灰色理论和BP神经网络在大学生就业信心指数预测中的应用

采用大学生就业信心指数来分析预测其就业信心是值得研究的问题.提出一种灰色理论和BP神经网络相结合的方法对大学生就业信心指数进行预测.首先对影响就业信心的主要因素建立不同的灰色模型,然后将每个灰色模型的预测值作为神经网络的输入,利用神经网络进行组合预测以作为其最终的预测值.结果表明组合模型的预测值相对误差更小,精度更高.     

耦合AF-SVR的短时交通流量预测模型

交通流量预测是城市智能交通系统的重要研究内容之一,是缓解城市拥堵、实现智能交通管理和建设智慧城市的前提,基于短时交通流量的复杂性及非线性等特点,提出耦合AF-SVR的短时交通流量预测模型.模型结合了鱼群算法较好的并行搜索性能和支持向量回归机较好的非线性拟合能力,利用该模型对短时交通流量数据进行仿真实验,结果表明:模型较BP神经网络预测模型具有较高的预测精度,是短时交通流预测的一种有效方法.     

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.     

基于熵值法的组合预测模型及其在高峰负荷预测中应用

组合预测可以综合利用各单一预测方法所提供的信息,是提高预测精度的有效途径.本文在指数平滑预测法及灰色预测方法的基础上建立组合预测模型,采用熵值法确定组合权系数,并对某电网高峰负荷进行了预测.实例表明,此模型具有很强的实用性和很高的预测精度.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

考虑模型相关性的组合预测过程中单项模型筛选研究

针对组合预测过程中单项模型筛选难以刻画模型之间相关性的问题,采用模糊测度和模糊积分来刻画模型的相关性,并对单项模型预测结果进行集成,进而提出一种考虑模型相关性的组合预测过程中单项模型筛选方法.采用2可加模糊测度来刻画不同模型之间的相关性,并利用Choquet积分依据模糊测度值,将单项模型的预测值集成起来,形成组合预测结果.在这个组合预测过程中,采用基于模糊测度定义的Shapley值和交互作用指标来对单项模型进行筛选.为了验证文章提出的考虑模型相关性的组合预测单项模型筛选方法的有效性,选择软件工程领域的软件成本估算问题进行算例分析,选择基于案例推理方法(CBR)、最小二乘回归(OLS)、支持向量回归机(SVR)、分类回归树(CART)、人工神经网络(ANN)等数据驱动模型作为软件成本组合预测过程中的单项模型.选择常用的Desharnias数据库来验证模型的有效性.实证结果表明文章提出的单项模型筛选方法是一种有效方法,经过筛选后的组合预测模型能有效提高软件成本估算的精度,此外,研究结果还表明组合估算过程中最重要的模型(Sharply值最大)并不是估算精度最高的模型,即单个模型的重要性与该模型的估算精度没有必然联系,说明传统的以单个模型估算精度为依据的组合预测模型存在着一定的缺陷.     

中国黄金期货市场波动特征及模型预测研究

选取上海期货交易所黄金期货价格指数日内10分钟高频收益数据,构造了经调整的已实现极差波动率估计序列,利用6类GARCH模型建模分析,描述了黄金期货价格指数的波动特征.运用多种损失函数比较了GARCH类模型样本外波动率预测精度的优劣,并在此基础上,采用一种渐进正态分布检验法评估了GARCH类模型的预测效果.结果显示,黄金期货已实现极差波动率估计序列具有尖峰厚尾、集聚性、持续性等特征.对于黄金期货市场,ACD-GARCH模型具有相对最好的波动率预测能力.     

遗传算法结合神经网络在油气产量预测中的应用

基于遗传算法的全局搜索能力和BP算法的局部精确搜索特性,通过采用遗传算法优化神经网络的方法,将遗传算法和BP算法有机结合,做到优势互补,在提高油气产量预测精度的研究中得到了很好的应用.在对国内某中小型气田油气产量的预测中,以历史产量资料进行检验,其结果表明,提出的预测方法,预测精度明显优于BP算法,证明了这种方法的有效性和可靠性.     

Grid-Search和PSO优化的SVM在Shibor回归预测中的应用研究

作为一种动态和非稳定时间序列,Shibor发展变化是随机波动的,难以准确预测Shibor的波动性.支持向量机(SVM)在回归预测非线性时间序列方面有很好地预测效果,SVM的预测精度和泛化能力的核心是参数的优化选择,分别用网格搜索法(Grid-Search)和粒子群(PSO)算法来优化SVM的参数c和g.从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析.实验表明,优化后的SVM回归预测方法比ARIMA时间序列方法更精确,在实际中具有很大的应用价值.     

基于集成学习策略的化工园区大气污染影响预测

建立科学、有效、准确的空气质量预测系统,对于保护人们的身体健康和促进社会的和谐稳定具有重要的科学价值和实际意义。研究聚焦化工园区,基于物联网背景下企业排放实时数据,融合气象信息,采用多种有监督式机器学习(决策树、多元线性回归、Lasso回归、支持向量机、Xgboost、梯度提升机、Light GBM、MLP(多层感知觉神经网络))及改进的集成学习Stacking策略实现化工园区空气质量的预测,并识别影响大气污染的关键因素。结果表明:(1)Stacking策略下的预测框架与单模型预测结果相比有统计学意义上的显著提升。(2)在Stacking策略中,初级、次级学习器的选择策略影响预测的精度和泛化性,最佳模式为初级采用强学习器,次级使用线性模型。(3)在同一园区、不同企业污染物不同排放口对空气质量影响不同,研究结论可为政府监管部门对化工园区的治理和管控提供决策支持。     

求解柔性作业车间调度的动态群智能优化算法

针对柔性作业车间调度问题,提出一种新型两阶段动态混合群智能优化算法.算法初始阶段采用动态邻域的协同粒子群进行粗搜索,第二阶段提出了基于混沌算子的蜂群进行细搜索,既增强了种群多样性,又提高了算法搜索精度,实现了全局搜索与局部搜索能力的有效平衡.针对柔性作业车间调度问题特点,采用独特的编码方式和位置更新策略来避免不合法解的产生.最后将此算法在不同规模的实例上进行了仿真测试,并与最近提出的其他几种具有代表性的算法进行了比较,验证了算法的有效性和优越性.     

基于灰色线性回归组合预测模型的牡丹江旅游人数预测研究

针对牡丹江旅游人数预测问题,考虑到旅游人数变化是受多种因素影响的信息不完全灰色系统,利用单一模型预测处理,效果往往并不理想.因此,本文通过建立灰色线性回归组合预测模型来研究这一问题.研究结果表明,所建立的组合预测模型的拟合效果优于所选单一模型,具有较好的预测精度及稳定性.并利用此组合预测模型对牡丹江2019年-2021年的旅游人数作了短期预测,可为牡丹江市未来旅游规划提供较科学的数据资料依据.     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显示,XGBoost时序模型比经典的时间序列预测模型ARIMA模型、BP神经网络模型、贝叶斯时序模型具有更高的预测精度.在此基础上,运用XGBoost时序模型对我国2019-2023年的GDP进行短期预测,研究结果显示,未来5年我国GDP依然保持持续稳定增长趋势.     

基于数据挖掘的手机用户换机行为预测研究

首先对用户数据进行特征分析,变量选择,然后又采集了大量与手机性能相关的数据来扩充数据集,最后利用现代数据挖掘手段对用户的换机行为进行预测,讨论并比较了各种方法对换机预测的准确性.通过对用户数据集进行测试实验,表明变量选择与补充能够有效地提高移动用户换机的预测结果,并且Xgboost方法在各种分析工具中的表现更为优越.     

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.     

非线性回归校正模型在突变负荷预测中的研究及应用

非线性回归模型是中长期负荷预测的一种有效的方法,对常规变化趋势的负荷有很好的拟合性,但对有转折点的突变趋势或增长处于饱和阶段的负荷进行预测误差较大.通过对历史数据的最优分段,提出了非线性回归校正模型,可以很好地解决这个问题.实例表明,此模型在中长期负荷预测中是适用的,尤其对于有转折点的突变趋势,具有很高的预测精度.     

基于新维无偏灰色马尔科夫模型的围栏草场面积的预测

草原上围栏草场建设已成为一种趋势,围栏草场面积的预测,可以为草原的评价、管理、规划、和决策提供重要的基础数据.灰色预测适合于数据量少的对象,而马尔科夫链适用于随机性强、波动性大的动态过程,通过有效结合这两种预测方法,采用新维无偏灰色马尔科夫模型,预测围栏草场的面积.用无偏灰色模型拟合围栏草场面积的发展变化趋势,用马尔科夫模型对拟合的数据分析预测,在每一步的预测中,利用新信息优先的原则,对原始数据进行等维处理,经过反复的预测,最后得到预测精度较高的结果.实例结果分析表明:此模型预测误差小,精度高,尤其适合中长期预测.     

基于人工智能的黄金价格非线性组合预测

黄金价格时间序列数据具有较强的非线性,在采用单模型对其预测时较多采用线性模型、非线性模型以及加入外生变量的非线性模型.但是,单一模型较难全面体现黄金数据的非线性特征,因此,预测效果不很理想.在利用线性方法进行模型组合时若被组合模型与原数据序列无线性关系,此时采用线性组合预测效果较差,甚至组合后的模型预测精度低于被组合的单模型精度.为充分发挥单一模型的优势,采用人工智能的方法建立非线性组合预测模型,模型可有效利用各模型特点,预测精度优于采用的各单一模型.     

分数阶反向累加非线性灰色Bernoulli模型及其应用

非线性灰色Bernoulli模型相对于普通的GM(1,1)模型,能更好的反映数据序列的非线性增长趋势.分数阶蕴含"in between"思想,分数阶累加灰色模型相对一般的累加灰色模型具有更好的预测效果和适应性.为了更好地符合新信息优先原理,实现最小信息的最大挖掘,构造了分数阶反向累加非线性灰色Bernoulli模型,即FAONGBM(1,1)模型,并给出了该模型的具体求解过程.在参数优化方面,本文通过粒子群优化(PSO)算法实现分数阶阶数和非线性指数的最优搜索.最后运用FAONGBM(1,1)模型对我国水力发电总量进行实证分析,结果证明所提出的模型具有良好的拟合精度和预测精度.     

在校大学生数量预测研究

高等教育规模的预测是重要的基础性工作,在校大学生数量是规模的首要因素,而决定大学生数量的要点是适龄人口和毛入学率.基于人口推算模型对未来10年的18-22岁适龄人口数进行计算,利用灰色系统模型对高等教育毛入学率进行预测,在此基础上,将毛入学率的定义式与适龄人口数推算法相结合,推导出用于计算在校大学生数量的毛入学率与适龄人口的乘积模型,计算结果表明,模型对我国2010-2020年的在校大学生数量规模具有良好的预测效果.