神经网络汛期降水短期气候预测模型

用1960-2005年每年5-9月安徽宣城7县(市)平均降水量作为预报对象,在对应降水前期逐月74项大气环流特征量资料、500hPa月平均高度场和月平均海温场资料中选取因子.采用主分量分析方法构造网络学习矩阵,降低矩阵维数,提高网络预测模型泛化性能.建立的神经网络汛期降水短期气候预测模型对历年样本拟合精度高,试报效果较好,可在气候预测业务中使用.     

组合预测模型在农产品价格短期预测中的应用——以苹果为例的实证分析

以我国苹果批发市场价格为研究对象,利用2006年7月7日至2012年3月30日期间的300个周数据作为分析样本,通过对时间序列的平稳性、趋势性、季节性、异方差等数据特征进行统计检验,筛选出双指数平滑模型、Holt-Winters乘法模型、ARIMA(1,1,4)模型为我国苹果市场价格短期预测的适用模型,以此为基础,以误差平方和最小为最优准则建立了组合预测模型.经对未来3期的苹果市场价格开展预测,结果表明,组合预测的精度要高于单项时间序列模型,组合预测方法完全适用于农产品市场价格的短期预测.     

基于变权重组合预测模型的软土路基沉降预测研究

为建立更加符合软土路基沉降的预测模型与方法,以某公路工程实测沉降数据为研究对象,对软土路基沉降规律进行分析基础上,分别建立Logistic模型,双曲线模型,Gompertz模型,乘幂模型和对数模型5种预测模型.将5种单项模型预测值与实测值进行对比分析,得到3种优势模型.以组合预测模型理论为依据,赋予3种优势模型不同权重系数建立变权重组合预测模型.结果表明,模型预测值与实测值拟合程度更好,预测精度和可靠性都显著高于单项预测模型,具有明显的优越性.模型能准确地预测长期沉降,更适合于作为公路软土路基沉降预测模型.     

基于指数支撑度的最优组合预测模型及其性质研究

在支撑度定义的基础上,提出平均指数支撑度、平均离散度等概念,构建了平均指数支撑度最优组合预测模型,并考虑其等价的平均离散度最优组合预测模型.针对该模型,提出优性组合预测等概念,给出了非劣性组合预测和优性组合预测存在的充分条件、冗余预测方法的存在性和冗余信息的判定等结果,最后的实例说明了该模型的有效性.     

不同优化准则统计组合预测权系数优化

不同的优化准则下,组合预测模型的权系数一般不同.为了兼顾不同准则的优点,根据均方误差,平均绝对误差以及平均绝对相对误差准则分别确定了组合预测模型的权系数向量,再利用这些权系数和层次分析方法构造新的组合预测模型的权系数.最后,通过几个应用实例,说明了这种建立组合预测模型方法的可行性和有效性.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

正权重组合预测模型及其在经济中的应用

介绍了组合预测的方法,并利用最优组合和递归方差倒数方法对组合预测方法进行改进;提出通过GMDH方法首先对影响经济预测模型的各变量进行筛选然后再建立回归模型、神经网络模型等单项预测模型的思想;最后结合GMDH方法建立的时间序列模型,建立正权重组合预测模型．     

基于逆模糊数的模糊时间序列预测的新方法

Song和Chisson于1993年提出模糊时间序列预测理论.虽然至今已经提出许多模糊时间序列预测模型,但是迄今为止尚未给出预测未知年数据的模糊时间序列预测模型.提出基于逆模糊数的模糊时间序列预测的新方法该模型对广西大学已知的2001~2012年的注册数进行预测分析,平均预报误差率比相关文献的方法有所改善.还对广西大学未知的2013年和2014年注册数进行预测研究.方法是短期预测的一种模糊时间序列预测方法.     

基于变权GM(1,1)组合模型的喀什GDP预测

利用离散GM(1,1)模型,新息GM(1,1)模型以及复合函数预测模型建立了一类变权重组合预测模型.并将该组合预测模型应用于喀什地区GDP预测,建立了喀什地区GDP的变权重GM(1,1)组合预测模型.计算结果表明变权GM(1,1)组合预测模型在时间序列数据的预测中具有一定的优势.     

基于标准差法组合预测模型的区域快递需求量预测研究——以大连市为例

快递需求量的准确预测是区域快递行业合理布局的重要依据.在明确区域快递需求量衡量指标的前提下,针对其预测方法单一、适用范围局限等问题,提出构建基于灰色GM(1,1)预测模型、一元线性回归分析预测模型和趋势平均法预测模型的标准差法组合预测模型.以大连市为例,选取大连市快递量作为预测指标,预测结果表明,标准差法组合预测模型的预测结果最为准确,其平均相对误差为3.04%.所建立的模型为区域快递需求量预测工作提供参考.     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

交通流灰色RBF网络非线性组合预测方法

针对智能交通系统的开发,提出一种基于灰色GM(1,1)模型和RBF网络非线性组合的短时交通流预测方法.该方法采用三层结构的RBF网络将两种单一预测方法(灰色GM(1,1)模型和RBF网络)进行了非线性组合.利用实测数据对组合方法进行了仿真实验,结果表明:非线性组合模型的预测准确性高于单独的RBF网络预测的准确性;组合模型发挥了两种单一方法各自的优势,是短时交通流预测的有效方法.     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

A comparison of univariate methods for forecasting container throughput volumes

In this paper, six univariate forecasting models for the container throughput volumes in Taiwan’s three major ports are presented. The six univariate models include the classical decomposition model, the trigonometric regression model, the regression model with seasonal dummy variables, the grey model, the hybrid grey model, and the SARIMA model. The purpose of this paper is to search for a model that can provide the most accurate prediction of container throughput. By applying monthly data to these models and comparing the prediction results based on mean absolute error, mean absolute percent error and root mean squared error, we find that in general the classical decomposition model appears to be the best model for forecasting container throughput with seasonal variations. The result of this study may be helpful for predicting the short-term variation in demand for the container throughput of other international ports.     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于关联面积的变权组合预测方法及其应用

变权组合预测方法是一种应用非常广泛的组合预测方法,它能够有效提高组合预测方法的预测和拟合精度.为了提高拟合精度,利用各个单项预测方法与原始数据序列在两个相邻时刻的关联面积以及关联度,给出了一种确定变权组合预测模型变权重系数的方法.最后利用该变权重的组合预测模型建立了新疆建设兵团城镇化发展水平的变权组合预测模型,结果表明这类变权组合预测方法具有较高的预测和拟合精度.     

基于改进C-C方法相空间重构和LS-SVM的隧道拱顶沉降预测模型

在地铁工程的设计、施工、工后沉降控制过程中,拱顶下沉监测值是反映地下工程结构安全和稳定的重要数据.针对常用的地铁拱顶沉降测模型只能做短期预测,精度不高,且需要一些土的本构参数的问题,将相空间重构、最小二乘支持向量机理论相耦合,建立基于改进C-C方法相空间重构和最小二乘支持向量机的地铁隧洞拱顶沉降混沌时间序列预测模型.经实例演算,模型比传统C-C方法相空间重构、基于最大Lyapunov指数的混沌预测模型、人工神经网络模型拟合效果好,预测精度高.     

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.     

多层感知器信用评模型及预警研究

本文利用多层感知器 ( MLP)原理建立神经网络信用评价模型 ,用来对我国 2 0 0 0年 1 0 6家上市公司进行信用评级 ,并进一步对我国 2 0 0 1年公布的 1 3家预亏公司进行预警研究 .按照各上市公司的经营状况分为“好”、“差”两类 ,每一类由 5 3家上市公司构成数据样本 .对于每一家上市公司 ,主要考虑其经营状况的四个财务指标 :每股收益 ,每股净资产 ,净资产收益率和每股现金流量 .仿真结果表明 ,本文所建立的神经网络信用评价模型有很高的分类准确率 ,达到 98.1 1 % .又由于该信用评价模型有很强的适应能力 ,故可以进一步用来对企业的财务危机进行预警研究 .预警实证分析表明 ,该信用评价模型对我国 2 0 0 1年公布的 1 3家预亏公司进行预警分析 ,预警准确率达到 1 0 0 % .此外 ,文中还给出 MLP网络模型的学习算法和步骤     

一种新的非线性模糊自适应变权重组合预测模型

对于复杂工业系统非线性时间序列预测精度不高问题,引入了多种预测方法的预测相对误差、预测对象的变化趋势、灰色基本权重和自适应调节系数等概念,建立了模糊自适应变权重非线性组合预测模型。结果表明,此模糊自适应变权重非线性组合预测模型的精度较高,并且平均误差和预测平方根误差均较小。该组合预测模型为复杂非线性工业系统所需决策提供了有力支持。