基于因素分析和SVM模型的江海联运运量预测方法

鉴于江海联运运量受众多因素的影响, 为了解决江海联运运量预测问题, 先对江海联运运量影响因素进行分析, 再用灰色关联度分析筛选出其中的典型因素. 在此基础上应用粒子群算法优化的支持向量机建立江海联运运量预测模型, 应用于宁波港域江海联运量的预测. 结果表明, 该模型与传统时间序列预测方法相比具有较高的拟合度和预测精度, 为解决江海联运运量等多因素非线性系统预测提供了一条新的途径.     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

一种利用RBF神经网络的传感器建模新方法

介绍了基于RBF神经网络的传感器建模新方法，其网络结构简单、收敛性好、计算机仿真结果显示该模型能同时传感器的温度补偿和非线性校正。     

用RBF神经网络确定上海股市的分形维数

从预测能力的角度采用径向基函数（radial basis function，简称RBF）神经网络方法计算我国上海股票市场的分形维数，并通过RBF神经网络的实验，得到上海股市的最小嵌入维数为6，验证了股市分形维数在2-3之间，从而进一步确定了我国上海股票市场是一个具有混沌现象的系统，最后探讨了利用股票市场的混沌特性进行短期预测的效果的可行性。     

人工智能神经网络在新能源微电网中的应用

新能源微电网是较复杂的新型发配电系统.由于构成微电网的新能源风力发电的不稳定性,对微电网的稳定运行产生影响.使用人工智能方法预测负荷与风力发电量,能够提高预测精度,有利于微电网的能量管理与运行优化,对微电网的稳定运行具有重要意义.本文应用人工智能神经网络技术,建立基于RBF(Radial Basis Function)神经网络的短期负荷预测模型和风力发电量预测模型,分别对未来24 h的短期负荷与风力发电量进行预测.预测结果与实测值的误差验证了提出方法的有效可行性.结果表明,基于RBF神经网络的短期负荷预测方法与风力发电量的预测方法都适用于微电网系统.     

基于RBF神经网络的双语教学评价系统的设计与实现

在传统的教学评价体系中,评价的结果受人为主观因素影响较多,往往不能客观地对教学过程进行评价,本文在对国内外双语教学评价方法进行系统研究的基础上,建立了双语教学评价指标体系,基于RBF神经网络构造评价模型,使用JSP技术实现了双语教学评价系统。     

RBF神经网络集成多个气象数值产品的方法研究

对MM5V3模式中16组组合区域气候模拟试验所得的结果,分区域以RBF神经网络进行集成,分析了网络结构参数的不同对集成结果的影响,最后对整个区域的温度场进行了集成.结果表明:选择合适的网络结构参数是至关重要的,神经网络的非线性集成结果均明显优于单个参数化方案和16个方案线性集成的预测结果,整个区域的温度场集成结果比MM5模拟更接近于实况场,均方根误差场也较原MM5方案明显减小.这些结果对于区域气候的集成预测以及进一步优化神经网络的性能有一定的参考意义.     

打桩施工振动传播的预测方法

打桩施工振动，由于传播过程中的未知因素较多，因此很难深入研究.本文利用灰色模型进行预测计算，预测值与实测值基本吻合，这对于环境振动噪声的管理具有重要意义.     

基于灰色预测模型的参数寻优方法及能源预测应用

能源电力是中国实现双碳目标的关键领域，精确预测未来能源供需及碳排放量，有利于制定低碳转型的可行路径。灰色预测模型GM(1,1)是在能源预测领域应用最为广泛的一种动态预测模型，但其对原始数据要求较高，且GM(1,1)发展系数α较大时，模型可能失效，另一方面，GM(1,1)的另一关键参数灰作用量u直接决定模型预测精度，如果能够找到更优的u值代入模型进行预测，则模型的精度将会显著提高，考虑到这些问题，本文将一种在实际优化问题中表现优良的新颖群体智能算法帝王蝶优化算法(Monarch Butterfly Optimization, MBO)引入到灰色预测模型关键参数α和u的寻优过程，提出了一种全新的灰色-帝王蝶优化预测模型，实现对天津能源供需及碳排放的准确预测，并依据预测结果制定天津2030年碳达峰的低碳转型路径，通过与已有经典文献方法与预测数据的对比，证实了本文所提出的灰色-帝王蝶优化预测模型的有效性和优越性。     

模糊神经网络在复合地基沉降量预测中的应用

复合地基后期沉降变形对于建筑物设计及安全具有重要意义,针对通过长期沉降观测以得到复合地基的最终沉降需要耗费较多资源的问题,提出了一种基于模糊神经网络的预测方法.该方法考虑沉降变化过程有较大的随机性和模糊性,直接将样本数据进行模糊化,所得的模糊数代表了样本点集与控制点集中各分量之间的相关度,并依此建立模糊BP神经网络进行学习和估算.实验结果表明了该方法对沉降进行预测是可行与有效的,且在相对误差的有效控制方面优于BP网络方法与灰色方法.     

宁波道路集装箱运力规模预测——供需平衡法和GM(1,1)模型的对比研究

集装箱运输运力的正确估计对集装箱运输有重要意义.以2009~2015年宁波集卡数、集装箱吞吐量数据为基础,分别应用供需平衡法和GM(1,1)模型对宁波集卡数进行预测,比较两种模型的预测精度及拟合度.结果表明:GM(1,1)模型可以较好地降低预测风险,提高预测准确度和拟合度.最终选用GM(1,1)对宁波道路集装箱运力规模进行预测.     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

混沌神经网络的Lyapunov指数与混沌区域

混沌神经网络有望用于诸如组合优化、信息搜索、模式识别等信息处理中.在Aihara等人依据生物学实验提出的混沌神经网络模型基础上,提出了混沌神经网络的最大Lyapunov指数的一种算法,通过最大Lyapunov指数的计算,研究神经网络的混沌区域以及参数对混沌区域的影响,这对混沌神经网络的混沌特性的研究及其混沌控制是十分有益的.     

灰色系统理论和马尔柯夫链相结合的网络流量预测方法

网络流量预测是网络测量领域一项重要的内容．通过流量测量与预测,可以了解到网络之间的流量情况及其趋势,从而更好地进行网络改建和负载均衡的设计．针对各时刻网络流量时间序列的非线性和多时间尺度特性,提出了将灰色系统理论和马尔可夫链相结合的流量预测方法——灰色马尔可夫模型．该方法综合了GM预测所需原始数据少、方法简单,而马尔可夫链又具有非线性拟合能力的特点,并应用此模型对实际网络流量进行预测,结果表明了该方法是有效可行的．     

基于振荡序列的灰色GM(1,1|sin)幂模型及其应用

针对现实中普遍存在的振荡序列预测问题,传统灰色模型的预测效果并不理想。为此,在现有灰色GM(1,1|sin)模型基础上,提出了GM(1,1|sin)幂模型,给出了最小二乘准则下的参数计算公式;构建了以平均模拟相对误差最小化为目标的非线性优化模型,利用粒子群优化算法求得最优参数。最后,将新模型应用于城市交通流和高新技术产品出口额模拟预测,并将预测结果与传统GM(1,1)模型、GM(1,1)幂模型和GM(1,1|sin)模型进行了比较,结果表明,新模型具有更高的模拟精度,更适合对振荡序列的预测分析。     

基于振荡序列的灰色GM(1,1|sin)幂模型及其应用

针对现实中普遍存在的振荡序列预测问题,传统灰色模型的预测效果并不理想。为此,在现有灰色GM(1,1|sin)模型基础上,提出了GM(1,1|sin)幂模型,给出了最小二乘准则下的参数计算公式;构建了以平均模拟相对误差最小化为目标的非线性优化模型,利用粒子群优化算法求得最优参数。最后,将新模型应用于城市交通流和高新技术产品出口额模拟预测,并将预测结果与传统GM(1,1)模型、GM(1,1)幂模型和GM(1,1|sin)模型进行了比较,结果表明,新模型具有更高的模拟精度,更适合对振荡序列的预测分析。     

基本养老保险基金失衡风险预警方法的选择研究——基于新疆数据的实证分析

纵观现下中国基本养老保险的发展,如何建立可持续发展的养老金制度,实现养老金的长期财务平衡,降低养老金运行中的风险等问题突出的摆在社会面前.本文尝试通过BP神经网络构建的基本养老金运行风险预警系统预测结果与多元回归模型的比较,进行基本养老金失衡风险预警方法的选择研究.在建立基金运行的风险指标体系基础上,搜集整理源于新疆的具体数据,首先进行多元回归模型的基金风险预警结果分析,然后通过MATLAB实现BP神经网络模型的反复训练、学习,并通过预警值与实际值的比较,检验BP神经网络预警模型的有效性,最后通过两种模型结果的比较,选择出BP神经网络预警方法更有优势.     

宁波港口物流与宁波经济发展的灰色关联分析

为进一步明晰港口物流与城市经济之间的关系, 根据2003~2014年宁波市港口物流与经济指标的相关数据, 构建了灰色关联模型, 分析了港口物流与三大产业的关联程度. 结果表明, 在整体上宁波港口物流与第二产业的综合关联度最高, 其中港口货物吞吐量与交通邮政及仓储业投资额关联度最高, 外贸货物吞吐量与工业总产值关联度最高, 集装箱吞吐量与自营进出口额关联度最高. 根据实证分析结果, 提出了促进宁波港口物流发展的建议.     

基于GBRT模型的交通事故预测

道路交通安全水平的重要标志就是道路交通事故发生量.为解决当前交通事故量预测精度不高、时间拐点数据预测效果差的问题,以及在交通管理系统中提供更加准确的预测数据帮助交通管理部门做出科学的决策,本文针对我国年周期交通事故建立了基于GBRT(Gradient Boosted Regression Tree)的交通事故模型.通过训练交通事故相关数据对未来交通事故死亡人数进行预测,并与多种回归模型、神经网络模型进行对比实验,结果显示GBRT模型具有拟合效果佳、训练时间短、高鲁棒性的优势,能够更准确、高效的对交通事故安全水平进行预测.