双定时混合截尾下Pareto产品失效时刻的预测

假设受试样品的失效时刻服从Pareto分布，基于双定时混合截尾样本得到了未来失效时刻的概率密度函数，利用经典方法得到了未来失效时刻的点预测和区间预测.当形状参数的先验分布分别取为伽玛先验和无信息先验分布时，得到了未来次序失效时刻的等尾预测区间.根据所得到的双定时混合截尾数据，对于独立同分布于该Pareto分布的任一产品，得到了它的失效时刻的中位数预测和区间预测.借助一个数值例子，利用文中的结论计算出了相关的点预测和区间预测.     

序限制下最优尺度同变预测区间的改进

考虑了序限制下的统计预测问题，在一定条件下通过IERD方法给出了通常最优尺度同变预测区间的改进预测区间。     

泛灰数学在汽车工程中的应用

在概述泛灰数的要领合肥市其运算规则的基础上，介绍了泛灰数与区间数的转化，利用泛灰数的可扩展性对区间进行分析。探讨了泛灰函数在汽车基本性能预测中的应用，泛灰函数不仅具有区间分析的功能，而且能解决区间分析所不能解决的问题，它为汽车性能预测提供了新的方法。     

基于区间精度和IOWA算子的变权组合预测方法

现有的区间组合预测模型往往是将单项预测方法不同时刻的预测精度转化为实数,这将导致预测信息的损失。因此,文章提出一种新的区间预测精度的概念,将单项预测方法不同时刻的精度用区间数表示,并利用可能度对其进行排序;将排序后的预测精度作为诱导变量,构建基于区间预测精度和诱导有序加权平均(induced ordered weighted averaging,IOWA)算子的区间变权组合预测模型;实例分析说明了该区间组合预测方法的有效性;最后,对模型参数做了灵敏度分析。     

煤与瓦斯突出预测指标的区间数关联决策模型

为提高煤与瓦斯突出预测指标选择和评价的准确性,并确保多指标评价体系的系统完整性及预测指标的区间连续性,更准确地指导现场突出预测指标的选定,根据灰色区间数关联决策理论,建立煤与瓦斯突出预测指标评价与决策的加权三指标区间数关联决策模型,将3个评价指标共同引入模型作为煤与瓦斯突出预测指标的评价标准,并充分考虑其属性和权重值,结果规范化处理即区间数关联度的计算,以区间数关联度最大为原则确定张集煤矿7#煤层最优煤与瓦斯突出预测综合指标的区间数为[350,400],经过细化研究和评价得到相对最优加权三指标区间数关联决策区间为[370,380].研究结果表明:经过加权多指标区间数关联决策得到的相对最优煤与瓦斯突出预测指标区间数是合理的.     

经济系统预测精度及有效性分析

本文讨论了预测误差的根源，给出了点或区间预测精度的测度准则，分析了目前人们给出的预测精度测度，以及评价预测方法的有效性测度，为不确定性系统预测方法评价提供了可行的工具。     

基于GM包络模型的可转换债券价格区间预测

研究利用GM包络模型预测可转换债券价格的运行区间.提出了一种适用于预测可转换债券价格运行区间的GM包络模型.利用这个模型实现了对W转债价格运行区间的预测,并得到了较好的预测结果.该工作为可转换债券价格运行区间的预测探索了一条新的途径.     

隧道围岩位多的灰色优化模型预测

传统灰色GM（1，1）模型，多达用于等间距和低增长序列监测数据的模拟预测；对非等间距和高增长序列，一般经过等间距处理或经过复杂的变换建立非等间距模型进行预测，且往往产生较大的滞后误差。在时间序列[k,k 1]区间上，用n个小区间的梯形面积代替[k,k 1]区间上GM（1，1）函数曲线对应的面积，以优化提高背景值z^(1)(k 1)的精度。这种以优化灰色模型背景值为基础构建的灰色优化模型，普遍适用于隧道围岩位移等间距或非等间距以及低，高增长监测数据序列的位移预测，能很好地模拟预测隧道围岩移的Ⅰ型，Ⅱ型，Ⅲ型时序变化特征，且都能获得很高的模拟和预测精度。     

基于极限学习机模型参数优化的光伏功率区间预测技术

提出一种基于极限学习机(ELM)模型参数优化的光伏功率区间预测技术.首先,提出加权欧氏距离作为光伏功率预测区间评估指标,筛选历史样本单元并优化ELM训练集;然后,提出ELM参数混合寻优算法,利用精英保留策略遗传算法与分位数回归优化ELM模型隐层输入及输出权重与偏置参数,并采用训练后的模型预测光伏功率区间;最后,基于光伏电站与气象站历史数据构建实际算例,预测光伏功率区间,并与其他方法得到的结果进行对比.算例结果表明：所提方法在增加区间预测可信度的同时,能较大程度提高区间预测准确度.     

基于数据集元特征的超参数优化方法

超参数优化问题一直是自动化机器学习研究的重点问题，针对特定的需求建立机器学习模型，需要调整大量的超参数。其中，超参数组合形成了大规模的超参数搜索空间，从而需要大量的运行时间。然而，有效探索大量超参数组合具有一定的挑战，现有的自动化超参数优化方法时间复杂度很高。为此，利用相似数据集的最优超参数区间的历史知识，提出了一种基于数据集元特征的超参数优化方法。首先，使用自动化机器学习系统寻找最优超参数的区间范围，然后对历史数据集元特征采用递归特征消除法进行特征提取作为特征向量，将此特征向量与最优超参数区间的对应关系利用XGBoost算法建立预测模型，并使用该模型预测新数据集的最优超参数区间。对OpenML平台的数据集进行实验，结果表明该方法预测的最优超参数区间的精度达87%。同时，把此预测区间作为自动化机器学习系统的搜索空间范围，在很大程度上缩短了运行时间，且确保一定的性能。     

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。     

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.     

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.     

支持向量机在航空兵部队油料消耗量预测中的应用

分析了支持向量机的基本原理及算法,确定了航空兵部队油料消耗量预测模型的样本输入量,构造了航空兵部队作战油料消耗量预测函数,采用LibSVM Matlab工具箱对模型进行编程求解,选用3个指标对预测结果进行评价。并以某空军航空兵部队油料消耗量为例,运用基于SVM的航空兵部队油料消耗量预测模型,对2009年演习的油料消耗量进行了预测,预测结果与实际值进行比较,预测精度高,为科学预测战场油料消耗量提供了科学定量的分析方法。     

基于粒子群-投影寻踪和遗传-神经网络集成的预测模型

  针对预测对象和预测因子存在复杂的线性和非线性关系的特点,利用自然正交展开方法进行线性降维,以及用粒子群 投影寻踪方法进行非线性降维,将高维的非线性数据投影到低维子空间上,构造了一种遗传 神经网络预测模型。在此基础上,应用该预测模型对影响华南的台风频数进行了预测试验,并将预测结果与统计回归模型的预测结果进行对比分析。结果表明,文中构建的非线性集预测模型,对台风频数有较好的预测效果,5 年预测的平均绝对误差为0.81个, 平均相对误差为13%,预测结果比统计回归模型有明显的改进。该文的结果可为进一步探索研究其他领域的预测建模提供了一种新的参考思路和方法。     

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。     

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．     

基于仿真和流量估计的服务性交通指标预测

提出了基于应用微观交通仿真模型和短期交通量预测的服务性交通参数预测模型.根据实际的交通系统和研究目的建立应用仿真模型并进行模型参数标定和有效性验证.根据实时采集的交通量采用基于小波分析和ARIMA(Autoregressive Integrated Moving Average)模型的混合模型进行下一时刻的交通量预测.将预测的交通量输入到应用仿真模型,根据仿真输出得到下一时刻的服务性交通参数指标.应用实例表明,该模型能够较好地进行服务性交通参数的预测.     

基于深度置信网络的云应用负载预测方法

为了准确预测云应用负载以便及时执行云应用自适应优化,从而保证云应用性能的稳定,根据云环境下应用负载预测问题的特点,提出了基于深度置信网络的云应用负载预测方法.首先给出能够有效描述负载数据的显式特征和隐式特征并定义了负载预测模型,进而给出基于深度置信网络的负载预测算法.对算法进行了分析并在真实数据集上与相关算法进行了比较,结果表明,本文提出的方法能够更加有效地解决云应用负载预测问题.