证结果显示,基于IOWA算子的组合预测的精度比三种方法各自的精度要高,而且精度比较稳定,达到了预期的水平.在此基础上,运用IOWA算子组合预测了2013年的能源消费总量,以期为相关部门制定能源政策和宏观经济的运行提供有用的参考信息.     

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．     

基于组合模型的交通流量预测方法

随着智能交通系统的蓬勃发展,交通控制和交通流诱导成为智能交通系统(ITS)研究的热门问题,而实现交通控制诱导的关键问题是实时准确的短时交通流量预测,预测的精度直接影响交通控制和诱导的效果.为此,提出基于组合模型的交通流量预测方法,该方法将历史趋势模型和多元回归模型加权组合以建立组合预测模型,并利用加权平均的方法,对较精确的预测值赋予较大的权重,从而提高模型预测的精度.通过对2009年上海城市交通流量预测结果的分析,证明该方法可提高预测准确度.     

基于组合模型的陕西省旅游市场需求预测

为提高旅游需求预测的精度,提出一种基于BP神经网络和ARIMA组合模型的游客量预测方法,该方法能够同时考虑旅游统计数据的线性和非线性规律.以陕西省接待入境游客人数为例,采用组合模型进行了综合分析与预测,预测结果表明组合预测模型相对于单一的预测方法具有更高的精度,在旅游预测中是可行的、有效的.     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。     

ARIMA模型在重庆市能源消耗量预测中的应用

能源是人类赖以生存和发展的重要物质基础,对经济的快速发展和人们生活水平的大幅度提高起着无可取代的作用,随着经济的发展人们对能源的需求日益增多,由于地球上的资源是有限的,对未来能源消耗量的准确预测显得尤为重要;运用ARIMA模型对《2013重庆市统计年鉴》中重庆市1981-2012年能源消耗量数据进行分析,结果显示:ARIMA(2,3,2)模型预测未来的结果较为准确,为重庆市资源消耗量提供了可靠的依据。     

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...     

基于贝叶斯超出表现模型的城市需水量组合预测

运用营口市人均综合用水量的历史数据,分别采用多元线性回归模型和BP神经网络模型对该市人均综合用水量进行预测,最后建立贝叶斯超出表现模型对所得到的单项预测值进行组合,实证分析结果表明,该组合预测模型获得了更为精确的预测效果,可以作为城市人均综合用水量预测的有效工具.