基于灰色模型和BP神经网络的交通量预测研究

在分析公路交通量影响因素的基础上,通过灰色模型对各影响因素进行预测.以湖北省为例,以各影响因素为输入层,将交通需求量作为输出层,构建BP神经网络交通量预测模型,在对模型有效性进行检验后,得到未来年湖北省公路交通量预测值.     

基于灰色神经网络模型的美国碳排放预测

该文基于世界银行数据库1984—2014年美国的碳排放量、美国人均GDP、美国人口总量、化石燃料能耗百分比、人均耗电量等数据,结合多种预测模型,较为准确地预测了美国未来30年的碳排放量。首先基于灰色预测模型表明,未来30年美国的碳排量将呈现逐年递增的趋势。为了进一步提高预测精度,将偏差的关系归纳到BP神经网络模型中,利用神经网络模型趋势外推法对预测结果作进一步完善,预估未来30年美国的碳排量呈现先递增然后逐年开始递减的趋势,即曲线呈现比较明显的倒U型,与Kuznets曲线相符。     

基于灰色预测和Elman神经网络的全国用水量预测

为解决我国存在的水资源问题,考察各省份的用水状况。从生活、农业、工业和生态4个方面进行全面分析,对各省份2020年的用水量进行预测。采用GM(1,1)模型预测所有用水量影响指标,并使用Elman神经网络拟合了指标与各省份年用水量的映射关系。通过数据检验,可见基于GM(1,1)模型和Elman神经网络的用水量预测模型误差很小。最后,预测结果与国务院发布的水资源"三条红线"中2020年的用水量控制红线进行比较,结果表明:黑龙江、江苏、江西、广西、甘肃、宁夏和新疆7个地区在2020年的用水量预测值超过国家要求。     

基于组合灰色神经网络模型的电力远期价格预测

针对电力远期价格受多种因素影响，变化趋势复杂，难以通过建立准确的数学模型进行预测，提出了采用灰色动态模型对电力远期价格进行预测，并在此基础上构造了组合灰色神经网络预测模型。该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合。研究结果表明，本模型能在小样本、贫信息的条件下对电力远期价格做出比较准确的预测，为电力市场的参与者能更好地利用电力远期合约进行套期保值提供了有效的工具。     

基于数据挖掘的移动客户流失量预测模型

为了解决移动客户流失量建模与预测中的一些难题,结合移动客户流失量的变化特点,提出一种基于数据挖掘的移动客户流失量预测算法.首先收集移动客户流失量的历史样本,并通过预处理消除一些无用样本,然后根据贝叶斯决策树算法对移动客户类型进行分类,最后针对具体的移动客户预测流失量.结果表明,该算法建模速度优于其他移动客户流失量预测模型,可以获得更优的移动客户流失量预测结果.     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

灰色模型结合神经网络预测高速公路路基沉降

为了提高高速公路路基沉降的预测精度,考虑到神经网络强大的非线性映射功能,提出了"灰色模型+神经网络"对高速公路路基沉降进行预测分析的组合方法。以湖南省某高速公路路基沉降多个断面实测数据构建灰色GM(1,1)预测模型,在采用构建的灰色模型预测出相应结果的基础上,运用神经网络对预测结果做误差补偿。研究结果表明,采用实测数据拟合的灰色模型预测值的最大相对误差与运用神经网络对预测结果做误差补偿之后的优化预测值的最大相对误差分别为19.193%和0.865%,用神经网络对灰色模型预测结果做误差补偿之后的优化预测值与实测值更接近。     

基于RBF神经网络的客户分类模型

运用径向基函数（RBF）神经网络和K均值聚类算法建立了客户价值分类模型,并用最小二乘法调整RBF的权值．仿真结果证明了该方法的有效性．     

基于粗糙集__神经网络的客户价值预测

首先找出对客户价值有影响的一些因子,然后利用神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,构建基于粗糙集-神经网络的客户价值预测模型,并依据此模型进行了验证评价,结果表明,本文提出的模型用于客户价值预测是有效的.     

基于灰色系统和神经网络的高校科技活动投入数据预测组合模型研究

分别使用灰色系统预测模型、神经网络预测模型和灰色系统-神经网络组合模型对高校科技活动投入数据进行预测.结果显示:与其他两个预测模型相比,灰色系统-神经网络组合模型预测效果明显较好,相对误差明显得到改善.使用灰色系统-神经网络组合模型对2015年和2016年高校科技活动投入进行预测.     

基于灰色关联和BP神经网络的铁路货运量预测方法

为提高铁路货运量的预测准确性,运用灰色关联分析法,计算分析了与铁路货运量相关的主要社会指标,确定铁路货运量的影响因子分别为铁路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量。将所确定的因子作为铁路货运量的预测指标,建立基于BP神经网络的铁路货运量预测模型,并对模型进行了应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为3.7%,平均相对误差为2.3%。该方法具有较快的收敛速度和较高的预测精度,可为我国铁路货运量的预测研究提供方法支撑。     

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BP神经网络模型的客户消费行为分析

从消费者庞大的消费数据发掘出客户消费偏好、消费结构等各种有价值的信息，不仅有利于企业分析客户的消费行为，组织生产；而且有利于企业实现个性化的理念。本文介绍了一种基于客户消费行为的分析算法，提出了一种把满意度，忠诚度等客户消费行为因素与BP神经网络算法相结合的思想，利用知识库的决策支持，实现了对不同评价度的客户提供不同的服务方集。     

基于BP神经网络模型的客户消费行为分析

从消费者庞大的消费数据发掘出客户消费偏好、消费结构等各种有价值的信息。不仅有利于企业分析客户的消费行为，组织生产，而且有利于企业实现个性他的理念。本文介绍了一种蔫干客户消费行为的分析算法，提出了一种把满意度，忠诚度等客户消费行为因素与BP神经网络算法相结合的思想，利用知识库的决策支持，实现了对不同评价度的客户提供不同的服务方案。     

灰色神经网络交通事故预测比较

针对BP神经网络多变量输入难以确定的缺点,提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型,实例证明,该方法预测精度优于全输入BP神经网络预测。进一步提出了应用选优BP神经网络输入预测和GM(1,N)组合预测的模型,它结合了灰预测利用少数据累加生成建模,容易找出数据变换规律的特点和神经网络能很好地非线性逼近,又需要较全数据的特点。实证研究结果表明,该组和网络模型获得了更准确的预测值,模型新颖,具有更好的预测精度,可广泛应用于各种预测研究,有较高的推广价值。     

基于灰色模型的中国能源需求预测

首先阐述了国内外在能源需求预测方面的研究现状,以此为基础,采用灰色模型预测法分别对中国的煤炭、石油和天然气需求量进行预测,综合确定了三大能源2011 -2020年的需求量据此提出了中国未来能源开发及利用的建议:以技术为支撑,节能优先,提高能源利用效率;调整煤炭内部结构,建立国家石油战略储备体系,加大开发利用天然气;大力开发新能源     

基于神经网络的电子商务平台重复购买客户预测

研究电子商务平台中重复购买客户预测模型,构造出多层神经网络。原始数据编码采用词嵌入的方式,对子模块的特征向量设计出来之后设计顶层重复购买预测模型和算法。通过客户的行为日志对潜在重复购买客户进行预测具有重要意义。该预测模型适用于电子商务平台的重复购买预测,并取得了较好的效果。     

基于小波分析和灰色模型的甩电量预测

电力系统用电量预测是指从电力负荷自身的变化情况以及经济、气象等因素的影响规律出发,通过对历史数据的分析,探索事物之间的内在联系和发展变化规律,以未来韵经济、气象等因素的发展趋势为依据,对电力需求作出预先的估计和推测。从中小波分析和灰色模型角度分析了用电量预测。介绍了中小波分析和灰色模型的概念和原理,通过实例对灰色预测模型韵预测效果进行分析。     

基于灰色神经网络的设备剩余寿命在线预测

为解决高可靠复杂设备的剩余寿命通常与多个性能参数共同退化相关的实际问题,提出一种多变量灰色误差神经网络预测方法。首先,建立经过背景值优化的多变量灰色预测模型MGM(1,n),并得到原始数据序列的初始预测值。然后,利用神经网络建立残差序列与原始数据序列之间的映射关系,训练RBF神经网络。最后,将改进的MGM(1,n)模型和RBF神经网络集成,建立多变量灰色误差神经网络预测模型。实例计算结果表明,与单一预测模型相比,该方法能够有效提高预测精度。