基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

基于空间句法的徐州市道路结构与地价关系分析

在分析空间句法、路线价等相关理论基础上,提出城市道路结构与路线价之间关系.以徐州市为研究对象,利用空间句法与G IS集成分析工具Axwom an对道路结构进行分析,建立多元线性回归预测模型.结果表明采用空间句法与G IS集成的方法,通过分析城市道路结构来预测土地价格,简单方便,且精度较高.     

灰色推陈出新GM(1,1)模型在城市道路交通噪声预测中的应用

以郑州1995～2000年城市道路交通噪声监测的数据,运用灰色系统理论,建立了常规GM(1,1)和推陈出新GM(1,1)预测模型。经用四种不同方法对两种模型的精度进行检验,结果表明,推陈出新GM(1,1)模型优于常规GM(1,1)模型,其精度更高,不失为预测城市道路交通噪声的一种好方法。应用该模型,对郑州城市道路交通噪声未来4年进行预测,其结果符合郑州城市的实际情况。     

基于遗传算法的双线性模型在大坝安全监测预报中的应用

文章提出了实用自相关系数图确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法。通过实例表明,由于双线性模型实际拟合和预测过程中产生的残差信息进行反馈矫正,保证了模型高的拟合精度和稳健的预测性能,与门限自回归模型比较,双线性模型比门限自回归模型具有更好的预测精度。     

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.     

带矢量权回归在用电量预测中的应用

对某城市的用电量拟合与预测计算中，笔者开发了回归分析软件，建立了非线性化模型的线性化模型库，进行自动选模，并采用带矢量权回归方法，提高了模型对该市用电量的拟合精度和预测精度。     

组合式神经网络企业产品销售量预测方法

采用回归分析法,去逼近预测模型中具有时间增长趋势的离散数据,用其逼近误差进行人工神经网络学习和训练,输出预测误差,然后对回归模型进行动态补偿,以实现对企业产品销售量进行组合预测。其预测结果比单一的回归分析法和线性规划法计算精度要高,表明组合式人工神经网络对预测企业产品销售量具有良好的适应性。     

BP神经网络在GDP预测中的应用研究

在经济预测中,通常采用回归分析方法建立模型对经济运行进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,得到了较为满意的预测结果。     

应用逻辑斯蒂方程和马尔柯夫链预测作物单产

本文在应用逻辑斯蒂方程进行作物单产预测中,对有关参数的确定和优化进行了探讨,并综合应用回归分析和马尔柯夫链对误差进行了处理,提高了预测的精度。     

基于支持向量回归机的空调逐时负荷滚动预测算法

针对当前空调负荷预测算法精度不高难以满足空调系统节能优化控制的问题,提出基于支持向量回归机(Support Vector Regression,SVR)的空调逐时负荷滚动预测算法,建立SVR滚动预测模型,模型参数采用网格搜索遍历算法进行寻优。为简化模型的复杂性,还对影响空调负荷的主要因素进行了相关性分析。此外,算法利用当日前1 h的滚动信息,不断对模型进行修正以提高负荷预测精度。最后探讨以期望误差为预测精度评价指标时,不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明:基于支持向量回归机的空调逐时负荷滚动预测算法较BP神经网络算法的预测精度提高10.3%,比常规支持向量回归机算法预测精度提高23.9%,训练样本较小时,算法预测性能更为优越。     

基于小波的加外生变量部分线性自回归模型在石油价格预测中的应用

利用小波函数结合引入外生变量的部分线性自回归模型对WTI现货价格序列进行建模研究,并与部分线性自回归模型和加外生变量的部分线性自回归模型进行比较分析,结果表明：结合小波且加外生变量的部分线性自回归模型的预测精度较高,在石油市场价格预测中有较高的准确性.     

基于CNN-GRU-LightGBM模型的单井产量预测方法

单井日产量趋势预测研究在油田生产中具有重要意义。由于油井生产工况复杂,难以准确预测日产量,本文建立了基于多变量时序数据的产量模型。基于卷积门控循环单元（Convolutional Neural Network – Gate Recurrent Unit, CNN-GRU）提取深层特征进行时序预测,基于梯度提升框架的决策树模型（Light Gradient Boosting Machine, LightGBM）从回归预测角度进行预测,两者结果相互融合,进一步提高产量预测精度。同时,本文提出了一种可以实现多变量时序预测或回归预测模型在未知输入特征情况下准确预测产量的方法—超前参数递归预测策略。采用该方法对影响产量的重要特征进行超前预测,并将预测到的重要特征应用于预测产量的仿真测试中。仿真结果表明：本文所建立模型与超前参数递归策略配合最好,在测试集上的预测准确度最高。相比单变量时序预测和回归预测模型,可显著提高预测精度。     

基于ANFIS模型对汽车信号的预测

自适应神经模糊推理系统(ANFIS)是进行预测决策的有效方法,论文基于ANFIS模型对汽车信号进行了预测。通过与回归分析法进行比较,证明该方法在汽车信号的预测中具有很高的精度。     

基于GRNN模型的城市道路短期交通流预测研究

采用剔出了城市道路短期交通流的周周期性特征的周差分数据作为广义回归神经网络（GRNN）模型的预测对象,这样既能避免合理选择交通流影响因素作为神经网络输入变量的困难,又能迅速获得实时短期交通流预测结果。研究结果表明,构建的神经网络模型能够很精确地实时预测城市道路短期交通流。     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型.首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82％降低到1.17％、从5.87％降低到4.73％.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于偏最小二乘回归的飞机维修保障费用预测

分析了影响飞机维修保障费用的参数,提出用偏最小二乘回归方法来预测飞机维修保障费用。该方法对变量进行主成分分析、典型相关分析和多元线性回归,在处理存在多重线性相关的小样本多元数据方面效果很好。实例证明,与传统普通多元线性回归方法相比,偏最小二乘回归在飞机维修保障费用预测中精度更高。     

谨防数学方法预测常住人口出生率的偏误

对一项运用数学方法进行上海市2050年前常住人口出生率预测所得结果进行比较分析,提出更优的预测方法.通过线性回归和10种曲线回归模型,使用低生育率阶段的数据,结合人口学方法进行新的预测,总结出可靠性更高的预测方法.预测结果表明,缩小数据范围,并使用人口预测软件,平均预测精度有较大提升,预测准确性更高.研究结果说明:单纯依靠数学方法预测常住人口出生率存在较大局限,不宜多加使用,尤其不适合对人口出生率进行长期预测;回归人口本身的发展规律,依据人口学方法可有效提高预测精度.     

基于混沌理论的太阳黑子数时间序列预测

研究基于最大Lypunov指数的预测方法在太阳黑子数时间序列预测中的应用,并在原方法中运用Wolf算法对原方法进行了改进.预测结果表明,改进后的方法比原方法和用回归模型预测的方法有更高的精度.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。