一种基于随机森林的备件预测模型研究

对舰船零部件发生故障问题进行故障诊断,并对故障诊断结果进行分析,建立舰船零部件备件需求模型,给出零部件之间的发生故障概率的关系与备件需求特征;将随机森林回归原理应用到了舰船零部件的备件需求预测领域,构建了基于随机森林的预测模型,以及预测结果准确率的评价。用诊断结果数据对算法进行验证,结果表明,将随机森林算法运用到舰船的备件预测领域可以为舰船装备在一次海上任务期内备件配置问题提供参考价值。     

基于GA-SVM的太原市空气质量指数预测

针对大气环境的复杂多变性和不确定性,采用太原市2014年至2016年的空气污染物监测数据,分别将改进的粒子群算法(IPSO)和遗传算法(GA)与支持向量机(SVM)相结合,通过参数寻优构建新模型完成对空气质量指数(AQI)的预测.实验结果表明,GA-SVM在预测精度、误差率和可靠性方面均优于IPSO-SVM与SVM.因此GA-SVM模型更适用于AQI的预测,为大气污染防治提供了科学合理的理论依据和新的预测方法.     

大数据背景下的商品需求预测与分仓规划

商品需求预测对于电商企业意义重大,对阿里电商平台的交易数据进行挖掘以获取有效特征,利用特征建立模型对未来两周这些商品的需求进行动态预测,并基于预测结果和成本最小的原则提出分仓规划建议.预测模型选择随机森林做回归,然后在残差分析的基础上建立报童模型求解分仓的库存规划.对特征数量众多的电商交易数据挖掘所建立的模型有助于电商企业进行有效的商品需求预测并据此制定成本更低的分仓规划.     

基于RVM模型的国内游客流量预测研究——以海南为例

引入RVM对海南旅游景区接待国内游客流量进行预测,并利用2011年1月至2016年12月海南交通行业数据和相应的网络搜索数据构建模型的输入集.12个月的预测结果表明,与基准模型相比,RVM具有更优异的预测性能,证实了模型在旅游需求预测领域的有效性.     

基于灰色预测模型的核事故医学应急装备使用保障费用分析

建立了核事故医学应急装备使用保障费用分析模型,且通过GM(1,1)灰色预测模型对核事故医学应急装备使用保障费用进行预测分析,解决了传统方法因数据缺乏而预测精度不足的问题。并用实际数据对预测模型进行了精度验证,结果表明该方法具有很好的预测精度,可用于核事故医学应急装备使用保障费用的预测和估算,为相关部门经费分配提供决策支持,对加强核事故医学应急装备全系统、全寿命的经济技术可行性论证,提高决策水平、计划的科学性和经费整体使用效益都具有重要意义.     

周期与季节性因素影响下的短生命周期产品预测优化模型

短生命周期产品因为需求的随机性和产品价值的瞬间变化性,对预测准确性提出了更高的要求.然而许多企业在使用多种预测模型后发现其预测准确率并没有得到显著提升.以短生命周期产品需求特点为背景,在需求预测影响的BASS模型基础上,建立受生命周期和季节性因素影响的需求预测优化模型,最后通过一个产品的实例证实了验证了模型的合理性.     

装备经费预算项目组合优化决策模型研究

应用项目组合管理理论,综合考虑装备建设的实际需要与经费供给的可能性,建立以预期军事效益最大为目标,以装备经费预算控制指标约束、项目关系约束和项目可分解约束的装备经费预算项目组合优化决策模型。所建立的模型为装备经费预算编制工作提供了可行的决策技术方法,有效增强了装备经费预算编制的科学性、公正性和透明度。     

基于灰色神经网络的航空装备作战携行量预测

当前局势多变且节奏迅速的现代高新技术战争使得航空装备需求量与损耗率激增,航空装备保障人员也面临着战时保障情况复杂、决策难度增加的问题.在BP神经网络的基础上使用灰色理论对其进行了优化,将得到的灰色BP神经网络对航空装备作战携行数量进行了预测并与一般BP神经网络和GM(1,1)模型预测结果对比.结果表明:灰色BP神经网络预测精度高、收敛速度快、所需样本数据少,对航空装备作战携行数量预测具有重要价值.     

组合预测模型在能源消费预测中的应用

能源的需求预测是一个复杂的非线形系统,其发展变化具有增长性和波动性,组合预测对于信息不完备的复杂经济系统具有一定的实用性.本文利用我国能源消费的历史数据,采用灰色预测的GM(1,1)模型、BP神经网络模型和三次指数平滑模型进行优化组合,建立了能源消费组合预测模型,实证分析结果表明预测值和实际结果有很好的一致性,可以作为能源消费预测的有效工具.     

ARMA模型在我国电力需求预测中的应用

本文以1973年~2004年我国电力消费量的历史数据为基础,根据其趋势图拟合出与之相似的指数回归曲线,然后对其残差序列利用时间序列进行分析和识别,建立起适合我国电力需求预测的指数回归-ARM A(1,1)模型.结果表明此模型具有简单快捷、预测精度高的特点,可以满足实际预测要求.     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

考虑维修时间的总质保需求预测模型

激烈的市场竞争迫使制造商们逐渐向以顾客需求为中心的公司转变。在近 20 年内,作为影响顾客满意度的主要因素,产品的质保服务管理的相关研究开始成为学术界的焦点。良好的质保服务会给企业节省较多的运营成本,故对于刚投入市场的新产品而言,准确地预测质保需求对制造商合理分配资金等具有重要意义。以往对质保需求的预测模型都局限于分析长期意义上一个产品的总质保成本,忽略了产品的维修时间和动态销售过程对准确预测产品的总质保需求及成本的影响。为此,以销售期内的产品所产生的维修需求为主要的研究对象,深入探讨维修时间对预测质保需求的影响。模型中,利用非齐次泊松过程模拟产品的动态销售过程,并利用复合随机过程中的交错更新理论来刻画维修时间对总质保需求的影响。最后的参数分析,为企业更好地管理质保服务提供了重要的现实依据。     

Forecasting energy demand using neural-network-based grey residual modification models

Grey forecasting models have taken an important role for forecasting energy demand, particularly the GM(1,1) model, because they are able to construct a forecasting model using a limited samples without statistical assumptions. To improve prediction accuracy of a GM(1,1) model, its predicted values are often adjusted by establishing a residual GM(1,1) model, which together form a grey residual modification model. Two main issues should be considered: the sign estimation for a predicted residual and the way the two models are constructed. Previous studies have concentrated on the former issue. However, since both models are usually established in the traditional manner, which is dependent on a specific parameter that is not easily determined, this paper focuses on the latter issue, incorporating the neural-network-based GM(1,1) model into a residual modification model to resolve the drawback. Prediction accuracies of the proposed neural-network-based prediction models were verified using real power and energy demand cases. Experimental results verify that the proposed prediction models perform well in comparison with original ones.     

装备费用预测中的混合核函数支持向量机

在支持向量机预测建模中,核函数用来将低维特征空间中的非线性问题映射为高维特征空间中的线性问题.核函数的特征对于支持向量机的学习和预测都有很重要的影响.考虑到两种典型核函数—全局核(多项式核函数)和局部核(RBF核函数)在拟合与泛化方面的特性,采用了一种基于混合核函数的支持向量机方法用于预测建模.为了评价不同核函数的建模效果、得到更好的预测性能,采用遗传算法自适应进化支持向量机模型的各项参数,并将其应用于装备费用预测的实际问题中.实际计算表明采用混合核函数的支持向量机较单一核函数时有更好的预测性能,可以作为一种有效的预测建模方法在装备管理中推广应用.     

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.     

基于改进的PSO-SVM的音频信号特征识别和分类

针对音频信号准确性分类的问题,提出一种基于改进的的粒子群优化算法(PSO)的支持向量机(SVM)音频信号分类的方法,简称IPSO-SVM.首先用Mel倒谱系数法对4种音频信号进行特征提取.其次在PSO中引入自适应变异因子,能够成功地跳出局部极小值点;然后对PSO中的惯性权重进行了改进,将惯性权重由常数变为指数型递减函数.随着迭代的进行,使权重逐渐减小,这样做有利于粒子进行局部寻优.最后用改进的PSO不断优化SVM中的惩罚因子c和核函数参数g来提高预测精度.实验结果表明,与传统的SVM、PSO-SVM、GA-SVM相比,我们提出的IPSO-SVM算法分类结果更精确.     

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。     

中国能源消费的EMD分析与预测

基于EMD分析,结合SVM方法构建了中国能源消费的预测模型,提供了一种新的能源消费预测思路.研究结果表明,到2020年我国能源消费量3027百万吨油当量,低于IEA2010能源展望中的预测结果.在低碳经济、节能减排已成为国际政治领域热点议题的背景下,采用定量的方法对中国能源消费状况进行分析与预测,有利于分析中国的国际政治压力及中国能源企业海外投资.