人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

基于遗传算法与支持向量机的水质预测模型

水质预测是众多水务相关问题的重要内容之一,通过水质预测,可以发现水质恶化的预兆,方便决策者提前采取措施.依据常见的水质数据,使用基于遗传算法与支持向量机的水质预测模型在实际应用环境下自行适配污染物权重,提高预测准确率.本模型首先使用遗传算法,训练当前数据的特征权重向量,使得权重适配当前预测问题,然后使用该特征权重向量应用于SVM模型训练.在以重庆某污水处理厂数据为对象进行实验后,验证了该模型在实际应用中的可行性,为水质预测提供了一种新思路.     

中国水稻纹枯病发生率预测研究——基于时间序列预测模型

该文以1960年~2007年中国水稻纹枯病发生率年度数据为样本,通过分析病害流行动态与周期特征,运用时间序列Logistic模型、自回归移动平均（ARIMA）模型和自回归AR模型进行预测,在此基础构建组合预测模型预测2014年水稻纹枯病发生率,预测结果与模型构建过程可以为相关研究提供借鉴参考。     

基于季节性AR(P)模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象.文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平穗序列,且序列具有明显季节性(月份)变化的特性。为此尝试建立季节性AR (P)模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于门控循环单元神经网络的交通流预测模型

针对交通流数据的时间序列关联性特征,在大数据处理技术基础上,构建了基于门控循环单元(GRU)神经网络的交通流预测模型.根据交通流数据产生速度快、数据量大的特征,基于Flink框架并应用Kafka消息队列机制对获取的实时交通流数据进行预处理;基于门控循环单元神经网络,设计了当前时间与上一步时间的隐藏交通流状态;计算了交通...     

基于数理分析对长江水质的评价预测研究

长江水质污染日益严重,为了保护长江水资源,科学合理地预测长江水质对长江水资源的可持续发展具有重要意义。本文利用时间序列模型和多元线性回归模型预测了长江水质未来状况,并对长江水质预测结果进行了定性和定量的综合评价,分析得出未来五年长江水质污染的发展趋势。     

基于空间相关性和神经网络模型的实时河流水质预测模型

基于高频水质在线监测数据,利用水质数据的空间相关性构建神经网络模型实现对河流水质的实时预测.应用此模型对广州市白坭河流域的水质参数溶解氧和氨氮进行预测和分析,验证水质模型的效果.根据预测时间的不同,搭建6种水质预测模型,结果显示溶解氧提前6小时预测的模型具有更好的预测效果,氨氮提前24小时内预测的水质模型效果较好.训练...     

商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

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ARMA-GARCH模型的南宁市O3浓度预测研究

为探索采用时间序列模型快速预测臭氧浓度,以南宁市日均O_3浓度数据作为研究对象,收集2017年1月1日至2017年12月31日O_3日均浓度时间序列,构建ARMA-GARCH模型,对2018年1月1日至2018年1月31日O_3日均浓度进行预测。研究结果表明,构建的时间序列模型预测值拟合曲线基本能与实测值保持一致,经检验发现,在拟合曲线峰、谷值及其前后容易出现较大误差,短期预测结果较准确。     

基于多重多元回归的焦炭质量预测模型

 焦炭质量预测是焦化企业进行焦炭质量控制的重要方法。在诸多生产因素已固定的条件下,焦炭质量主要取决于原料煤性质。用煤质指标预测焦炭质量是焦炭质量预测的重要方法。考虑配合煤煤质指标和焦炭质量指标的多元性和相关性,采用多重多元回归分析技术,将焦炭质量的各指标作为一个整体,建立配合煤煤质指标对焦炭质量的预测模型。基于偏最小二乘回归思想,采用预测误差平方和（PRESS）和预测的方差验证回归模型的预测能力。根据实际焦炭生产建立的焦炭质量预测多重多元回归模型的显著性检验表明,该模型具有较高的预测能力。应用多重多元回归技术建立的焦炭质量预测模型对指导焦化企业的焦化生产,优化配煤和加强焦炭质量控制具有重要的现实意义。     

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。     

基于CEEMDAN-NAR-ARIMA组合模型的桥梁监测应变预测

提出了一种基于CEEMDAN-NAR-ARIMA的组合模型用以预测桥梁SHM监测应变数据。针对经典时间序列理论对模态混叠的数据无法有效预测的问题,采用了CEEMDAN方法对桥梁SHM应变监测数据进行了分解,并使用PE方法将分解得到的大量分量按照随机程度进行分类重组形成数个新数据序列,最后结合NAR动态神经网络和ARIMA模型分别对每个新数据序列进行预测并叠加得到了最终的预测值。将该方法用于上海市某座斜拉桥的SHM应变数据预测,结果表明,该方法相比于经典时间序列理论提高了预测的准确性,具有良好的工程应用价值。     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

室内空气品质的灰色非本征预测模型

利用灰色系统理论和原有的确定性物理模型建立了室内空气品质灰色非本征预测模型．并利用灰色非本征模型模拟了两种条件下，室内二氧化碳随时间变化的特性．计算实例表明，灰色非本征模型在预测室内空气品质时具有较好的实用性和精确性．