加权几何平均变权组合预测方法及其应用

加权几何平均组合预测模型是一种常用的非线性组合预测方法.为了提高加权几何平均组合预测模型的预测和拟合精度,给出了一类加权几何平均变权重组合预测方法.最后将该变权组合预测模型应用于我国天然气产量的预测.计算结果表明加权几何平均变权重组合预测模型在时间序列数据的预测中具有一定的优势.     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.     

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BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

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IOWA算子的两类准则下的最优组合预测模型及其应用

传统的组合预测方法中,各单项预测模型的加权系数一般是固定不变的。而事实上,任何一种预测模型的预测精度都会随着预测时点的不同而发生改变。因此变权组合预测模型的研究更有意义和价值。本文在预测有效度和IOWA算子等概念的基础上,建立了以预测有效度和误差平方和为准则的组合预测模型,并给出了模型在实际预测中的应用,结果表明了新模型是一种优性组合预测。     

模糊环境下的组合预测模型及其在电力负荷中的应用

传统的组合预测中,各单项预测方法的权重系数均为固定实数,并且预测信息往往是实数或区间数,而实际系统的不确定性又表现为模糊性的特征。针对权重系数和预测信息均为三角模糊数的情形,提出三角模糊数的相对重合度和重心距离测度的概念,构造新的精确度指数,并将其作为模糊优化组合预测模型的准则。考虑到各单项预测方法在不同时刻的预测精度有所不同,引入诱导有序三角模糊加权平均(IOTFWA)算子,构建基于IOTFWA算子的单目标模糊优化组合预测模型。最后,对电力负荷预测的实例说明该模糊组合预测方法的有效性,并对参数做了灵敏度分析。     

神经网络优选组合预测模型在电力负荷预测中的应用

针对以往的组合预测模型中，最优权重不能保证非负性的问题，引入了神经网络优选组合预测模型。实例验证表明，此模型具有很强的自适应性和较高的预测精度。     

基于多元Hamacher-ANFIS的股票价格预测

应用减法-模糊聚类算法、多元Hamacher算子以及自适应神经模糊推理系统(ANFIS)提出了一种中国股票市场价格建模及预测的多元Hamacher-ANFIS模型.首先多元Hamacher算子与ANFIS相结合,对ANFIS种各规则的隶属度测度机制和规则参数更新机制进行了修正,建立基于减法-模糊聚类的多元HamacherANIFS模型;再从沪深两市各选取了总市值最大的5支股票,计算出它们在同一时间段的历史波动率,并以此为依据得到模型对该股票预测性能的权重;最后运用减法-模糊聚类算法初始化模型参数,对每个数据组进行5重交叉检验,并根据之前得到的权重计算出模型关于检验集的综合R2值.实验结果证明,与现有方法相比,该模型增强了对复杂目标函数的学习能力,提高了对股票价格的预测精度.     

最佳灰色回归组合模型及其在中国火灾预测中的应用

火灾每年给国家和人民生命财产造成巨大损失.火灾现象具有随机性、模糊性,是个复杂的灰色系统行为.研究火灾发生规律及发展趋势,具有实用价值.为此,首先给出最小二乘估计(LSE)意义下的最佳组合预测模型的定义,并求得组合模型的权的公式和证明权的唯一性.其次,用回归分析方法建立多个回归模型,并按以下三条标准:①回归指数(或相关系数)r大、②系统误差s小、③模型精度p高,选定最佳非线性回归模型;用灰色理论建立多个灰色模型,并按以下三条标准:①后验差比值c小、②小误差概率P大、③预测关联度ξ大,选定最佳灰色模型;再用最小二乘法将最佳回归模型与最佳灰色模型有机地结合起来建立的中国火灾最佳灰色回归组合预测模型.最佳灰色回归组合预测模型综合利用前两者提供的不同的有用信息,改善了单一模型的局限性,提高了模型的预测精度,减少了预测误差,使预测效果更佳.组合模型预测中国年火灾起数处于动态增长过程.     

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.     

Optimized prediction model for concrete dam displacement based on signal residual amendment

The traditional statistical model of concrete dam's displacement monitoring is used widely in hydraulic engineering. However, the forecasting precision of the conventional calculation model is poor due to the antiquated method of information mining and weak generalization capacity. Furthermore, the uncertain chaos effect implied in residual sequence is also intractable for modeling. In consideration of the nonlinearity, time variation, and unsteadiness of the chaotic characteristics of a dam time series, multiscale wavelet technology is used to decompose and reconstruct the residuals of multiple regression models. The fitting prediction of the low-frequency autocorrelation part is completed through the linear training ability of the autoregressive integrated moving average (ARIMA) model, and the support vector machine (SVM) regression model is constructed to optimize and process the nonlinear high-frequency signal. Then, a combined forecasting model for concrete dam's displacement based on signal residual amendment is established. The analysis of an engineering example indicates that the combined model built in this study can identify the time–frequency nonlinear characteristics of the prototype monitoring signal well, thus improving its fitting precision, antinoise ability, and robustness. In addition, the combined mathematical model established in this study is improved and developed for application to the prediction analysis of the effect quantities of other hydraulic structures.     

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题，目前已提出了多种模型对其进行预测。在此基础上，根据神经网络的非线性和良好的函数逼近特性，提出用基于BP神经网络的非线性组合预测（NN-NLCF）模型来预测海洋冰情灾害。结果表明，NN—NLCF模型与海洋冰情的非线性特性相契合，它综合利用了参与组合的多种预测模型的有效信息，因而能更客观地反映海洋冰情的发展趋势，预测结果更为稳健、精度更高，在其它自然灾害时序预测中具有一定的推广应用价值。     

多目标预测模型在黑龙江垦区大豆产量预测中的应用

在预测模型的均值和稳定性基础上,建立了多目标组合优化模型,并以黑龙江九三地区35年的大豆产量数据为例,利用该地区大豆单产的Logistic模型和大豆产量与气象因子的逐步回归模型建立了多目标组合优化模型,并计算出最优解.结果表明,该组合模型没有最优点,而有非劣解.该方法对提高模型的精度,指导大豆生产具有重要意义.     

基于GM-ES-GASVR组合模型的丽江国内旅游需求预测

构建适合于预测丽江国内旅游需求的预测模型,对推动丽江旅游业的发展具有重要意义.研究发现灰色GM(1,1)模型、三次指数平滑模型与GA-SVR模型都适用于预测丽江国内旅游需求,且GA-SVR模型为这三个单项模型中的最优模型.在此基础上,利用变权方法建立GM-ES-GASVR组合预测模型.通过对拟合与测试结果的对比分析,表明GM-ES-GASVR变权组合预测模型比单一模型的拟合与测试效果都有较大改善.     

岩土工程位移时间序列的组合预测研究

将组合预测方法用于岩土工程位移时间序列预测.结合实际观测数据,分别建立位移时间序列预测的GM(1,1)模型、Verhulst模型和趋势曲线模型.采用极小误差法确定各单一模型的权重,建立组合预测模型.应用表明,组合预测的精度高,为岩土工程位移预测提供了一种实用、可靠的方法.     

Hybrid evolutionary algorithms in a SVR traffic flow forecasting model

Accurate urban traffic flow forecasting is critical to intelligent transportation system developments and implementations, thus, it has been one of the most important issues in the research on road traffic congestion. Due to complex nonlinear data pattern of the urban traffic flow, there are many kinds of traffic flow forecasting techniques in literature, thus, it is difficult to make a general conclusion which forecasting technique is superior to others. Recently, the support vector regression model (SVR) has been widely used to solve nonlinear regression and time series problems. This investigation presents a SVR traffic flow forecasting model which employs the hybrid genetic algorithm-simulated annealing algorithm (GA-SA) to determine its suitable parameter combination. Additionally, a numerical example of traffic flow data from northern Taiwan is used to elucidate the forecasting performance of the proposed SVRGA-SA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal autoregressive integrated moving average (SARIMA), back-propagation neural network (BPNN), Holt-Winters (HW) and seasonal Holt-Winters (SHW) models. Therefore, the SVRGA-SA model is a promising alternative for forecasting traffic flow.     

基于小波神经网络的中国能源需求预测模型

通过分析影响我国能源需求的主要因素,建立了基于小波神经网络的需求预测模型.采用定性与定量相结合的方式,分析了影响我国能源需求的主要因素,通过将人口总数、GDP、产业结构变化以及能源消费量的一阶滞后作为输入变量,建立基于小波神经网络的我国能源需求非线性预测模型.实验结果表明,该非线性预测模型与多元回归模型相比更加合理,具有更高的预测精度.