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.     

大坝安全监测的ARIMA-BP组合预测模型

研究大坝安全监测中用于预测坝体变形问题的模型,给出了一种组合模型来预测坝顶位移.单一的ARIMA模型和神经网络预测模型在预测位移问题时精度不高,分析了两种模型的原理和建立方法,利用两种模型单独对时间序列进行拟合与预测,再通过赋予适当的权重,得到新的组合预测模型.通过某水电站工程实例分析表明,该组合预测模型结合了两种模型的优势,提高了模型的预测精度,有广泛的应用前景.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

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.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

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。     

基于人工神经网络的设备可靠性组合预测方法研究

提出了一种基于人工神经网络的非线性组合建模与预测新方法,利用人工神经网络对复杂非线性系统的拟合能力,通过网络训练自适应地调整单一预测模型的权重,并应用MATLAB神经网络工具箱编制了非线性组合预测软件。将该方法应用于某发动机的故障预测,通过与自回归模型、灰色模型和线性组合模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强的优点,在设备故障和可靠性预测中具有广泛的应用前景。     

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.     

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。     

基于灰色模型的节水灌溉面积非线性组合预测

对数据进行建模预测分析时,较多采用单个模型,而单个模型难以全面反映数据的变化规律.为发挥单个模型自身优势,利用组合原理将单模型组合形成组合预测模型,以提高预测精度.组合模型中常采用线性组合方法,然而被组合模型拟合值与原始数据不具有线性关系时采用该方法效果较差.利用神经网络的高度非线性拟合能力,构建BP神经网络的非线性组合模型,并应用到我国节水灌溉面积年度数据预测上.实证表明,非线性组合预测模型精度优于单模型及基于最优加权的线性组合预测模型.     

利用ARIMA-SSA-LSTM组合模型的碳排放交易价格预测

单一的预测方法在不同方面各有优劣,为了提高碳排放交易价格预测的精确度,从智能算法出发提出ARIMA-SSA-LSTM组合碳排放交易价格预测模型。该模型通过结合非线性规划局部搜索的优势和遗传算法全局搜索的优势使用非线性规划遗传算法分配差分整合移动平均自回归(ARIMA)模型和麻雀搜索算法优化后的长短时记忆(LSTM)模型(SSA-LSTM)的权重,通过加权得到最终的碳排放交易价格预测结果。运用ARIMA-SSA-LSTM组合模型,ARIMA模型,LSTM模型和SSA-LSTM模型分别对湖北省与广东省碳排放交易价格进行短期和长期预测。实证结果表明,相比单一的ARIMA模型、LSTM模型、SSA-LSTM模型,ARIMA-SSA-LSTM组合模型三个预测精度评价指标均为最小,碳排放交易价格预测精度最优。相比于传统ARIMA模型,机器学习LSTM模型具有更精确的预测结果,并且趋势预测更优。引入智能算法后,权重分配结果更加准确,LSTM模型的预测性能得到提升,印证了智能算法在碳排放交易价格预测领域的有效性。     

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.     

地方税收收入预测的数学模型——以贵州省为例

建立地方税收收入的3个单一模型,针对单一模型中存在的模型误差,将组合预测的方法引入地方税收收入预测中,构建基于Cubic模型和ARIMA模型的非负组合预测模型.利用地方税收收入数据进行实证研究表明,组合预测模型的误差优于相应的单一预测模型.     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

基于奇异谱分解的猪肉价格组合预测

通过奇异谱分析方法分解猪肉价格,采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测;同时选择ARIMA,SVM和BP神经网络作为基准模型,把组合模型预测的结果与所选的基准模型预测结果进行对比,得到了组合模型预测结果总体上优于基准模型预测结果的结论。通过DM检验,进一步验证了结果的可靠性。预测结果表明,SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络3种基准模型的预测能力分别高出7.97%、72.79%、67.64%     

加权组合模型在城市用水量预测中的应用

鉴于传统灰色模型在建模中存在固有偏差的问题,本文采用无偏灰色GM(1,1)预测模型.在无偏灰色预测模型表达式的基础上,又提出了非线性的预测模型,并将其用于城市的用水量预测上.考虑到单一预测模型在预测过程中存在的不足,用最优加权组合模型对无偏灰色GM(1,1)模型和非线性模型进行组合,并将加权组合模型首次用于遂宁市的城市用水量预测.预测结果表明,组合模型的预测精度优于单一的预测模型,预测结果与城市的实际用水量拟合较好,该方法可推广到其它类似城市的用水量预测中.     

基于支持向量机的飞机备件消耗预测研究

针对影响飞机备件消耗的诸多因子难于在模型中体现的问题,采用支持向量机回归模型,应用于备件的消耗预测。该方法将影响备件消耗的主要因子作为支持向量机预测模型的输入因子,对应的备件消耗量作为输出因子,训练模型,然后输入测试样本进行预测。预测结果表明,相比于GM(1,1)模型和神经网络(ANN)模型,该模型具有较高的预测精度和动态适应性,可为相应的备件保障部门提供科学的决策依据。     

基于自适应惯性权重优化后的粒子群算法优化误差反向传播神经网络和深度置信网络（DBN-APSOBP）组合模型的短期旅游需求预测研究

旅游需求的精准预测对于旅游景区资源调度和管理有着重要作用。单一的浅层学习算法无法很好地拟合旅游客流量的特征,针对上述问题,本文通过组合深度学习和浅层学习算法,同时结合网络搜索行为数据,建立深度置信网络和利用自适应惯性权重优化后的自适应惯性权重优化的粒子群算法(APSO)去优化误差反向传播神经网络(BP)神经网络——APSO-BP的组合预测模型,用深度置信网络(DBN)模型对原始非线性客流量数据预测,再对DBN模型预测所产生的残差建立APSO-BP模型进行预测,将二者预测值合成后得到最终的预测值。通过实验证明了该组合模型能够较为准确的拟合客流量数据特征,有效地提高了预测精度。