商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

主动节点和策略机制下的业务管理模型与实现

提出了业务基本组件的概念，基于主动节点和策略机制建立了业务管理模型．该模型以业务为被管对象，共享了管理策略定义和传播机制．网络管理工作站维护全局管理策略，被管节点配置主动代码运行环境，管理策略既可来自本地策略库，也可从网络管理工作站动态下载，从而使大量的管理任务可在本地节点完成，减轻了网络管理工作站的负担．原型系统实验表明，该模型可提高系统的应用性能．     

网络管理中的新技术及其应用

分析了传统的基于C/S模型网络管理技术的一些缺陷，系统地描述了目前网络管理中的一些新技术及其应用，如Web技术，CORBA技术和移动Agent技术等，并分析了各自的优、缺点。综合CORBA与Agnet技术的网络管理系统可以提高网络管理中的实时性和智能化，方便地实现网络的自主管理。     

网络管理中的新技术及其应用

分析了传统的基于C/S模型网络管理技术的一些缺陷，系统地描述了目前网络管理中的一些新技 术及其应用，如Web技术，CORBA技术和移动Agent技术等，并分析了各自的优;缺点<综合CORBA技术和移动Agent技术的网络管理系统可以提高网络管理中的实时性和智能化，方便地实现网络的自主管理。     

基于Weibull分布的超高压变电站二次设备寿命预测

针对超高压变电站二次设备检修科学依据不足的问题,给出了一种基于Weibull分布的二次设备寿命预测方法.在对二次设备运行状态信息分析的基础上,建立了超高压变电站二次设备寿命预测模型.在该寿命预测模型中,对表征二次设备各功能模块运行状态信息进行了分类,通过二参数Weibull分布模型得到了超高压变电站二次设备的剩余使用寿命,并进行了实例分析.结果表明,基于Weibull分布的寿命预测模型能够实现超高压变电站二次设备剩余使用寿命的预测,为超高压变电站二次设备的维护和检修提供了依据.     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。     

基于认知体系的自适应行为建模方法

预见性自适应行为的自主管理过程和自主目标实现,是目前人工智能领域的一个重要研究方向。基于SOAR认知体系框架设计了一种预见性自适应行为模型,将SOAR认知体系中的问题解决机制和学习机制应用到模型设计中,根据任务要求在特定的问题空间中设计合适的操作符,利用操作符实现状态的转移,达到预期目标状态;并在移动机器人的行为规划中实现了该模型,应用表明在实际环境中移动机器人可以自主进行行为选择,完成任务,取得了良好的仿真效果。     

基于灰色PSO-ANFIS模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(Grey Particle Swarm Optimization-Adaptive Neural-fuzzy Inference System, GPSO -ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统,再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船“育鲲”轮的横摇数据进行仿真实验,实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

基于灰色模型粒子群优化算法的自适应神经模糊推理系统模型的船舶横摇运动预报分析

为了准确高效的预测船舶在波浪中的航行状态以保证人员、货物和船舶的安全,提出了一种基于灰色模型粒子群优化算法的自适应神经模糊推理系统(grey particle swarm optimization-adaptive neural-fuzzy inference system,GPSO-ANFIS)。GPSO-ANFIS预测模型使用模糊C均值聚类算法对输入样本进行聚类分析,得到模糊规则数量并建立神经模糊推理系统;再使用粒子群优化算法对建立的预测系统进行优化训练,从而得到最优的预测系统模型。其中灰色模型用于横摇数据的预处理,以便削弱横摇状态中的非线性影响因素。最后通过实船"育鲲"轮的横摇数据进行仿真实验。实验结果验证了GPSO-ANFIS模型的实用性和可行性,具有较高的预测精度。并为船舶航行智能化提供了一种有价值的理论依据。     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

主成分分析在线性模型与非线性模型的应用研究

为了解主成分分析在线性模型与非线性模型预报中的应用效果,在2001—2011年热带气旋历史观测资料基础上,采用主成分分析方法,结合线性回归模型和神经网络模型,开展西北太平洋热带气旋的强度预报技术研究试验．根据提取的主要影响因子构造线性回归模型与BP神经网络的输入样本进行不同样本的台风强度预测．计算结果表明,主成分分析通过降低线性回归模型和BP神经网络模型的维数,减少自变量之间的复共线性,减小模型的预报平均绝对误差．     

利用ARMA模型的直流电机模型的辨识

对四旋翼飞行器机体辨识建模时,首先要知道螺旋桨电机的模型．电机的扭矩和角速度取决于电机的输入电压,它们之间的关系与电机线圈的电阻、电感、电机转动惯量、摩擦力、载荷及其他电机的常数有关系．传统电机模型通常利用机理建模,但准确性不高,采用辨识建模能提高模型准确性,给电机一个已知输入,测量其输出的角速度值,然后利用最速下降算法来使电机输出和模型输出值的误差最小,通过ARMA算法来对模型进行辨识,得到系统输入输出的脉冲传递函数,并对得到的系统进行阶跃输入,从而通过比较验证模型的有效性．     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

ARMA模型参数估计的GW-LS两段算法

提出了新的GW-LS两段算法,很好地改善了自回归滑动平均(ARMA)模型参数估计的性能。首先摈弃传统的拟合到AR模型的思考方法,而是基于ARMA模型的相关函数用Gevers-Wouters(GW)算法对ARMA模型拟合到高阶滑动平均(MA)模型;然后在拟合的MA模型参数基础上,用最小二乘(LS)算法求解一个不相容的线性方程组,从而估计出ARMA模型参数。最终的仿真实例说明了本算法较高精度、较快速度的收敛特性。     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于BCM的机务维修系统风险管理研究

在业务连续性管理(BCM)体系框架基础上提出从六个阶段来实现在机务维修系统风险管理中的具体应用。以东方航空公司风险管理为例,首先,确定项目的负责人;利用反映机务维修系统安全状况的定量数据建立风险评估指标体系;在Netica软件中构建基于贝叶斯网络(BN)的风险评估模型;其次,在评估结果基础上根据业务影响分析的结果给出了BCM响应的流程,即风险管理的策略;通过演练维护和评审证明BCM计划的有效性,最后,提出将BCM融入航空公司的日常管理的文化中,为航空公司机务维修系统的风险管理工作提供了实际应用价值。     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.