基于神经网络的模糊推理预测方法

将模糊推理技术与神经网络结合．利用模糊集理论来处理输入、输出信息，借助神经网络系统来完成推理、判断与知识的记忆存储及学习．从而给出了基于神经网络的模糊推理预测模型。     

经济混沌的动因与预测

经济混沌是非线性经济系统中呈现的一种貌似随机不确定现象．本文通过对经济混沌的动因分析，指出温沌是经济系统的本质特性；根据混沌的有序性，提出经济混沌预测的基本原理；给出一个甚于混沌吸引子的时间序列预测方法，指出影响预测效果的主要因素．     

时空预测技术在森林防火中的应用研究

构建了一个随机的时间序列模型获得每一个空间上相互独立部分的时间预测,然后建立动态回归神经网络(DRNN)发现隐藏的空间关系,最后用统计回归方法把单个时间和空间预测整合起来产生最终预测。实验结果表明,提出的方法能对森林火灾面积进行准确有效的预测。通过对时空预测结果的准确性和训练精度进行讨论,分析了时空预测方法在林火预测中的可行性,证明时空变化预测方法在林火预测中的应用价值。     

公路路基沉降预测方法及其改进措施综述

对软土路基沉降的多种预测方法及其改进措施进行了阐述,重点介绍了泊松曲线、灰色系统、遗传算法等预测模型的不足及其改进方法。     

基于主成分分析和组合神经网络的短时交通流预测方法

提出一种将主成分分析和组合神经网络相结合的方法来预测短时交通流量.将预测路段历史流量及其相关路段的历史流量进行主成分分析,分析结果作为组合神经网络的输入数据,这样不仅减少了输入变量个数,减小网络规模,而且保留了原始变量的主要信息,消除变量之间的相关性.给出了一个说明该方法有效性的例子,用同一组数据比较该方法与典型BP网络的预测效果,结果表明该方法明显优于BP网络.     

基于自评判自学习机制的短期电力负荷预报

以RBF神经网络为基础，提出了一种吴有白评判自学习能力的短期电力负荷预报方案，该方案包含预报器、评估器、探测器：和学习机四个组成部分．预报器用来预测未来时段的电力负荷，评估器用来对预报结果进行评估，探测器用来确定预报的有效步长，学习机用于预报器的自我学习．预报器根据评估结果通过学习机制能够自动适应电力负荷的变化，从而保持一种良好的预报状态．仿真实验表明该方法在电力负荷规律不明确的环境下预报精度比传统方法高。     

基于模糊数据挖掘技术的林火行为预测研究

在预测区域复杂的自然条件下，利用模糊数据挖掘技术（FDM）寻找与之相匹配的林火蔓延模型来预测林火行为。以广州市为例，构建了火灾数据样本集，确定了可燃物水分含量、可燃物负荷量、易燃程度、坡度等4个因子为影响林火行为的指标，利用FDM的模式的发现与预测功能，归纳了3类模式，并依照择近原则匹配各模式所适用的林火蔓延模型。此模型应用时可以由火场指挥者实时提供的火灾因子资料，根据FDM最大贴近度原则，选择合适的林火蔓延模型预测林火行为，提高了林火行为预测的可靠性。     

The importance of interest rates for forecasting the exchange rate

This study compares the forecasting performance of a structural exchange rate model that combines the purchasing power parity condition with the interest rate differential in the long run, with some alternative exchange rate models. The analysis is applied to the Norwegian exchange rate. The long‐run equilibrium relationship is embedded in a parsimonious representation for the exchange rate. The structural exchange rate representation is stable over the sample and outperforms a random walk in an out‐of‐sample forecasting exercise at one to four horizons. Ignoring the interest rate differential in the long run, however, the structural model no longer outperforms a random walk. Copyright © 2006 John Wiley _ Sons, Ltd.     

P-A出行分布矩阵转化为O-D出行分布矩阵

分析了交通需求预测中基于起点-迄点的O-D（origin-destination）分布矩阵与基于产生点-吸引点的P-A（producing-absorbing）分布矩阵的概念、区别以及将两者加以区分的原因；讨论了在运用“四阶段”模型进行交通需求预测各阶段分别使用两者的情况，并针对实际客运预测中经常将两者混淆的情况，依据对实际调查数据的分析，提出将P-A矩阵转化为O-D矩阵的方法．     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。