诱导有序加权平均的组合预测模型及其应用

有序加权平均算子是近年来发展的在许多领域有着广泛应用的信息融合方法.本文引进诱导有序加权平均算子的概念,并探讨了它的一些性质,然后建立诱导有序加权平均新的组合预测模型,最后给出其在股票价格预测中的应用研究,实例分析结果表明了该方法的有效性.     

水驱砂岩油藏特高含水期开发动态预测方法

水驱油田进入特高含水期后含油饱和度进一步降低,引起油水渗流特性发生突变,使得在大多数水驱油田广泛使用的开发指标预测方法误差增大。本文在前人研究的基础上利用贝克莱水驱油理论和韦尔奇含水饱和度公式将渗流特征关系、产量递减规律与典型水驱特征曲线进行联合求解,推导出多种包含时间参数的特高含水期开发指标预测新方法,此方法包含了水驱特征曲线法和递减规律的优点。通过油藏数值模拟结果对比验证得出二次型模型准确度最高,预测误差在允许范围内并且简便易实现,对实际油田开发具有一定的实际指导意义。     

高耗能高污染行业节能减排目标分解研究——以工业部门节能减排目标分解为例

节能减排目标合理的分解至高耗能高污染行业是工业部门实现"十二五"节能减排目标的关键,因此有必要探索节能减排目标分解方法,并据此对工业部门节能减排目标进行合理分解.研究基于VSBM-DEA(含理想决策单元的非径向DEA)模型提出单位产值节能减排空间的指标,并采用灰色模型GM(1,1)对其进行预测.在此基础上,结合能源恒等式,从"可能"与"计划"的角度出发对节能减排目标进行分解.最后运用2000—2010年两高行业的数据,将工业部门"十二五"节能减排目标进行分解,分析得出"十二五"期间两高行业的节能目标基本均匀分布,减排目标差距较大,应重点监控行业1、行业10.     

我国铁矿石进口价格预测的ECM-SVR混合模型

作为钢铁工业生产的重要原材料之一,铁矿石进口价格的剧烈波动给我国钢铁企业带来巨大的冲击.本文通过分析影响铁矿石价格波动的多种因素,包括供需关系、运费成本、国内外经济环境等,挖掘影响铁矿石进口价格的关键因素,综合考虑其线性和非线性均有的复杂时间序列特征,提出一种基于误差修正模型(error correction model,ECM)和支持向量回归(support vector regression,SVR)的铁矿石价格混合预测模型ECM-SVR.实证结果表明:与单一基准模型和传统混合模型相比,新模型具有较高的预测准确率,这对于钢铁企业控制原料成本和市场投资者合理规避价格风险具有重要指导作用.     

基于灰色-马尔科夫模型的电力系统CO2排放

运用灰色-马尔科夫方法对电力负荷进行中长期预测,并结合电厂发电煤耗值的预测对电力系统2011-2030年的碳排放进行了测算.计算结果表明:电力系统2015,2020,2025和2030年的碳排放分别是95.583 1×108,106.724 7×108,112.359 0×108,112.914 7×108 t,在此基础上进行了分析并对电力系统未来减少CO2排放的路径从国家政策层面、电力生产环节和电网规划及调度等方面提出了建议.     

一类组合预测模型的权系数确定的Shapley值方法

在提出预测有效度概念的基础上,将各单项预测模型看作组合预测合作对策的局中人,以组合预测有效度的平方和作为合作的准则,再按合作对策的Shapley值在各单项预测模型中进行分配,从而确定各单项预测模型在组合预测中的权重系数.实例分析结果表明该方法能够有效提高组合预测有效度.     

武器装备研制阶段费用预测方法及仿真

提出一种基于小波神经网络的武器装备研制阶段的费用预测方法.建立小波神经网络预测模型,并推导该模型的预测算法.应用一组美军反舰导弹数据进行仿真预测.结果表明,小波神经网络方法比传统BP网络方法平均预测误差减小了1%,收敛速度加快了3倍.     

页岩气解析模型产量预测技术优化方案

页岩超低渗、强非均质性以及复杂缝网特征使得解析模型法产量预测参数输入不确定性大,生产历史拟合多解性强,产量预测难度大.基于页岩气井生产长时间段呈线性流动的特点,开展线性流分析和解析模型产量预测工作,提出首先通过线性流分析解释确定解析模型参数初值和范围、再进行历史拟合和产量预测的思路和方法流程.研究表明:根据页岩气流动阶段诊断可以初选解析模型;运用流动物质平衡方法可确定动用储量和气藏尺寸;采用线性流不确定性分析可以确定渗透率和裂缝半长等参数范围.该方法可提高解析模型历史拟合和产量预测精度,同时提高了工作效率,经8口井应用测试结果表明:方法提高单井历史拟合速率40％以上,提高产量预测精度18.1％.     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于负荷特性聚类的样本自适应神经网络台区短期负荷预测

 介绍了批量处理时间序列数据情况下,基于台区负荷特性聚类的样本自适应反向传播神经（BP）神经网络预测短期电力负荷的方法,通过对历史数据的预处理、初始聚类中心的设置以及最优聚类数目的确定,建立典型日负荷曲线的聚类预测模型。基于历史数据的聚类结果及待预测日的温度、湿度、气压、风速、星期等相关参数,使用BP神经网络算法得出待预测日负荷曲线预测结果。通过实例验证,基于台区负荷特性聚类的样本自适应神经网络短期负荷预测能够得到较为准确的预测结果。