安全状态预测与目标值的确定

本文讨论了事故伤亡预测与目标值确定的相互关系。文中给出了可采用的预测模型,指数平滑法、指数函数回归和灰色预测法;并对指数平滑法的数值选定提出了一种新的方法;对灰色预测具有较高的精度原因进行了说明;并以一实例说明了预测与目标值确定的关系。表1。     

基于BP神经网络的混凝土抗压强度预测模型的建立

本文采用误差反向传播神经网络(BP)建立了混凝土抗压强度的预测模型,在不同的误差目标值及隐含层节点数条件下,探讨模型的预测精度。实验结果表明,当误差目标值设定为0.01、隐含层节点数为3时,模型的预测精度最高,平均误差百分数为6.6%。当误差目标值设定较大时,样本的预测值与实测值会发生明显的偏差,预测效果不佳。     

基于心态指标的区间灰数预测模型

针对传统灰色预测模型仅适用于实数序列而无法进行区间灰数序列建模的缺陷,引入决策者心态指标,把区间灰数序列转化为带有心态指标的序列,并且当心态指标确定时,带有心态指标的序列就转化为体现决策者心态的实数序列,然后通过对体现决策者心态的实数序列建立灰色预测模型,从而得到了一种基于心态指标的区间灰数预测模型。由于决策者可以通过调整其心态指标建立灰色预测模型,因而使得模型预测更加符合实际。     

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和径向基神经网络（Radial basis function,RBF）的组合预测模型 。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值（水路货运量）进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入到RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。     

基于POM的大连湾溢油预测模型

基于POM建立了M2分潮的大连湾海域三维潮流场动力模式。利用此动力模式,以“油粒子”模型来模拟溢油在大连湾中的漂移扩散过程。通过欧拉一拉格朗日法,将油膜中心的轨迹和各个时刻的油膜分布情况可视化。溢油预测模型综合考虑了三维流场,湍流,风导输移和波浪破等环境因素,并包含了蒸发和乳化等风化过程。以大连湾溢油为例,预测了油膜在风和海流共同作用下漂移的路径和油膜影响的海域及海岸带范围,油膜靠岸后证明了动力溢油模型进行溢油预测的可行性。     

关于几种经济预测模型的应用研究

在社会经济的各个领域,大量的决策问题离不开对变量未来值的预测或对不易观测变量的预测。而在进行预测的过程中,最重要的是预测模型的选择。本文着重研究了经济预测中常用的线性回归模型、灰色预测模型和RBF神经网络模型,并且引入组合预测模型对这三种单项预测模型进行优化。通过对天津港货物吞吐量预测的实例分析,检验了这些方模型的可行性和可靠性,为决策者制定相应的战略规划提供了科学的参考依据。     

应用改进的灰色模型预测民航管制员数量

建立了灰色预测模型,进而运用马尔可夫链理论对灰色预测模型进行了改进。针对我国近年来民航管制员的数量变化,分别应用两种模型进行了预测。结果表明,通过马尔可夫链理论修正的预测模型,预测精度得到了较大的改善,结果更为准确,预测结果能为民航各级人事决策者提供依据。     

大连湾海域赤潮状况及预测模式研究

研究赤潮前、中、后期生物与环境因子关系,建立一系列相关方程,经多元回归处理后得到的春、夏季赤潮预测模式。旨在为大连湾近岸海域赤潮应急行动的决策和海域赤潮污染的防范提供信息。     

渤海海域海冰严重灾害的灰色预测

根据１９６０－１９９５年间渤海海域的海冰灾害的实际观测资料，建立了信息ＧＭ（１，１）模型，并在此基础上又分别对ＧＭ（１，１）灰色预测模型提出新的改进型预测模型，并运用改进型的预测模型对渤海海域的海冰严重灾害进行预测，据预测未来可能发生的两次海冰严重灾害为２００３年和２０１１年。     

基于粗糙集支持向量机的科技项目财务预测模型

引入粗糙集和支持向量机理论对企业的财务状况进行分析和预测,建立了财务预测模型,为决策者在科技项目立项前后的监督和管理提供支持.     

基于组合模型的高铁隧道围岩收敛变形预测

为提高围岩收敛变形预测精度,依托阳山高速铁路隧道,基于贝叶斯参数优化的经验模型预测收敛变形的趋势项,然后采用支持向量回归算法修正经验模型的预测结果,据此构建基于组合模型的高铁隧道围岩收敛变形预测模型.将均方误差和平均绝对百分误差作为评价指标,与同类型支持向量机回归模型的预测结果进行对比.结果 表明,经验模型的预测值与目标值随时间变化的趋势一致,但对于数据中的波动部分,预测值与目标值存在较大偏差.误差修正模型较好地预测数据中的波动部分,对提高预测精度效果明显.在2组实测数据中,组合模型预测值的均方误差相较于经验模型降幅分别达到97.0％和93.4％,且较同类型支持向量机回归模型具有更高的预测精度.     

径向基函数人工神经网络(RBF ANN)对森林蓄积量的预测

本研究设计了径向基函数神经网络程序,对2015年该区域的森林蓄积量进行预测。将1983年的林分郁闭度和优势树种的平均胸径、树高作为输入,其中郁闭度数值作了10倍处理,1999年的蓄积量作为输出目标值,建立三层网络预测模型。     

渤海海域油污溯源模拟预测研究

【目的】发展有效、准确的溢油溯源预测技术,为渤海海域溢油污染防治以及责任认定提供参考。【方法】建立基于"拉格朗日"粒子追踪方法的油粒子数值溯源预测模型,利用集合预报方法,结合渤海海域气象、海洋环境驱动场,针对秦皇岛岸段发现的油污,通过溯源模型进行模拟,预测其可能来源,分析油污可能发生的原因。【结果】受海面风和海流的综合作用,冬季在秦皇岛北部海域的油污,多会在春季漂移至秦皇岛海域。【结论】本研究模拟预测方法针对不同的海域进行预测分析,可给出油污的可能来源,为溢油源的排查和应急处置提供技术支持。     

ECOMSED数学模型研究悬浮物对海洋环境影响

文章利用ECOMSED三维水动力数学模型,对莱州海事工作船码头工程海域潮流进行数值模拟,在潮流模拟验证确的基础上,建立了悬浮物输移、扩散预测模型,预测了在工程基槽开挖、航道和港池疏浚施工过程中引起的悬浮物浓度,给出了悬浮物超标的面积等,从而分析了该扩建工程对海洋水质环境的影响。     

基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测

本文根据2013—2017年夏季(8月)深圳近岸海域水质监测数据资料,采用营养质量指数法对深圳近岸海域富营养化状况及其变化趋势进行评价,并建立时间序列预测模型与BP人工神经网络模型分别对该海域2018年无机氮、活性磷酸盐、化学需氧量和叶绿素a含量进行预测,并根据预测结果利用营养质量指数法对2018年深圳海域富营养化水平进行预测,同时根据预测结果对深圳海域营养盐结构进行分析,识别东西部海域的富营养化限制因子,据此提出富营养化水平的改善建议。研究结果表明：2013—2017年深圳近岸海域富营养化水平一致表现为西部海域偏高,东部海域偏低的特征,其中珠江口海域在5年间的平均富营养化水平最高,其余依次为深圳湾＞大鹏湾＞大亚湾。2018年富营养化水体基本出现在西部海域,东部海域整体富营养化水平较低,已贫营养水平为主。富营养化高风险区主要分布在西部海域,其中茅洲河口与深圳湾海域富营养化风险尤为高,建议在上述区域进行富营养主要因子无机氮和活性磷酸盐的管控,以期降低富营养化发生概率。针对东部海域沙头角湾和坝光海域表现为中营养水平的情况,建议对上述海域进行无机氮和活性磷酸盐的防治,以达到保持海域营养水平现状的目的。     

基于CNN-LSTM-Attention的短期风向预测研究

风向预测对提高风能转化率、保障风力发电机偏航系统安全运行及增加风力发电效益具有重要意义。为准确预测风向,提出一种基于CNN-LSTM-Attention的短期风向预测模型。首先,利用卷积神经网络(Convolutional Neural Network, CNN)提取风向数据动态变化特征,然后将所提取的特征向量构成时间序列作为长短期记忆(Long Short-Term Memory,LSTM)网络的输入,最后使用注意力机制(Attention mechanism)分配LSTM隐含层不同权重,增强重要特征的作用,完成风向预测。采用北部湾海域历史风向数据,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-Attention模型的相对平均误差(MAPE)值为3.2119%,R²为0.982 6, 优于其他对比模型。所得结果为广西北部湾海域海上风电探索发展提供参考。     

一种用于Ad Hoc网络的自适应故障检测算法

为提高系统可靠性和安全性,研究并提出了一个Ad Hoc网络环境下的基于心跳策略的故障检测算法。针对Ad Hoc网络多跳通信和结点混杂工作模式等特点,提出超时值预测模型,动态预测心跳消息到达时间,并根据网络状态变化实时地修正、更新预测超时值;提出基于超时值预测模型的Ad Hoc网络自适应故障检测算法,并证明算法满足强完整性和最终强准确性,是一个◇P类故障检测器。仿真实验表明,算法可以准确地对心跳消息到达时间做出预测,具有较好的检测准确性指标,能适用于Ad Hoc网络环境下的故障检测。     

基于关联规则的城市电力负荷预测模型智能推荐

提出了一种基于关联规则的电力负荷预测模型智能推荐方法,解决了面对众多预测模型使决策者难以选择的问题.该方法首先建立预测模型与相关因素历史数据库,在此基础上进行关联规则挖掘,然后结合给定预测地区的相关因素条件,利用案例推理技术在挖掘出的规则中进行条件匹配,最终得出给定条件下各负荷预测模型对预测地区的适应情况并完成模型自动推荐.该方法充分利用国内42个城市预测案例积累的数据,通过数据挖掘并分析结果可以看出特定预测模型适用度与哪些相关因素有关,运用这些规则,得到合理的模型推荐结果.基于关联规则的适合模型推荐方法,不仅能自动分析模型适用度与各相关因素的内在联系,也能在一定程度上体现预测者对模型的偏好.通过我国某地区的负荷预测为例,说明了算法的正确性和可行性.     

基于数据挖掘技术的负荷预测模型

为有效选取预测变量和训练模式、提高预测精度，提出了一个基于数据挖掘技术的负荷预测模型．该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量，再选取与预测日相似的训练模式，最后用神经网络对负荷进行预测．实际运行结果表明将该模型应用于电力系统负荷预测是可行的，其与传统的神经网络预测模型相比具有更高的预测精度.