基于遗传BP神经网络的三七价格预测

为提高三七药材价格的短期预测准确性,利用遗传算法的全局搜索能力对BP神经网络的初始权值和阈值进行优化,建立了基于BP神经网络的三七药材价格预测模型.采用连续K月三七价格的滚动预测方式,对下一个月进行预测.通过三七价格时间序列自回归分析确定K值为2,以连续2个月的三七价格作为BP的输入变量,预测其后一个月的三七价格,并对三七价格的BP神经网络模型和传统时间序列预测模型ARIMA进行分析比较.实验结果表明:遗传算法优化的BP神经网络具有更高的预测精度,且比ARIMA模型对价格骤变情况更敏感.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于ARIMA与神经网络的备件需求组合预测方法

针对备件需求量波动大预测精度不高的问题,提出一种基于差分自回归移动平均(ARIMA)、BP神经网络、串联的卷积与长短期记忆神经网络(CNN-LSTM)组合模型的备件需求预测方法。该方法能够充分发挥ARIMA模型出色的线性拟合能力和神经网络突出的非线性拟合能力,克服了单一方法的局限性,并通过实例分析,验证了该组合预测模型的预测精确度高于单一预测模型。     

短期风速预测的相关方法及其应用研究

文章对持续法、BP神经网络和支持向量机(support vector machine,SVM)3种方法在提前24h风速预测中的应用进行了研究和比较。为了消除季节对预测结果的影响,针对某年12个月份分别建立预测模型,结果表明:在大多数情况下,BP神经网络和SVM算法的预测结果要优于持续法,并且SVM算法优于BP神经网络;但也有持续法优于BP神经网络和SVM算法及BP算法优于SVM算法的情况。因此不能绝对说某种算法优于另一种算法,应该根据具体情况来进行分析判断,或者通过组合预测来提高预测精度。     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。     

基于集成ARIMA模型与BP神经网络的锂电池容量预测

锂离子动力电池是当前新能源汽车的主要储能方式,其容量预测非常重要。本文提出了一种利用差分整合移动平均自回归（ARIMA）模型和反向传播（BP）神经网络集成的方法来预测锂电池容量。首先,建立ARIMA模型,预测前期电池充放电容量数据;随后,建立相关的BP神经网络模型进行长期预测。用500组中的前420组数据预测后80组,预测结果实现R≈0.9,表示BP神经网络非常适合预测长期的锂电池容量数据。最后,利用安庆师范大学动力电池实验室提供的锂电池对提出的方法进行测试,实验误差在±5%以内,拟合值效果覆盖值也大于85%,预测效果良好。     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。     

基于支持向量机的云计算资源负载预测模型

为了准确描述云计算资源负载的动态变化趋势,设计了云计算资源负载预测模型。采用混沌分析算法对云计算资源负载的时间序列进行处理,构建云计算资源负载预测的学习样本。采用支持向量机(SVM)建立云计算资源负载的预测模型,并设计了组合核函数,以提高SVM的学习能力。选择灰色模型、反向传播(BP)神经网络、径向基函数(RBF)神经网络、RBF核函数的支持向量机进行云计算资源负载预测的仿真对比实验。结果表明,对单步云计算资源负载预测时,该文模型的预测精度为94.85%,仅低于灰色模型的95.85%;对多步云计算资源负载预测时,该文模型的预测精度最高,为89.17%。     

基于灰色BP神经网络的我国工业增加值预测研究

针对我国工业增加值存在季节波动性等外部因素影响其预测准确性不高的问题,提出了一种基于灰色BP神经网络的工业增加值预测算法,即采用以我国2008~2017年各季度工业增加值数据作为时间序列建立的灰色BP神经网络预测模型进行预测。结果表明,采用灰色BP神经网络组合模型预测的精度较灰色模型和BP神经网络模型精度分别提升了0.94%~4.98%和0.01%~0.08%,稳定性分别提升了1.43%~2.97%和0.03%~0.05%。此实验结果验证了灰色BP神经网络组合模型可以有效预测我国工业增加值的发展趋势,进而为政府部门制定工业发展政策提供有效依据。     

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.     

基于多种径流预测耦合模型的流域月径流预测优选研究

为了提高径流预测的准确性,以澄碧河流域坝首站1979-2019年共41 a的实测月径流序列为例,在优选Elman神经网络模型、支持向量机模型、BP单一预测模型的基础上,分别耦合经验模态分解(EMD)、集合经验模态分解(EEMD)和经验小波变换分解(EWT),选取纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析。结果表明：相对于Elman神经网络模型和SVM模型,BP模型的预测效果较好;耦合预测模型预测精度都优于单一模型。耦合模型中,EWT-BP的纳什效率系数为0.91,预报等级为甲级,预测精度优于EMD-BP和EEMD-BP。采用数据预处理技术生成平稳序列,可有效减少原序列存在非线性和不稳定性特征的影响,并有利于提高流域水文模型的径流预测能力。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

数据驱动的中小河流智能洪水预报方法对比研究

近几年在洪水预报中,数据驱动洪水预报模型得到了广泛的应用,并取得了良好的效果,但是数据驱动模型大都用于大流域,很少用于小流域.中小河流大多位于资料短缺的山丘区,洪水具有突发性强,汇流时间快,预见期短的特点.为此分别构建了SVM模型、BP神经网络模型、RBF网络模型、极限学习机(ELM)模型,并利用所构建的模型对昌化流域进行预报;结果表明,SVM模型和RBF网络模型在低流量区段预测较准确,而且模型预报稳定;BP神经网络模型在高流量区段较准确,但是模型预报结果不稳定;ELM模型预报误差较大,而且预报不稳定;于是采用组合模型方式:低流量区段采用SVM模型或RBF网络模型,高流量区段采用BP神经网络模型,实验结果表明组合模型预报效果更好.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于变点发掘的城市轨道交通客流预测模型

通过城市轨道交通发展过程阶段变化对其相应的客流变化特点进行分析;基于变点发掘的方法划分出轨道交通客流的不同变化模式,并分析导致客流模式变化的影响因素;通过权重变化有效地结合不同交通状态模式下的变参数自回归求和滑动平均(ARIMA)模型和全局BP神经网络模型,构建城市轨道交通客流组合预测模型;结合某大城市轨道交通线路的实际客流数据,对本文模型的适用性和准确性进行验证。研究结果表明:同一模式区间预测比全局搜索预测更容易获得较高精度预测值,组合模型预测结果相对优于单一模型预测结果。     

基于马尔科夫——灰色BP神经网络组合模型的深基坑变形预测研究

建立马尔科夫—灰色BP神经网络组合模型是为了更加科学合理预测深基坑压顶水平位移,提高预测精度.比较分析BP神经网络模型与串联式灰色BP模型的预测结果,建立马尔科夫链修正的灰色BP组合模型,以汕头市某花园酒店扩建工程的基坑压顶水平位移的实测数据为研究对象,通过比较模型预测结果与实际结果,检验其深基坑预测模型的精度.实例证明,经马尔科夫链改进的灰色BP神经网络组合模型的预测精度优于单一模型,更适合用于样本少、随机波动性大的深基坑变形预测.马尔科夫—灰色BP神经网络组合模型对深基坑压顶水平位移的预测不仅精度高,同时反映出数据序列发展变化的总体趋势和系统之间各状态的规律,为深基坑压顶水平位移预测提供了一种新方法.     

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.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。