基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

基于改进的GM(1,1)-BP组合模型的人口预测研究

准确地预测人口总量发展趋势,对我国社会稳定发展具有重要意义.通过分析GM(1,1)模型背景值的构造理论,利用Newton插值公式和线性分段函数优化GM(1,1)模型的背景值,得到新的GM(1,1)模型,并结合BP神经网络模型,再利用遗传算法优化GM(1,1)-BP组合模型的权重系数,并将组合模型应用到新疆人口预测中.最后,分别应用不同的模型,以及改进的GM(1,1)-BP组合模型进行计算和平均相对误差对比,结果表明,改进的GM(1,1)-BP组合模型有效地提高了预测精度.     

四层参数自调整BP神经网络模型及其在人口死亡率预测中的应用

为有效提高神经网络的学习效率并降低其陷入局部极小值的概率,文章构建了四层参数自调整BP神经网络模型,该模型具有四层特殊的网络结构,采用附加动量法与自适应法调整参数.数值试验表明,与常规的BP神经网络相比,该方法的学习收敛速度与预测精度均有较大改进.鉴于人口死亡率的复杂变化趋势,使用单个模型无法准确预测,文章同时建立了GM(1,1)模型与ARMA(2,2)模型,结合三种模型的优势,应用模型平均方法预测了中国人口的死亡率.结果显示,2018-2020年中国人口的死亡率分别为7.1042‰,7.1040‰。和7.1045‰.     

择优RBF神经网络下切削率的优化

本文通过择优RBF(径向基函数,Radial Basis Function)神经网络对影响切削加工过程的切削参数进行建模,对切除率进行拟合预测;提出松弛误差作为衡量网络精度的指标,使RBF选择最优的分布密度,从而有效提高RBF神经网络的拟合预测能力;并将择优RBF的拟合和预测结果与BP的相应结果进行了比较,结果显示择优RBF神经网络的拟合和预测精度大大优于BP神经网络.     

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GAAA-RBF神经网络的工程估价方法

利用遗传-蚁群混合算法(GAAA),对RBF神经网络的主要结构参数中心矢量、基宽向量和网络权重进行组合优化,建立了GAAA-RBF神经网络组合算法的工程估价模型.将55个工程造价案例,随机抽取10个作为预测样本,剩下的45个作为训练样本.通过与相同结构的RBF神经网络相比较,结果表明算法克服了RBF神经网络易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了工程造价的预测精度.     

基于灰色马尔可夫链模型的人口预测

将灰色预测模型和马尔可夫链预测相结合,将其应用到人口预测中,并依据南京市历年总人口数据进行计算,可以比较准确地预测2008年的户籍人口数,验证了其有效性;同时由模型可以预测2010年,2011年南京户籍人口数以做参考用,灰色马尔可夫链可视为人口预测的可行且有效的方法。     

基于人口因素的黑龙江省农村养老金需求总量预测

随着老年人口数量和比例的不断增长,农村养老难问题日益突出.资金是养老问题的核心.通过对养老资金的预测,可以为政策的制定提供数据参考与决策依据.以黑龙江省为例,在对现行农村养老金制度进行分析的基础上,从人口因素角度对农村养老金需求总量进行预测.建立人口增量模型,依据人口统计数据,引入年龄、性别影响参数,得出人口预测结果.进行养老金需求总量预测,分析并确定了人均养老金标准,进而通过人口预测数据求得养老金需求总量数据.     

改进的灰色增量模型及其在哈市人口预测中的应用

人口预测是土地利用总体规划修编需要解决的重要问题.根据1991-2011年哈尔滨市人口发展的最新统计资料,建立了带有弱化算子的灰色增量模型,对2012-2030年哈市人口发展趋势进行预测研究,预测2030年哈市人口达到1111.81万人,且总人口增长率呈逐年下降的趋势.此外,通过与普通灰色增量模型进行了对比,反映了带有弱化算子的灰色增量模型预测更精确,更有益于区域土地利用总体规划的制定.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

基于蚁群算法的灰色组合预测模型

分别利用灰色GM(1,1)模型、GM(1,1)优化模型和新息GM(1,1)模型建立三个单项预测模型,进一步建立了组合灰色预测模型,组合模型的权系数利用蚁群算法确定.最后给出了一个我国人口数量组合预测模型,计算结果表明,基于蚁群算法的灰色组合预测模型的拟合和预测精度要优于传统组合预测模型.     

基于灰色马尔科夫模型的平顶山市空气污染物浓度预测

选用平顶山市2005—2009年各空气污染物浓度作为原始数据序列,建立灰色马尔科夫预测模型,对未来10年的污染因子浓度进行预测.模型检验结果表明:均方差比值和小误差概率均为一级;运用灰色关联分析法计算各污染物原始数据序列与预测数据序列之间的关联度,定量描述灰色马尔科夫预测模型对于空气质量预测的精确度,平均精度达到99.9%,表明灰色马尔科夫预测模型对于空气质量预测有很高的实用性.     

基于GM(1,1)模型群的深圳市大气污染物灰色预测

通过灰色系统GM(1,1)模型群,对深圳市未来两年的主要大气污染物浓度进行了预测分析.通过预测得到,在未来两年内,深圳市的SO2浓度基本已经达到国家环境空气质量一级标准,NO_2、PM_(10)浓度已达到国家二级标准,深圳市空气质量将持续好转.结果表明,GM(1,1)模型群具有一定的实用价值.     

基于灰色马尔可夫预测模型的农村人均收入预测

以武汉市农村人均收入为样本,将灰色预测模型和马尔可夫链预测模型相结合,通过对比预测的数据信息与实际数据信息差距,对2011年和2012年武汉市农村人均收入进行了预测计算.根据相关模拟检验与残差修正,灰色马尔可夫链可视为农村人均收入预测的可行且有效的方法.结果显示,单纯地运用灰色模型,预测值与实际值的误差均值是0.687%;通过马尔可夫链模型的二次模拟得到的误差明显减小.     

基于改进灰色GM(1,1)马尔柯夫模型的煤矿事故百万吨死亡率预测

煤矿安全事故预防和控制是煤矿安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.结合灰色预测GM(1,1)模型和马尔可夫链理论的优点,提出了一种改进的灰色马尔可夫GM(1,1)模型.利用改进的GM(1,1)模型进一步拟合煤矿人因失误事故的发展变化趋势,并以此为基础进行马尔柯夫预测,提高预测效果.以2000-2010年全国煤矿事故百万吨死亡率为例进行了预测分析,结果表明模型既能揭示煤矿人因失误事故百万吨死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性,并对煤矿人因失误安全事故的预测和控制有一定的实际意义.     

颜色读数与物质浓度关系的数学建模

比色法作为一种检测物质浓度的常用方法,是通过待测物质溶液颜色读数来推测所含物质浓度,根据所提供的物质浓度与不同色卡颜色读数的试验数据,对物质浓度和颜色读数进行相关性分析,拟合颜色读数与物质浓度的指数模型和建立灰色预测模型,对这两种模型的拟合值与原始值的误差进行比较分析,给出了颜色读数与物质浓度关系的优化模型.     

奥运会男子现代五项前三名成绩的灰色马尔可夫链预测模型的研究

研究了奥运会男子现代五项前三名成绩的预测模型.将灰色GM(1,1)模型和马尔可夫模型结合,构建了灰色马尔可夫预测模型.对奥运会男子现代五项前三名成绩趋势进行了预测,给出了第30届奥运会男子现代五项前三名成绩的预测结果,并大大提高了预测精度.     

基于灰色关联分析的支持向量机的铁路货运量预测研究

采用基于灰色关联分析的支持向量机对铁路货运量进行预测.首先利用灰色关联分析法对影响铁路货运量的因素进行分析处理,然后利用基于高斯核函数的支持向量回归机建立了铁路货运量预测模型.通过分析预测结果可以发现,经过灰色关联分析后的支持向量机模型对复杂的铁路货运量数据有较好地处理能力,且预测相对误差较小.特别地,由于支持向量机的适应性,该模型具有较高的泛化能力,对影响因素较为复杂,样本数量小的预测问题可以提供一定参考.