GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

基于改进灰色马尔科夫模型成品油消费预测

近年来中国经济放缓,成品油的消费一定程度上受到了抑制,2016年,我国汽柴油表观消费量首次较前年下降.成品油消费税率提高,导致部分成品油生产资本向新能源项目转移.根据GM(1,1)模型和马尔科夫模型时间序列预测的长短期互补,首先用GM(1,1)模型对成品油消费量进行预测,随后利用马尔科夫模型对GM(1,1)预测误差项的状态及状态概率进行预估,采用预测状态与其概率的乘积对GM(1,1)预测值进行修正.结果表明,改进后的灰色马尔科夫模型误差小,精度高,适于中长期预测.除此之外,组合模型还可以通过增加误差状态划分的个数,以提高模型预测的精度.     

基于BP神经网络及灰色GM(1,1)模型的服装供应链第三方库存预测应用研究

在由服装制造企业及品牌代理商组成的服装供应链中,第三方物流企业可以通过预测模型优化服装物流资源,提升服装供应链末端运营效率.首先提出了服装供应链管理企业库存运营模式.其次,以第三方服装供应链管理企业实际库存数据为基础,依据服装行业变化快、季节性强、多批次、小批量的特性,针对服装产品因季节性产生的爆仓问题,建立基于BP神经网络的第三方物流企业库存改进预测模型.第三,将预测结果误差较大的部分运用灰色GM(1,1)模型进行补充研究,通过预测结果与实际数据的对比,验证针对服装供应链末端预测库存的有效模型.改进预测模型可以辅助第三方服装类物流企业进行科学决策,为提升供应链末端效率及物流管理整体水平提供新思路.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

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.     

基于灰色模型的广西海洋经济增加值预测研究

灰色预测模型具有对数据要求不高,却对中短期预测精度较高、效果较好的特点,其应用范围十分广泛.根据2010-2014年广西海洋经济相关数据,建立广西海洋经济增加值的灰色模型并进行检验,证明了模型可用,并对广西海洋经济增加值进行了预测.通过对比预测值与初始值数据,发现海洋科研教育管理服务业增加值与广西海洋生产增加值增长并不相匹配,增加值增加速度慢于广西海洋生产增加值,说明了广西在吸引海洋经济人才、资金、技术等时,对相应的海洋科研教育管理服务业的重视不够;同时,海洋矿业、海洋盐业、海洋船舶工业、海洋生物医药、海洋电力业、海水利用业比重占主要海洋产业增加值比重非常小,无论是绝对数量,还是相对比例,都与广西海洋经济快速发展态势不相匹配,最后给出了结论与建议.     

基于动态数据驱动的改进灰色马尔科夫模型黄金价格预测

将黄金数据的尖峰厚尾、异方差性及杠杆效应等统计特征与马尔科夫概率转移矩阵所具有的动态变化规律结合,提出一种改进的灰色马尔科夫模型.模型首先对数据进行统计分析,建立相应的概率统计模型并用此模型对系统发展变化趋势进行拟合.在拟合序列的基础上利用马尔科夫链的动态转移变化建立状态转移概率矩阵,采用动态数据驱动原理对未来每一步数据进行动态预测.模型既是统计方法与数据动态驱动的结合,克服了传统的灰色马尔科夫模型中对数据内在统计规律的忽视,实证表明其预测精度较灰色马尔科夫模型预测高,具有较好的实用性.     

基于GM(1,1)残差模型的科技园区财政收入预测

根据科技园区财政收入预测的需要,在对历史数据分析的基础上,利用灰色预测理论建立了丰台科技园区财政收入预测的GM(1,1)模型,为了提高预测精度,用GM(1,1)残差模型对其修正,得出预测公式.通过预测结果的对比分析和模型的后验差检验,证明预测模型精度较高.模型的应用为科技园区财政收入预测提供了一种科学方法,同时也为园区管理决策提供了依据.     

基于灰色模型的广东高技能物流人才供需预测研究

以广东省为个案,分析传统物流产业转型升级背景下高技能物流人才供需现状.根据2008-2014年广东高技能物流人才供需数据,建立广东高技能物流人才供需量的灰色模型并进行检验,证明模型可用,并对广东高技能物流人才供需量进行预测.研究结果表明:高技能物流人才供给量远远低于市场需求量,供需严重不均衡,人才缺口相差悬殊.这说明广东传统物流产业转型升级导致的结构性人才短缺问题十分突出,同时也反映高校和企业在高技能物流人才培养方面滞后,最后提出相应的对策.     

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.     

基于小波神经网络的海上突发事件应急资源动态需求预测

近年来海洋综合开发势头迅猛,海上船舶运输业的发展迅速,然而在创造可观的经济效益和社会效益的同时,海上险情事故频发,应急资源需求复杂多变。本文尝试将小波理论应用于海上应急管理领域,运用小波神经网络模型预测未来周期内的海域险情事故数。在海域险情事故预测的基础上,结合应急资源种类、海域的风险程度等影响因素,引入平均风险月度系数,构建了海上突发事件应急资源动态需求概念模型,间接预测应急资源需求,并提出部分可替代应急资源需求的预测思路。并以山东海事辖区为例,验证了该方法的有效性和可行性。     

基于不确定需求的灾后应急救灾网络规划模型与算法

突发事件发生后,快速应急响应的第一步是启动应急救灾网络,合理配置应急救灾资源,以保证救灾过程顺利进行,提高救援效率。本文以台风灾害为背景,建立二阶段应急救灾网络的混合整数规划模型,解决台风灾害的灾后应急救灾网络的规划与设计问题。在求解模型时,考虑需求信息的分布难以确定,并且在一定范围内变动的特点,利用鲁棒优化的方法处理不确定性需求,从而得到合理的临时救灾中心选址以及应急资源配置信息。数值试验表明,建立的模型是实际可行的,而且算法也是有效的。     

基于人工神经网络和随机游走模型的汇率预测

由于金融数据具有随机性特征,使得建模和预测变得极其困难.提出一种组合预测方法,即假定任何金融时序数据由线性和非线性两部分组成,将其中线性部分的数据通过随机游走(RW)模型进行模拟,剩余的非线性残差部分由前馈神经网络(FANN)和诶尔曼神经网络(EANN)协同处理.从实证结果可知,该组合方法相比单独使用RW、FANN或EANN模型有更高的预测精度.     

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.     

产品需求预测的演化神经网络算法MLPES

在需求拉动型的供应链中，需求成为供应链的起点和动力源泉。由于制造商在供应链中的特殊地位，制造商成为供应链由需求驱动变为预测驱动的断耦点，以制造商为核心进行准确的需求预测可以在一定程度上减少需求不确定性的影响。本文在多层感知器的框架上，提出了基于演化策略的神经网络预测方法MLPES，改进了在多层感知器中普遍采用的BP算法，并设计了学习算法的流程，通过反复测试确定了模型的参数，最后对预测结果进行了分析。     

基于组合模型的我国能源需求预测

在信息不完备条件下如何有效预测能源消费总量以把握宏观经济发展趋势,是制定能源规划的基础内容.伴随我国成为全球经济增长重要引擎,能源消费量越来越大,能源安全问题也备受关注.选用灰色系统模型、三次指数平滑模型和BP神经网络模型三种预测模型,应用Shapley值权重分配法确定各预测模型的权重,从而构建组合预测模型并对我国能源消费进行组合预测.在保持过去发展规律基本不变的条件下,2014年能源需求总量为383,718.16万吨标准煤,到2020年将达462,089.33万吨标准煤.2013-2020年能源需求总量年均增长率为3.38%.     

基于ARIMA模型的我国稀土需求统计及预测分析

以我国1978-2012年稀土需求量数据为样本,运用ARIMA模型对我国"十二五"末稀土需求量进行预测分析.预测结果表明2013-2015年我国稀土需求量总体上将持续增长,到2015年我国稀土需求总量将达到8.27万吨(REO),与2012年相比,年复合增长率为8.48%.预测具有较高的拟合精度,拟合值与观测值具有较好的一致性.通过对我国稀土需求量进行预测以期为政府制定相关行业政策提供决策依据.     

基于神经网络技术的水质预测

随着地表饮用水源的藻类高发程度的加重和藻毒素的对健康的危害性逐渐被认识,供水企业需建立水源水质预警系统以确保供水水质和实现水厂经济运行,而水源水质预测是预警系统的基础.收集天津引滦源水1744天的水质检测资料,通过相关及指标聚类两种方法分析,确定建立预测2天后源水水质-叶绿素-a的神经网络模型的输入变量选择方案共26个,每个方案经10次试验,比选出模型最优输入变量和模型结构.为建立具有代表性的模型,使用前1209天数据训练模型,训练后的模型对剩余数据的仿真输出值与实际值间相关系数达0.88,其预测准确率为85%,满足水厂运行要求.     

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.     

基于果蝇算法优化灰色神经网络的冰箱订单需求预测研究

冰箱订单需求具有一些不确定因素,传统的数据模型不能准确描述订单变化规律.预测精度比较低.为了进一步更加准确地预测出冰箱订单需求量,采用了将果蝇算法和灰色理论相结合.构建了一种果蝇优化灰色神经网络的冰箱订单需求预测方法.利用灰色系统理论处理订单产生中的随机性,由果蝇算法对灰色神经网络的参数进行优化,实现对冰箱订单的准确预测.通过两组实验,果蝇算法优化灰色神经网络和灰色神经网络,两者相比较,果蝇算法优化灰色神经网络提高了订单需求的预测精度,为冰箱订单需求的预测提供了依据.