安徽省城镇化水平预测———基于IOWHA算子的组合预测

以1990-2011年安徽省城镇化水平为样本区间,在指数平滑、灰色预测与回归预测三种单项预测方法的基础上,以预测倒数误差平方和最小为准则,建立IOWHA算子组合预测模型;对该模型的预测有效度的评价结果表明该组合预测模型能有效提高预测精度;根据该组合模型预测出安徽省2012-2015年城镇化水平将分别达到46.35％、47.89％、49.44％、50.98％.     

改进的灰色预测模型在全国用水量预测中的应用

针对水资源供需日趋严重的问题,应用灰色预测理论,以国家统计局发布的2000-2012年的全国用水量为建模数据,分别建立了普通灰色预测模型以及带有弱化算子的灰色预测模型,对全国用水量进行了短期预测,并验证了模型的实用性.此外,通过两个模型的对比,反映了带有弱化算子的灰色预测模型预测结果更精确.     

基于ARIMA与灰色马尔科夫模型的三亚市交通客流量预测研究

为了较为全面、客观、准确地预测城市的交通客流量,对三亚市旅游统计数据2012-2017年每月的交通客流数据进行分析,在数据整理的基础上,主要采用ARIMA模型和灰色马尔科夫模型对2012-01—2017-12月三亚的交通流量分别进行拟合仿真,并对2018年每月的客流进行了趋势外推预测;结果表明:采用ARIMA预测模型所获得的平均绝对百分误差为4. 42%,采用灰色马尔科夫模型获得的平均绝对百分误差为3. 78%,表明两种预测具有较高的精度;最后利用灰色马尔科夫模型进行趋势外推预测,得出三亚市2018年交通客流预计近3 600万,预测结果对三亚市旅游、交通等行业制定政策能起到积极的作用。     

基于灰色Elman-NN模型的粮食产量预测与分析

设计灰色Elman神经网络预测模型,用于陕西地区人均粮食占有量及粮食单产量数据的预测与分析。根据神经网络能有效修正灰色预测模型的思路,设计灰色Elman神经网络预测模型。在对陕西地区人均粮食占有量及粮食单产量数据进行分析的基础上,建立灰色GM(1,1)模型,并利用Elman神经网络对粮食单产量数据预测模型进行残差修正。所设计的Elman-NN组合模型效果及预测精度优于单一的灰色预测模型。组合预测模型可用于农业及粮食产量领域的预测,为政府制定、实施农业经济政策提供科学依据。     

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.     

线性组合模型及在人口预测中的应用

介绍了线性组合模型并以江西省人口数预测为例,分别利用线性回归预测模型、灰色预测模型、Logistic人口预测模型进行预测,并把这3种预测模型进行最优组合和线性组合,用共轭梯度法性求预测模型的系数。然后对这5种预测模型的结果进行比较,结果表明线性组合预测模型的效果比单一预测模型效果好,也比最优组合预测模型的精度高。     

基于灰色马尔科夫模型的深圳港集装箱吞吐量预测

为了更准确的预测港口集装箱吞吐量,以深圳港2003-2017年集装箱吞吐量数据为基础,通过数学方法将灰色预测模型和马尔科夫预测模型两种数学模型结合起来,建立灰色马尔科夫模型,然后利用灰色预测模型与灰色马尔科夫模型分别进行深圳港集装箱吞吐量的预测计算。结果表明:灰色马尔科夫预测模型能大幅降低波动性较大的时间序列的预测误差,尤其适用于中长期的预测;同时,传统的灰色预测GM(1,1)模型的预测精度也得到明显提高。根据建立的预测模型,计算出了深圳港2018-2020年的集装箱吞吐量预测值。     

基于次邻近度的组合预测模型研究及其应用

对邻近度这一概念在实际应用过程中存在的不足做出改进,基于标准化的思想,提出次邻近度的概念,并提出了基于次邻近度的线性组合预测模型。首先给出次邻近度的相关概念,然后分别采用指数预测模型、一元线性回归预测模型、GM(1,1)灰色预测模型三种单项预测方法对数据进行预测,接下来建立基于次邻近度的线性组合预测模型,用线性规划方法计算出三种单项预测方法的组合权重。最后求出组合预测结果并对比分析四种预测模型在常用评价指标上预测效果的优劣。从对安徽省2001-2018年GDP的历史数据的实例分析可知,该组合预测模型在各指标上效果均优于单项预测结果,验证了本模型的有效性和和合理性。     

基于集成预测模型的贵州省农作物受灾面积预测

本文根据1998-2011年贵州省农作物受灾面积统计数据,利用集成预测模型,得到贵州省农作物受灾面积的预测模型,通过将农作物受灾面积的拟合值与真实值作比较,证实模型的拟合效果较好,进一步对贵州省2012年农作物受灾情况进行预测。     

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

基于BP神经网络的就业人口数量预测研究

介绍了重庆市就业人口数量预测的BP神经网络预测模型的设计和预测原理．以2005牟的《重庆市统计年鉴》提供的数据为依据，论证了该预测模型的可行性，并用此模型对2006-2008年重庆市就业人口数量进行了预测．     

马尔可夫模型在一次能源消费预测中的应用——以福建省为例

根据能源消费结构具有马尔可夫无后效性的特征,在马尔可夫转移矩阵理论的基础上,分别建立无规划约束条件和有规划约束条件的能源供应结构预测模型,并通过模型预测了2012-2020年福建省的一次能源消费结构.预测结果可以用来指导城市对能源储备量确定,以提高能源供应的安全性.     

道路交通噪声预测模型的实证比较分析

本文选择了沈阳市7条具有代表性的典型道路进行道路交通噪声现场监测,并同时采用3种常用的道路交通噪声预测模型FHWA、RLS-90、NMPB-Routes-96对上述7条典型道路进行道路交通噪声预测,根据实测噪声值对3种预测模式进行比较验证分析。结果表明这3种预测模型中,FHWA模型对各类型道路的交通噪声预测值均较实测值偏低较多,误差在7.4-11.5分贝之间,预测精度低;RLS-90模型预测值在实测值上下波动,误差在0.1-4.4分贝之间,预测精度高于FHWA模型;NMPB-Routes-96模型预测值在实测值上下波动,预测误差在1.7-2.7分贝之间,预测精度高于前两个模型。NMPB-Routes-96模型较适合作为我国噪声评价的预测模型。     

CPFR组合预测方法研究

供应链整合解决方案-CPFR(联合计划、预测、补货)已逐渐被全球许多著名企业采纳并实施,成为供应链减少成本与开拓利润的主要工具.而其最核心部分-联合预测流程的研究还处于探索研究阶段,在简单介绍CPFR的原理和应用现状的基础上,主要讨论CPFR的联合预测流程.从联合预测流程分析着手,创新地引入组合预测方法,提出了基于组合预测模型的联合预测流程,讨论了不同形式的组合预测模型,通过对各预测模型的挑选和组合,减少联合预测流程中因模型的差异而产生的预测异常,为预测异常的处理提供了科学决策的模型.并结合具有良好收缩性能的斯坦规则对组合预测的模型进行校正,建立组合校正预测模型,提高了CPFR联合预测的精度和预测稳定性.     

安徽省城镇居民人均收入的组合预测

以1995～2009年安徽省城镇居民家庭人均可支配收入的数据,分别建立时间序列模型、回归模型和灰色预测模型．然后在三个单一预测模型的基础上综合各个预测模型的优缺点．通过使组合预测误差平方和最小确定各单一预测方法的权重系数,得到最优组合预测模型．最后对几种预测方法进行了评价,得出组合预测效果比较精确．     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

基于算术平均最小贴近度和BP神经网络的变权组合预测模型研究

通过构造新的差值-比例矩阵,对2012年的沪铜期货价格建立了基于算术平均最小贴近度和BP神经网络的变权组合预测模型,并对沪铜期货价格进行了实证研究.结果表明,基于算术平均最小贴近度和BP神经网络的变权组合预测模型的预测精度明显高于各个单模型的预测精度,说明了此变权组合预测模型是有效的.     

安徽省城镇居民人均可支配收入组合预测

针对单项预测存在一定随机性、预测精度较低等问题,基于误差平方和最小准则,结合 GIOWA算子提出 4 种特殊参数的变权系数组合模型,以 2000—2020 年安徽省城镇居民人均可支配收入数据为样本,对安徽省未来 5 年城镇居民人均可支配收入进行预测。 首先分别应用 3 种单项预测模型对安徽省城镇居民人均可支配收入进行拟合预测,然后以误差平方和最小为准则,结合 GIOWA 算子构建变权系数组合模型,同时对 GIOWA 算子取 4 种特殊参数得到相应的组合预测模型,最后应用所构建模型对安徽省未来 5 年城镇居民人均可支配收入进行预测。 结果表明:变系数组合预测模型预测效果优于单项预测模型;安徽省未来 5 年城镇居民人均可支配收入将会持续稳定增长。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

黑龙江大宗作物估产模型： 以水稻、大豆、玉米为例

建立黑龙江省的大宗作物的估产模型,对于及时掌握该省的农情有积极作用,同时可以为其他区域的估产建模提供方法参考。首先计算了趋势单产、农业气候指标、遥感类指标、种植波动指标。然后,针对3种作物(大豆、玉米、水稻)进行估产分区,在各分区内联合使用随机森林和留一法筛选建模变量。最后,统计基于留一法建立的所有模型的平均绝对相对精度(mean absolute relative precision, MARE)的最大值、最小值、均值和均方根误差,以此来反映最终建模的精度和稳定性。结果表明：针对大豆、水稻和玉米,黑龙江分别被分成了3、3和4个估产子区;变量筛选的结果显示趋势单产的重要性>归一化植被指数(normalized difference vegetation index, NDVI)距平的重要性>积温距平的重要性>Z指数的重要性;除玉米1区以外,针对3种作物建立的模型的最终MARE均小于10%,且所有模型的MARE的方差均小于0.05%。所建模型能够准确预测不同农业气候状况下的作物单产,可以为精细化筛选变量进行估产建模提供方法参考。