ARIMA时间序列模型和BP神经网络组合预测在铁路客座率中的应用

首先利用python3.5对铁路客座率原始数据进行预处理,然后利用ARIMA时间序列和BP神经网络进行单一的模型预测,得出单一预测模型的均方误差.在组合预测求解时,先求出ARIMA时间序列模型的误差向量E_1和BP神经网络的预测误差为E_2,由于这两种预测方法是相互独立的,因此误差向量E_1和E_2线性无关且组合预测误差向量为E=(E_1,E_2),得出组合预测平方和的形式为J-W~TEW,然后根据组合预测误差平方和最小的原则来确定权值w_1,w_2,最后求解凸二次规划问题得到权值并求出组合预测模型和均方误差.通过比较单一模型预测和组合预测的均方误差,得出结论:组合预测模型的精确度高于单一预测模型的精确度.     

智能制造模式下基于改进BP-ARIMA组合模型产品需求预测方法

为有效预测智能制造模式下的不确定性需求,提出自回归移动平均模型ARIMA和改进BP神经网络的组合模型,对预测数据中包含线性规律的Lt以及非线性规律的ε_t进行模拟和分析,以解决预测有效性和精度问题.通过数据样本构建,对ARIMA模型结构进行辨识,确定p,d,q参数,并对模型进行诊断和检验;在此基础上进行需求数据一次预测;通过连接权值的修正降低BP神经网络学习误差,并对一次预测结果与原需求数据样本存在的误差进行二次预测.实例数据分析表明:组合模型的预测精度较ARIMA模型有显著提高,因此组合预测模型在预测效果上具有合理性和有效性.     

小微企业信用风险评估的IDGSO-BP集成模型构建研究

针对传统BP神经网络在小微企业信用风险评估实际应用中,随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及运算结果误差较大等缺陷,借助群智能萤火虫(GSO)算法,提出一种基于改进离散型萤火虫(IDGSO)算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型。该模型以BP神经网络为基本框架,在学习过程中引入离散型萤火虫算法,优化设计神经网络的网络结构与连接权值,得到一组相对合适的权值与阈值,再进行新一轮网络训练,以“均平方误差最小”为评价准则,产生网络的输出结果,以此建立小微企业信用风险评估模型。其仿真实验结果表明,该模型在收敛速度及运算精度方面较传统BP神经网络模型、遗传GA-BP模型及连续GSO-BP模型有较明显优势。因此,IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性。     

基于遗传算法优化BP神经网络在原油产量预测中的应用:以大庆油田BED试验区为例

油田产量预测工作一直是油田开发中的一项重要工作,许多传统的回归模型以及智能算法都已经在油田产量预测中有了应用.虽然神经网络以其较强的非线性拟合能力.而得到广泛应用,但是传统BP神经网络容易陷入局部最优值而影响预测结果.将利用遗传算法同时优化BP神经网络连接权值和阈值的算法应用到大庆油田BED试验区高含水阶段的油田产量预测,结果表明在面对高含水阶段更加复杂的地质条件和数据波动更强的情况下优化后的神经网络收敛速度更快而且预测精度更高.     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

基于EEMD-Elman-Adaboost的中美股票价格预测研究

针对股票价格序列高度非正态、非线性、非平稳等复杂特征,文章以Elman神经网络为基础,引入集合经验模态分解(EEMD)与Adaboost算法,对中美股票的日收盘价进行预测。首先,利用EEMD算法将样本分解为多个本征模函数分量和1个残差分量。其次,用Adaboost算法优化Elman神经网络,对各个分量进行预测。最后,将各分量预测结果进行求和,作为最终预测结果。研究结果表明:EEMD-Elman-Adaboost模型对中美股票价格预测的均方根误差、平均相对误差、平均绝对误差均比现有的BP、Elman、EMD-Elman、EEMD-Elman模型小,新组合模型融合了EEMD、Elman神经网络、Adaboost算法的优点,具有更强的泛化能力和跟随能力。     

BP-GA混合优化策略在人力资源战略规划中的应用

采用混合优化策略训练神经网络,进而实现地区人力资源数据的时间序列预测.神经网络,尤其是应用反向传播(back propagation,简称BP)算法训练的神经网络,被广泛应用于预测中.但是BP神经网络训练速度慢、容易陷入局部极值.遗传算法(genetic algorithm,简称GA)具有很好的全局寻优性.因而提出将BP和GA结合起来的混合优化策略训练神经网络,来实现人力资源数据预测.与BP算法相比,数值计算结果表明预测精度高、速度快,为地区人力资源数据的时间序列预测研究提供了一条新的途径.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

基于改进PSO-BP神经网络的贮存可靠性预测

贮存可靠性是军事储备质量监测的重要环节,科学准确地预测贮存可靠度是现代化军事评估的必然要求。针对历史贮存数据,建立可靠度与年限的贮存可靠性预测模型,采用进化策略改进粒子群算法(PSO)优化BP神经网络进行贮存可靠性预测。通过数据扩充提高样本质量和数量,应用改进后的PSO算法优化BP神经网络的初始权值和阈值,提高网络的泛化能力。PSO算法较好的全局搜索能力与BP网络很强的局部搜索能力相结合,能够避免早熟现象,提高算法的收敛速度及预测精度。实验结果表明,改进的PSO-BP网络模型比PSO-BP和BP神经网络获得更好的预测性能。     

基于BSA-ELM模型的建筑工程施工成本预测研究

针对建筑工程施工成本管理中成本难以预测的问题,提出用鸟群算法(BSA)优化极限学习机(ELM)模型的参数.首先,利用BSA对ELM模型的输入权值和偏置值进行优化;其次,构建出BSA-ELM建筑工程施工成本预测模型;最后,将BSA-ELM模型与实际工程施工成本数据相结合进行验证.结果表明:模型在成本预测中的精度比ELM模型、CSO-ELM模型、PSO-ELM模型和BP神经网络模型预测精度高,也为类似预测问题提供了一种新的预测方法.     

基于遗传神经网络的风电功率预测

针对基于单一BP神经网络的风电功率预测模型的不足,提出了一种基于遗传算法优化的神经网络风电功率预测模型.模型采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.试验结果表明,基于遗传算法优化的神经网络可以提高风电功率预测的精度,其性能优于基于单一BP神经网络模型的风电功率的预测.     

新组合模型在光电功率预测中的应用

为提高光伏预测要求的精准性,文章提出一种新算法将神经网络和ARMA算法改进组合,构成NEW ARMA-BP模型算法.以某30兆瓦的光伏电站采集的输出功率为输入样本,基于ARMA和BP神经网络算法在Matlab环境下依次搭建了相应的预测模型,预估光伏短期输出量.采用"误差正态检验图"判断基于两种不同算法的误差水平,依据两种单模型预测误差,运用所提出的新方法计算权值并获得新的预测值.基于Matlab的仿真结论验证了组合预测在光伏输出预测领域的适用性.     

基于灰关联分析的GA-BP神经网络在汽车油耗估算中的应用

从设计参数特征入手分析影响汽车油耗的因素,利用灰关联分析方法,解析了各设计参数对汽车油耗的影响程度,选择其中灰关联度较大的设计参数作为输入数据,综合工况油耗作为输出数据,构建6-5-1层结构的BP神经网络预测模型,并利用遗传算法获得优化后的BP神经网络的权值和阈值,然后训练BP神经网络得到最优值,最后以国内市场340款汽车作为研究样本,进行有效性验证.研究结果表明,模型利用灰关联分析获得影响汽车油耗的主要因素,简化了网络结构;与优化前的BP神经网络相比,具有更高的预测精度和可靠性.     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

神经网络在复杂自相关预测过程中的应用及对比研究

由于PM_(2.5)日均浓度值受外界多重复杂因素的影响,其较强的自相关性使得时间序列模型ARIMA构建难以实现,因此,给出高映射能力的非线性神经网络预测模型,并分别建立基于BP神经网络和GRNN神经网络的预测模型,进行PM_(2.5)浓度预测实验.结果表明,BP神经网络回检过程和检测过程存在不稳定性,预测残差波动较大,而GRNN神经网络检测残差呈完全U型,回检过程和检测过程较稳定,并且GRNN神经网络回检数据拟合度、预测数据精度和运算速度均优于BP神经网络,建模过程更为方便,易于实际应用.     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。     

基于代数神经网络的煤自燃预测

代数神经网络算法能够克服BP神经网络易于陷入局部极小和收敛慢的问题,通过优选激励函数和采用代数算法计算权值,将复杂的非线性优化问题转化为简单的代数方程组求解问题,提高了神经网络的精度与收敛速度.在使用代数神经网络算法进行煤自燃预测的实例中,采用均值规格化数据预处理,解决了煤自燃指标气体异动对分类结果的过度扰动.实验结果表明了算法的有效性和实用性.