太阳黑子数平滑月均值的混合预测模型

提出一种太阳黑子数平滑月均值的混合预测模型.通过最大Lyapunov指数得到太阳黑子数平滑月均值时间序列的最大可预测周期,结果表明太阳黑子数平滑月均值序列的最大可预测周期为42个月.太阳黑子数平滑月均值时间序列中包含着线性与非线性的成分,利用自回归滑动平均模型对线性成分进行预测,将太阳黑子数平滑月均值的实际值与自回归滑动平均模型的预测值作差值得到仅含有非线性成分的残差序列,利用具有良好非线性预测能力的回声状态网络预测残差序列,并通过人工蜂群算法来确定回声状态网络预测模型的最佳参数.将自回归滑动平均模型预测值与回声状态网络预测的残差相加,得到太阳黑子数平滑月均值的最终预测值.通过第23太阳活动周的太阳黑子数平滑月均值的预测表明提出的预测模型具有较高的预测精度.同时,对第24太阳活动周的太阳黑子数平滑月均值进行了预测,结果表明第24太阳活动周将在2020年2月结束.     

基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

灰多元前移线性回归组合预测模型的构建及其应用

基于灰色系统理论具有时间序列和累加的特性,将灰色理论引入到前移线性回归分析模型中,建立一种新的组合预测模型―灰多元前移线性回归组合预测模型.该模型很好地处理了灰色系统模型中难以体现线性因素的问题,同时也大大弱化了前移线性回归分析模型中异常数据对预测效果的影响,使预测能及时跟踪因变量的动态变化.本文重点将上述组合预测模型应用于湖南省电力需求的预测问题中,结果表明,该模型在实际应用中是十分有效的,预测结果可以作为管理决策的理论依据.     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

分布式系统主机负载预测方法的评估

动态负载均衡是网络计算的关键技术,如何提高动态负载均衡的性能,一直是网络计算人员研究的一个热点.通过实验评估比较了线性时间序列模型、特殊的自我平衡及趋势预测时间序列模型、神经网络BP模型的预测性能,获得了各预测模型的优劣,从中选择了具有较佳预测性能的时间序列AR、混合趋势预测MT两种预测模型构建了预测模型模板库。     

基于BP神经网络的建筑施工事故非线性组合预测

以建筑行业百万元产值死亡率为预测对象,建立了非线性回归模型、三次指数平滑模型、灰色模型、线性组合预测模型和基于BP神经网络的非线性组合预测模型.结果表明,该非线性组合预测模型的拟合及预测精度均较其它模型有明显提高,能够有效地综合利用各单项预测模型所提供的信息,证明了该模型适用于对建筑施工事故的宏观预测,为非线性组合预测模型的构建提供新的思路.应用该模型对2014-2016年全国建筑施工百万元死亡率进行预测,计算结果表明,未来几年建筑业安全生产将会保持在一个较稳定的水平.     

一种改进不等间距灰色预测模型

传统不等间距灰色模型UGM(1,1)及其改进型都是基于指数模型建立的,仅对指数变化规律序列有较好的预测精度,而对于常见的线性变化序列则预测误差较大。针对该问题,通过模型拓展,在现有文献模型的基础上增加线性因素,并采用新陈代谢的思想,提出一种改进不等间距灰色预测模型AUGM(1,1),并进行实例仿真比较分析。结果表明:改进模型在预测精度和实用性上均有较大改善,且克服了传统灰色预测模型不适用于线性变化序列预测的局限,拓宽了灰色预测模型的适用范围。     

灰色线性回归组合模型在沉降监测中的应用

为了在贫数据条件下准确预报中长期沉降值,采用线性回归方程和指数方程的组合方式,通过适当配置模型的某些参数来获得新的生成序列函数模型．结合工程实际算例进行预测,并和实际观测数据比较,取得了较好的效果,验证了灰色线性回归组合模型应用于沉降监测预报的可行性．通过其残差与回归分析模型和灰色预测GM（1,1）模型残差相比较,证明该模型在沉降预报中优于回归分析模型和灰色预测GM（1,1）模型．     

基于BP神经网络的福州市人口预测模型

根据福州市区1981-2004年的人口统计数据,应用BP-MSM算法,建立福州市区BP神经网络的时间序列预测模型,并与一元线性回归模型、人口自然增长模型、指数函数模型、幂函数模型、马尔萨斯人口增长模型、Logistic人口预测模型的预测结果进行比较,结果表明BP神经网络对人口数量的预测精度更高,效果更好.     

基于BP神经网络优化的灰色线性回归组合模型应用分析

在分析灰色线性回归组合预测模型基本原理的基础上,利用MATLAB强大的计算功能,实现组合预测模型算法。通过实例分析发现拟合结果对实测值出现一定的波动性,故通过建立实测值与模拟值之间的比值序列,再利用BP神经网络模型对该比值序列进行建模优化,以进一步优化组合模型的预测精度。最后实例证明了该优化模型具有较高的拟合和预测精度,是一种可行、有效的优型变形数据分析模型。     

RBF神经网络优化灰线性回归模型预测建模

针对建筑物地基沉降的机理以及RBF(Radial Basis Function,径向基函数)神经网络能够有效描述不确定性问题和解决复杂非线性问题等特点,通过反复试验,优化设计,建立了RBF神经网络,并用该网络优化灰线性回归预测模型,建立RBF灰线性组合预测模型。通过工程实例,比较分析了单一灰色模型、灰线性回归模型、RBF优化的灰线性回归模型的预测精度。结果表明,RBF优化后的灰线性回归预测模型精度优于灰色模型、灰线性回归模型,预测中误差达到0.0014 mm。径向基神经网络优化后的灰线性模型能更好地反映建筑物沉降的总体趋势及规律。     

基于组合预测模型的飞机刹车系统性能趋势预测分析

为了对飞机刹车系统进行性能趋势预测分析,提出一种灰色关联分析确定权重的组合预测方法。首先,利用BP神经网络(back propagation network,BP)对刹车片的累积磨损量进行预测,得到网络输出序列与向后预测序列。对于灰色预测(grey model,GM)模型利用粒子群(particle swarm optimization,PSO)对其优化;用粒子群优化灰色模型(particle swarm optimization-grey model,PSO-GM)进行预测得到拟合序列与向后预测序列。在此基础上对BP网络输出序列、PSO-GM(1,1)拟合序列与原始数据序列进行灰色关联分析,确定组合加权的权重。最后对各预测模型的向后预测序列用灰色关联分析法得到的权重进行组合加权,得到最终的刹车片累积磨损量趋势预测值。仿真结果表明,采用灰色关联分析确定权重的组合预测方法具有比单预测模型更好的趋势预测效果,具有对刹车系统性能趋势预测分析很好的实际应用价值。     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

基于灰色马尔可夫链模型的中国能源消费预测研究

随着中国经济的不断发展,能源需求不断上升,能否准确预测中国能源消费量对中国经济乃至全球经济发展都有重要的指导意义.现行的预测方法主要有回归分析法、经验模型法、时间序列法、指数平滑法和灰色系统预测法等.灰色系统预测方法在预测波动性较大的非平稳数列上有不足之处,而马尔可夫预测却适用于随机波动性较大的数列的预测.因此本文将灰色系统理论与马尔可夫链相结合,建立了能源消费总量数据的灰色马尔可夫链模型.实证分析表明,这种模型的预测精度高于GM(1,1)预测模型,预测效果较好.     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

基于机器学习的改性沥青黏弹性预测

为利用机器学习方法预测改性沥青黏弹性，分析不同预测模型适用性和预测精度，测试了胶粉（CR）改性沥青、SBS改性沥青和废旧塑料（PE）改性沥青不同温度和频率下的复数模量.选择人工神经网络（ANN）、稳健线性回归（RLR）、线性支持向量回归（LSVR）、决策树回归（DTR）、高斯回归（GPR）和集成回归（ER）6种机器学习方法预测三种改性沥青复数模量.结果表明：预测结果散点图中，ANN和ER模型预测精度最高，DTR模型次之且存在数据聚类.6种预测模型预测结果的相关系数均大于0.9，纳什效率系数均大于0.85.不同预测模型在PE改性沥青中预测精度最高，SBS改性沥青次之.根据三种改性沥青复数模量预测结果的相关系数、相对均方根误差、分散指数、相对误差和纳什效率系数五个统计参数的平均值，6种预测模型预测精度从高到低依次为ER、ANN、DTR、GPR、LSVR和RLR.     

基于离散型二项式系数组合模型的黄土湿陷性评估

为了快速精确地利用基本物性指标预测湿陷性黄土的湿陷性系数,基于多种数据挖掘方法提出了离散型二项式系数组合预测模型。首先,采用相关系数法和随机森林重要性指数法综合选取模型基本物性指标为饱和度、干密度、液性指数和天然含水量;然后,分别利用多元线性回归、BP神经网络、支持向量机回归（SVR）和随机森林（RF）回归对黄土湿陷性系数进行预测,并将预测结果进行组合,得到4种单一模型、2种传统组合模型和离散型二项式系数组合模型预测结果;最后,利用6种不同精度指标对上述7种预测模型展开精度分析。结果表明：组合预测模型精度整体高于单一预测模型,且提出的离散型二项式系数组合模型各精度指标均为最优,平均相对误差为3.43%。可见提出的离散型二项式系数组合模型可为湿陷性黄土地区的工程设计提供参考。     

地面沉降模拟计算的灰色模型

地面沉降的模拟计算属于灰色问题,灰色系统模型有多种,选择合适的沉降量与时间的关系模型对模拟计算而言是很重要的,将某市地面沉降数据分为大样本和小样本序列,分别使用GM(1,1)和灰色线性回归组合模型进行了建模、预测和精度分析.研究结果表明,利用小样本数据和灰色线性回归组合模型进行模拟计算精度更好.     

灰色GM(1,1)与线性回归组合模型及其在变形预测中的应用

将GM（1，1）模型和线性回归模型组合起来进行变形预测，改善了原线性回归模型中没有指数增长趋势及灰色GM（1，1）模型中设有线性因素的不足，使组合模型更适用于变形的一般情况。