预测三因子论初探——关于预测论的探讨

通常,预测主要是对事物未来的发展、变化进行预先推断。本文提出广义预测的概念,包含了正向预测与逆向预测内容。分析了预测的不确定性及论述了预测的哲学基础是辩证唯物论的认识论,提出了预测三因子论,即能否预测取决于对预测的核心因子、诱导因子、不确定因子的了解与掌握程度。并运用预测三因子论对地震预测、彩票预测、油价预测三大预测难题进行了分析。     

预测分析在企业管理中的应用

预测分析是一门实用学科,它的任务是根据事物的发展规律对未来事件做出科学评判。就其内容而言,分为经济预测、科技预测、社会预测和军事预测;就其应用方法分为定性预测和定量预测;就其预测期限分为长期预测、中期预测和短期预测。预测分析是本世纪40年代形成并发展起来的,之后在经济、科学技术、社会领域得到广泛应用。     

动态加权预测方法设计及在降水预测中的应用

在动态数据预测中,为克服传统预测方法中所造成的较大误差,本文通过动态预测理论与移动平均预测理论相结合,设计了一种加权移动平均预测方法,用来预测时间序列数据.在原有的移动平均预测基础上构造一个动态加权参数.通过对相对误差的比较,证实了该方法预测效果优于移动平均预测.并利用该方法对乌鲁木齐地区30年平均降水量进行预测研究.并与动态预测方法相比较,预测效果相对误差较小.     

高效的用户访问预测新算法

针对基于Web日志挖掘的用户访问预测经典算法的不足,提出了基于Markov链和关联规则的预测算法(MAPA).使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;使用二项关联规则从正向和反向2个角度修正Markov的预测结果,从而生成最后的预测页面.通过引入用户反馈机制,提出了带反馈的Markov预测算法(MPAF),即在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测的正确性.在预测过程中,用二阶Markov预测算法生成预测候选集,再利用历史预测信息动态地调整预测算法,从而生成预测页面.理论分析证明,这2种预测算法具有线性时间复杂度的预测效率.实验结果表明,MAPA和MPAF在预测准确率上平均提高5%和10%.     

基于灰色模型的动态功率管理空闲预测算法

为提高空闲预测的准确性,提出基于灰色模型的空闲预测算法.该算法对预测样本的数量和分布特征没有苛刻要求,仅使用少量样本数据就能够进行预测.预测过程可以动态调整预测参数,实现自适应预测,提高预测的准确性.实验结果表明,使用该算法进行预测得到的预测值接近真实值,准确性高于指数平均预测算法.     

实时交通量的灰色马尔柯夫预测方法

灰色预测适合于原始数据序列按指数规律变化的问题,而马尔柯夫适用于预测随机波动大的动态过程．有机地结合两者构成灰色马尔柯夫预测方法,可发挥两者的优势,从而提高预测精度．该方法首先用GM（1,1）模型进行预测,而后对相对误差序列进行马尔柯夫预测,最后用该预测值修正GM（1,1）的预测结果,因而具有较高的预测精度．使用灰色马尔柯夫预测方法对苏州某交叉口实时交通量进行预测,预测结果优于单一灰色GM（1,1）预测．实验表明,灰色马尔柯夫预测方法用于交通量预测是有效可行的．     

一般增长曲线模型中线性预测的可容许性

研究了一般增长曲线模型中线性可预测变量的最优预测,给出了可容许线性预测的定义,并分别在齐次线性预测类和非齐次线性预测类中得到了线性可预测变量的一个线性预测是可容许预测的充要条件．     

基于ARIMA—ANN的时间序列组合预测模型

目前,时间序列预测主要采用基于传统研究方法或人工神经网络技术的单一预测方法.近年来的研究表明,组合预测方法比单一预测具有更高的预测精度.提出了一种基于BP神经网络和ARIMA组合模型的预测新方法,对中国GDP的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在非平稳时序的预测中的应用是可行、有效的.     

基于神经网络的预测模型的比较研究

随着经济预测、电力预测等各种预测的兴起,预测对各种领域的重要性开始显现.针对在建立预测模型时不能准确判别使用合适的神经网络,论文归纳了几种常用干预测的神经网络:BP神经网络、RBF神经网络、小波神经网络、组合神经网络,并总结了相应的优缺点,及其适用的预测范围.以某蓄电池厂近几年的销售量为例,检验各种预测模型的精度.预测结果显示,用单一预测模型进行预测时,因自身的局限,使其预测精度和稳定性不高.相比之下,组合预测模型更能有效提高预测精度,可以较充分的降低预测风险,保证预测结果的稳健性.     

基于相空间重构预测方法预测能力的评估

为了客观地评估基于相空间重构预测方法的预测能力,使用非线性局部Lyapunov指数来替代均方根误差。根据误差平均相对增长的饱和性质,可以确定预测方法的最大预测期限。通过计算得到重构Lorenz相空间和原始Lorenz相空间的最大预测期限分别是12,13s,k-近邻方法(k=1,2,3,4,5)的最大预测期限分别是12.0,9.8,9.7,9.2,8.8s,多变量预测方法的最大预测期限是12.8s,单变量预测方法的最大预测期限是12.0s。研究表明,重构的Lorenz系统的相空间可预报性与原始Lorenz相空间相当。此外,对于重构的Lorenz相空间,由于k-近邻方法集合了预测能力参差不齐的成员,导致其预测能力逊色于零级近似预测,多变量预测方法的预测能力与单变量预测方法几乎相当。     

基于小波分解的色噪声预测

研究色噪声的预测．将小波分析理论与神经网络建模预测基本原理相结合，提出了基于小波分解的神经网络预测方法．通过对年平均太阳黑子数典型统计模型的预测，验证了该方法的预测效果．将该预测方法用于色噪声的预测研究，通过改变对色噪声的采样速率，分析了色噪声预测的可能性和效果．研究结果表明，色噪声是可以预测的；对其预测的误差随采样率的提高而减小；基于小波分解的神经网络预测方法的预测精度优于线性神经网络预测方法．     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

采用分段思想的中段弹道预测算法

针对传统弹道预测方法存在的不足,提出了基于分段思想的弹道轨迹预测改进方法。介绍了中段弹道预测的一般方法,并对其误差产生的原因进行了分析;提出分段的思想,即将前一段新获得的预测终点作为下一段预测的起始点,来减少预测误差的积累,进而给出弹道轨迹预测的改进方法。对相关算法和流程进行了仿真验证及结果分析,结果表明:改进后的预测方法比传统方法误差减小了19%,验证了所提算法的有效性。     

基于灰色马尔可夫模型的施工质量成本预测

针对随机波动较大的施工质量成本预测问题,结合灰色SCGM(1,1)预测模型和马尔可夫预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型,并以实例证明灰色马尔可夫预测模型对随机波动性较大的施工质量成本的数据列的预测,具有较高的准确性.     

递归神经网络预测在库存管理决策中的应用

为解决供应链中库存管理的不确定性问题，建立了基于递归神经网络技术的需求预测模型，并在此基础上提出了该模型的学习算法．通过实验仿真将该模型同经典多层前馈神经网络模型的预测效果相比较，得出了该模型在多步预测方面比较优越的结论．利用某企业的销量预测进行了实例验证，效果良好．     

动态非线性模型参数多层递阶估计法

针对目前通用的动态系统状态预报方法的不足,提出关于动态非线性模型参数估计的多层递阶估计法,并对预报误差的原因进行分析,使预报精度得到提高。     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

基于Copula的回归预测

针对回归预测问题,分别引入Copula回归函数和Copula τ分位数来对因变量进行点预测和区间预测,相应的通过均方误差和区间的平均长度作为预测准确性的评价指标,最后通过实证研究并与线性回归预测做比较表明：基于Copula的回归预测方法效果更好.     

基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。