基于动态无偏灰色马尔科夫模型的煤炭需求量预测

煤炭消费系统是一个复杂的非线性系统,具有随机性、非线性、动态性等特点,科学地预测煤炭消费量及其结构对于优化配置能源有重要意义.传统的单一预测方法预测精度较低.在对陕西省煤炭消费历史数据分析的基础上,构建了煤炭消费总量的GM(1,1)模型、灰色GM(1,1)预测模型和动态无偏的马尔科夫结构预测模型.拟合结果表明,动态无偏灰色马尔科夫模型既能消除传统灰色GM(1,1)模型的固有偏差,又能提高预测精度,其平均相对误差为2.10%,分别低于传统灰色GM(1,1)模型和一般灰色马尔科夫模型的17.37%和6.37%,可用于煤炭需求的预测,在此基础上对陕西省2017-2025年煤炭消费进行了预测,为未来能源消费发展规划提供依据.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

短时交通流混沌预测模型的比较研究

短时交通流预测是实现交通流诱导的关键技术之一.针对目前短时交通混沌预测模型预测结果差异较大的问题,归纳了4种基于混沌理论的短时交通流预测模型:RBF神经网络模型、最大Lyapunov指数模型、局域线性模型和Volterra滤波器自适应预测模型,并对这4种预测模型进行了比较研究.应用4种预测模型对几个典型的非线性系统进行预测,验证了算法的准确性.然后用这4种预测模型对微观实测交通流的时间序列进行实证分析.仿真结果表明,4种预测模型对典型混沌时间序列具有很好的预测效果;而对实测交通流预测,其预测精度和稳定性较差,但可以满足实时交通流预测的需要.     

灰色预测GM(1,1)模型的改进及应用

应用自动寻优定权的方法和最小二乘法,研究了灰色系统理论中灰色预测GM(1,1)模型的预测公式的形成过程,发现灰色预测GM(1,1)模型在形成预测公式时对背景值和初始值的规定是不尽合理的,且现有的改进方法对灰色预测GM(1,1)模型的改进还不尽完善.为了提高灰色预测GM(1,1)模型的预测精度,提出并使用自动寻优定权对背景值进行选择,基于最小二乘法原理对灰色预测GM(1,1)模型的初始值进行改进.实例结果表明,提出的改进方法是有效和完善的,对灰色预测GM(1,1)模型的预测精度也有较大的提高.     

基于分数阶累加的灰色GM(1,1|sin)模型及其应用

本文研究了灰色模型对振荡序列的预测问题.在已有GM(1,1|sin)模型的基础上,利用分数阶算子对原始序列进行累加生成的方法,获得了分数阶累加GM(1,1|sin)模型的表达式;以平均相对误差最小化为目标,利用粒子群算法求解非线性优化问题,获得了模型的最优参数.最后以城市交通流的模拟预测为例,结果表明本文提出的模型比GM(1,1|sin)模型具有更高的模拟精度,推广了GM(1,1|sin)预测模型的结果.     

具有时滞和周期特征的短时交通流灰建模及其应用

针对短时交通流的延迟性、随机性和周期性特征,采用灰关联分析和分数阶累加生成方法建立了带时滞和周期特征的分数阶累加灰色新模型.针对短时交通流的延迟性,将短时交通流数据拆分成参考时间序列和对应的比较时间序列,进行关联度分析,得到计算时滞值的方法.针对短时交通流的随机性和周期性,利用分数阶累加生成方法,并引入tan(kp)为发展系数,sin(kp)为输入变量,建立了短时交通流的分数阶GM(1,1|tan(kp),sin(kp))模型,给出了模型参数的最小二乘估计和周期性参数与分数阶阶数的优化求解算法.最后将模型应用于长沙市芙蓉区某交叉路口的交通流建模及预测中,并与常规的五种模型进行了对比分析,结果表明,模型能较为准确地反映交通流的实际情况,且有较高的预测精度和较为稳定的结果.     

灰色GM(1,1)模型的改进模型在房地产价格指数预测中的应用

提出了一种结合非线性回归技术的灰色GM(1,1)模型的改进模型.利用我国的房地产价格指数预测作为研究对象,用以验证所提方法的有效性和准确性.根据实证结果,说明了新的改进模型有效提高了经典灰色模型的预测精度.     

大连水产品冷链物流需求影响因素分析及其预测

提出了一种基于GM(1,1)和BP神经网络的组合预测模型.首先对传统GM(1,1)模型的背景值进行改进,再利用改进的GM(1,1)模型和BP神经网络模型各自的优势分别预测冷链物流需求量的线性主体部分和非线性残差部分,然后将二者进行加和,并通过MATLAB对大连水产品冷链物流需求量进行仿真预测.结果表明,与单一的预测模型相比,该组合模型具有更高的预测精度,使预测结果更接近实际情况.     

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.     

基于新陈代谢GM(1,1)模型的中国煤炭消费量预测分析

运用灰色系统理论,以中国2002-2012年的中国煤炭消费量建立了GM(1,1)和新陈代谢GM(1,1)预测模型.使用相对误差和残差平方和对两个模型的精度进行检验,对比表明,新陈代谢模型精度高于常规的GM(1,1)模型.使用平均弱化缓冲算子来表示能源政策对煤炭消费量的冲击,应用处理后的新陈代谢GM(1,1)模型对2015-2017年的煤炭消费量进行了预测.     

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。     

FA-RBF复合神经网络模型及其在地下水位预测中的应用

地下水动态变化过程呈现出高度复杂的非线性特征,增加了地下水位预测的难度.为充分反映地下水位变化过程中自变量和因变量之间的非线性映射关系,克服在获取水文地质参数与查明水文地质条件方面的困难,避免部分智能方法实现繁琐复杂、计算效率低、限制条件多等不足,提出将因子分析方法与RBF神经网络算法构成复合模型,用于地下水位预测.结果表明,复合模型可以用于地下水位预测,模型计算结果可靠,网络训练时间缩短,计算精度有所提高;而且有成熟算法,实现简单.     

基于季节性RBF神经网络的月度市场需求预测研究

本文提出一种季节性神经网络预测模型,对具有季节性变化的产品月度市场需求进行预测.在Matlab语言环境下,用傅立叶周期分析法得到时间序列的周期长度;借鉴嵌入理论,提出了确定季节性神经网络输入维数的策略;利用计算机程序搜索,确定最优参数;通过合理插值,重构样本集.仿真实验表明,该模型的预测精度明显高于其他几个常用的季节预测模型.     

Short-term prediction of wind power using EMD and chaotic theory

Due to the strong non-linear, complexity and non-stationary characteristics of wind farm power, a hybrid prediction model with empirical mode decomposition (EMD), chaotic theory, and grey theory is constructed. The EMD is used to decompose the wind farm power into several intrinsic mode function (IMF) components and one residual component. The grey forecasting model is used to predict the residual component. For the IMF components, identify their characteristics, if it is chaotic time series use largest Lyapunov exponent prediction method to predict. If not, use grey forecasting model to predict. Prediction results of residual component and all IMF components are aggregated to produce the ultimate predicted result for wind farm power. The ultimate predicted result shows that the proposed method has good prediction accuracy, can be used for short-term prediction of wind farm power.     

BP网络和RBF网络在期货预测中的比较研究

通过仿真实例,对BP网络和RBF网络在期货预测应用上的表现性能进行了比较研究,仿真结果表明,BP网络更适合于期货市场价格预测.实际的期货预测应用中,此结论可指导神经网络模型的选择.     

Modelling public transport trips by radial basis function neural networks

Artificial neural networks (ANNs) are one of the recently explored advanced technologies, which show promise in the area of transportation engineering. The presented study used two different ANN algorithms, feed forward back-propagation (FFBP) and radial basis function (RBF), for the purpose of daily trip flow forecasting. The ANN predictions were quite close to the observations as reflected in the selected performance criteria. The selected stochastic model performance was quite poor compared with ANN results. It was seen that the RBF neural network did not provide negative forecasts in contrast to FFBP applications. Besides, the local minima problem faced by some FFBP algorithms was not encountered in RBF networks.     

基于FOA-RBF神经网络的外贸出口预测

应用果蝇优化算法对径向基神经网络扩展参数的优化方法进行研究,给出了一种以标准误差计算公式为味道判定函数,以此确定最优的径向基函数的扩展参数值的方法,并建立了相应的预测模型.应用该预测模型对黑龙江省外贸出口额进行预测,结果表明:预测模型的预测精度优于径向基神经网络,从而证明了方法的有效性.     

最优组合预测的短期气候预报建模研究

以预报量序列建立均生函数短期气候预报模型及根据500hPa月平均高度场预报因子分别建立的BP网络模型、回归预报模型为基础,用"误差绝对值和最小"作为最优准则,建立月平均降水量的短期气候组合预测模型.采用线性规划方法计算得到组合预测模型的各权系数,对这种短期气候组合预测模型的预报能力进行了分析研究,结果表明,该组合预测模型的预报精度优于各子方法,具有很好的应用价值.     

时间序列模型和神经网络模型在股票预测中的分析

利用MATLAB软件编程建立AR模型、RBF和GRNN神经网络模型,滚动预测上证指数开盘价、最高价、最低价和收盘价与实际价格对比,分析误差.结果表明,3种模型用于股票预测均是可行的,误差很小.AR模型不稳定,对个别预测较准;RBF和GRNN网络训练速度都很快,但GRNN比RBF预测效果好.