灰色动态模型与我国煤炭产量消费量的预测

本文以我国煤炭产量与消费量的时间序列数据为依据,应用灰色理论,建立了我国煤炭产量与消费量预测的灰色动态模型,提出了直到1995年的煤炭产量与消费量预测值。预测结果将为我国煤炭生产与消费提供参考依据.     

黑龙江省一次能源消费总量和消费结构预测研究

以黑龙江省一次能源为研究对象,选取其1995~2014年一次能源消费的历史数据,构建了改进的BP神经网络模型来预测黑龙江省2015~2020年一次能源的消费总量;重构马尔科夫模型,预测黑龙江省2015~2020年一次能源的消费结构。结果表明：构建的模型模拟预测结果误差小,预测准确度良好。2015~2020年黑龙江省一次能源消费总量基本稳定在9200万吨标准煤;能源消费结构中煤炭、石油和天然气的份额均有所降低,清洁能源占比呈增长趋势;到2020年,一次能源消费结构中煤炭占比仍高达65.39%,清洁能源占比仍处于弱势。建议：降低一次能源的消费总量,尤其是煤炭和石油在一次能源消费中的占比;合理调整一次能源的消费结构,降低煤炭在能源消费结构中的占比;政府出台相关政策,引导消费理念,优先使用清洁能源。     

我国煤炭需求组合预测模型及应用

煤炭需求是一个复杂的非线形系统,其发展变化具有增长性和波动性,科学地预测煤炭需求量对于正确制定煤炭工业发展规划和优化配置煤炭资源具有重要意义。本文在对我国煤炭消费历史数据分析的基础上,构建了一元回归模型、灰色预测的GM(1,1)模型和三次指数平滑模型3个单一预测模型;据此,基于二次规划法和Shapley值权重分配法分别构建了组合预测模型。实证研究结果表明,组合模型预测效果均优于单一模型,可以作为煤炭需求预测的有效工具;基于这一组合模型对我国2013—2020年煤炭需求量进行了预测,为制定未来煤炭需求发展规划提供了依据。     

基于灰色系统理论的重庆市煤炭消费需求预测

根据灰色系统理论,以1995—2002年重庆市煤炭消费量作为基础数据,建立了2个灰色预测模型．应用灰色预测GM（1,1）模型预测了重庆市2005—2011年煤炭消费量,并分析了预测的结果．结果表明,该预测具有较好的精度,结果是可信的．     

基于ARIMA模型的煤炭消费量预测研究——以山西省为例

对山西省煤炭消费量进行科学预测有助于对全省的煤炭资源开发进行合理规划、统一配置。分析了1949—2013年山西省煤炭消费量的变化趋势,根据1949—2010年的煤炭消费数据,构建了山西省煤炭消费量短期预测ARIMA(2,1,2)模型,利用此模型对山西省2011年和2012年的煤炭消费量进行了预测,并将预测值与实际值进行对比,发现预测的相对误差仅为3.27%和1.27%,表明模型的拟合度较好。因此,可以运用ARIMA(2,1,2)模型对山西省煤炭消费量进行短期预测。     

基于灰色理论的煤炭需求预测模型研究

研究了GM(1，1)模型在我国煤炭需求预测中的应用，并以实际数据为基础，建立了我国煤炭需求量的数列预测模型。经检验，模型可靠，可用于对我国煤炭需求总量的预测。简要分析了根据实际变化不断改进模型的必要性。     

基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。     

基于GIOWA算子的中国FDI预测研究

首先通过相图对我国1980~2014年实际利用外商投资(FDI)的数据进行检测发现不存在混沌吸引子,即得出FDI可预测性的结论.接着在ARIMA、Logistic模型、多元线性回归模型的基础上并通过引入GIOWA算子,利用我国实际利用外商投资总额建立一个组合预测模型,并把它应用于我国FDI的预测.通过各类误差比较得出组合预测显著优于三个单项模型的预测结果,证明了组合预测模型对于时间序列的预测具有更好的预测效果.最后利用所建立的组合预测模型对2015~2017年我国FDI进行预测,预测结果表明接下来的三年我国FDI将保持低于5%的增长率稳定发展.     

基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型

为准确预测未来中国煤炭需求总量;首先确定我国煤炭需求量的7个主要影响因子,将集成学习算法以及支持向量回归算法应用到中国煤炭需求量预测中,借助多元宇宙算法优化支持向量回归机中关键参数,构造基于MVO-SVR-AdaBoost的中国煤炭需求量预测模型;将1980-2017年历史数据带入模型.结果表明:建立的煤炭需求量预测模型适配度高达0.9791,平均绝对误差仅为4.2928%.基于历史数据,确定各因子年均增长率的可能波动边界值,在GDP低、中、高速增长的情况下随机组合分别带入模型得到2018-2020年中国煤炭需求量的可能数值区间.     

神经网络模型在煤碳生物脱硫仿真及优化中的应用

通过单因素实验研究了转速、培养温度、初始pH、脱硫时间、煤浆浓度和煤炭颗粒度对煤炭生物脱硫的影响,建立了煤炭生物脱硫反应过程的BP神经网络模型.研究结果表明,神经网络训练中的模型检验均方误差接近1×10-3,模型检验样本预测输出值和试验值的决定相关系数达到0.9997,表明该模型对煤炭生物脱硫过程仿真及结果预测效果良好;采用遗传算法工具箱对建立的BP神经网络模型进行优化求解,在最优条件下得到的脱硫率为47.6%,该结果经实验验证具有可靠稳定性.