基于BSA-ELM模型的建筑工程施工成本预测研究

针对建筑工程施工成本管理中成本难以预测的问题,提出用鸟群算法(BSA)优化极限学习机(ELM)模型的参数.首先,利用BSA对ELM模型的输入权值和偏置值进行优化;其次,构建出BSA-ELM建筑工程施工成本预测模型;最后,将BSA-ELM模型与实际工程施工成本数据相结合进行验证.结果表明:模型在成本预测中的精度比ELM模型、CSO-ELM模型、PSO-ELM模型和BP神经网络模型预测精度高,也为类似预测问题提供了一种新的预测方法.     

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.     

基于改进原子算法的核极限学习机热耗率预测

针对发电汽轮机热耗率模型难以精准预测的问题,提出一种改进原子算法与核极限学习机综合建模的预测方法.首先,通过提出一种动态调整搜索策略,针对原子算法全局勘探能力和局部开发能力不平衡的问题进行改进.其次,引入疯狂因子和教学策略,提高原子算法的全局搜索精度和搜索速度,避免算法早熟收敛.最后,通过某电厂汽轮机实际运行数据建立汽...     

基于多源监测数据的瓦斯涌出量GM(0,N)-ELM预测研究

为实现小样本监测数据条件下矿井瓦斯涌出量的短时精确预测,提出了一种基于灰色预测GM(0,N)模型和极限学习机(ELM)的瓦斯涌出量耦合预测模型.模型根据矿井瓦斯涌出量作用机理及影响因素相关性分析,确定预测模型的主要影响因素;利用GM(0,N)模型对矿井瓦斯涌出量进行预测,分离出涌出量趋势项和波动项;利用ELM模型对瓦斯...     

基于ELM与BP神经网络的新疆雹云预测与识别

冰雹是一种强烈的自然灾害,为了提前对冰雹进行预测,提出了一种BP神经网络做预测,极限学习机做识别的预测方法.方法以雷达回波反射率图像的均值、方差、熵为判别指标,首先训练好能够分类云层特征的极限学习机,其次结合雹云形成过程,使用经过较大样本训练的BP神经网络对未来30分钟数据预测,最后使用经过训练的极限学习机进行云层的类型判别.实验结果表明,BP神经网络能够平均提前5-20分钟预测出降雹,具有较好的预测效果.     

基于VMD-ELM的农产品期货价格分解集成预测模型

为了捕捉农产品市场期货价格波动的复杂特征,进一步提高其预测精度,基于分解集成的思想,构建包含变分模态分解(VMD)和极限学习机(ELM)的分解集成预测模型。首先,利用VMD分解的自适应性和非递归性,选择VMD将复杂时间序列分解成多个模态分量(IMF)。其次,针对VMD分解关键参数模态数K的选取难题,提出基于最小模糊熵准则寻找最优K值的方法,有效避免模态混淆和端点效应问题,从而提升VMD的分解能力。最后,利用ELM强大的学习能力和泛化能力,对VMD分解得到的不同尺度子序列进行预测,集成得到最终预测结果。以CBOT交易所稻谷、小麦、豆粕期货价格作为研究对象,实证结果表明,该分解集成预测模型在预测精度和方向性指标上,显著优于单预测模型和其它分解集成预测模型,为农产品期货价格预测提供了一种新途径。     

基于分数阶差分的ARFIMA模型及预测效果研究

采用MRS分析法对香港恒生指数周数据序列的长期记忆性进行研究,并建立ARFIMA模型,推导了分数阶差分的计算过程。对分数阶差分的ARFIMA模型与一阶差分的ARFIMA模型进行了比较,发现应进行分数阶差分的序列,简化成一阶差分后,就有可能丢失许多有价值的信息,导致建模误差增大。进一步使用ARFIMA模型预测公式进行预测,结果显示ARFIMA模型预测效果不理想。在对香港恒生指数周数据进行预测时,ARFIMA模型几乎是失效的,并从两个不同的角度论证了这一结果出现的必然性。     

基于预测精度的多目标组合预测优化模型研究

考虑了组合预测精度的数学期望和预测精度的标准差这两个指标 ,建立了多目标规划组合预测最优化模型 ,并给出其数学规划的解法 .最后进行实例分析 ,结果令人满意 .该模型能反映不同时间序列预测方法有效性     

基于GA-ELM的水上交通事故严重程度影响因素识别研究

水上交通事故严重程度影响因素的识别对从根本上减少严重事故件数、降低事故危害和损失具有重要意义。在历史事故报告的基础上,构建并量化事故影响因素集,提出以极限学习机(ELM)为一般事故、严重事故的二分类器,以遗传算法(GA)为因素搜索算法的GA-ELM因素识别模型。对发生在我国水域的737件水上交通事故进行实证研究,并与以支持向量机(SVM)为分类器的GA-SVM模型进行对比分析。结果表明,GA-ELM模型识别出时段、人为致因、环境致因等9个事故严重程度影响因素,较GA-SVM模型结果更为精简,且分类精度较不做因素识别时分别提高8.2%、7.1%。此外,GA-ELM大大缩短运算时间。由此可见,GA-ELM可为水上交通事故严重程度影响因素识别提供一个较好的方法。     

基于非平稳时间序列的日现金流预测

电力公司每日售电实际收入的有效预测是实现国家电网强化存量资金高效运作以及现金流量预算按日排程的关键.由于居民用户的用电往往具有很明显的季节性影响,冬天和夏天空调使用频率高,导致这两个季节的用电量会相对较多;周末与非周末的缴费行为也会有明显的差异(周末效应).同时由于用户的缴费方式和行为的不同,特别是由于每月缴费时间的差异,使得所缴款项在每月的到账时间会有较大的波动,从而使得日现金流的预测变得很困难.针对上面存在的问题,本文提出了利用分段多阶差分非平稳时间序列探讨数据结构的周期性和非平稳特性.     

基于地铁施工事故案例的机器学习灾害预测方法

针对城市轨道交通施工事故的频繁发生,建立了基于地铁施工事故案例的机器学习灾害预测模型.通过收集过往地铁施工事故案例建立数据集,引入天气气象、水文地质、周边环境、施工因素等外部风险源做为特征,分析决策树、随机森林、SVM、XGBoost等灾害预测模型对施工事故的预测能力.结果 表明经过网格搜索后XGBoost的预测效果明...     

基于网络搜索数据和机器学习的票房预测模型

电影票房预测对于管理部门一直是一项重要而复杂的工作。电影票房相关变量复杂多变,且数据获取难度较大是制约当前研究的主要因素。相比之下,网络搜索数据是互联网公司发布的用于记录网民搜索行为的结构化数据,能客观及时反映事物的发展趋势。本研究建立了基于网络搜索数据的混合预测模型。首先,匹配与测试集最相似的训练数据构建最优训练集(OTS)。其次,应用帝国竞争算法(ICA)选择最小二乘支持向量机(LSSVM)的最佳参数组合。最后,使用优化模型进行预测。为了测试模型的效果,使用中国大陆上映的电影票房数据进行模拟实验。结果表明混合模型具有更高的预测精度。本研究所构建的模型适用于中国电影业的票房预测,可为有关部门提供决策参考。     

基于支持向量机的大豆产量预测研究

应用支持向量机(SVM)的算法进行中国大豆产量的预测研究,用1991-2008年中国大豆数据组成样本集,建立影响因素与大豆产量之间的SVM模型.利用SVM对输入和输出数据进行训练学习,逼近历史数据所隐含的函数关系,完成对新数据序列的映射关系,从而完成对未来年份大豆的预测,并与其它几种方法的预测效果进行比较.结果表明,SVM预测模型预测大豆产量的精度优于其它预测方法.     

基于投资的我国再保险预测性定价新探讨

从系统的观点出发,把保险公司的赔付情况与投资收益结合,对非比例再保险建立在一类在较弱的市场假设条件下进行投资的线性正倒向随机微分方程的改进模型.根据一类特殊线性倒向随机微分方程的显式解,加入时间序列预测方法,给出了基于投资的非比例再保险定价公式,为保险公司厘定非比例再保险的保费提供新的可行性方法.     

基于限制玻尔兹曼机的极限学习机方法

针对高维数据中存在冗余以及极限学习机(ELM)存在随机给定权值导致算法性能不稳定等问题,将限制玻尔兹曼机(RBM)与ELM相结合提出了基于限制玻尔兹曼机优化的极限学习机算法(RBM-ELM).通过限制玻尔兹曼机对原始数据进行特征降维的同时,得到ELM输入层权值和隐含层偏置的优化参数.实验结果表明,相比较随机森林,逻辑回归,支持向量机和极限学习机四种机器学习算法,RBM-ELM算法能获得较高的分类精度.     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于子空间多核学习的企业财务困境预测方法

财务指标的异构性是影响企业财务困境预测精度的重要因素,现有多核学习方法能够用于解决异构数据学习问题。本文首先介绍了子空间多核学习财务困境预测理论框架,在此基础上根据子空间学习的最大化方差准则、类别可分性最大化准则、非线性子空间映射原理,提出了三种子空间多核学习方法,分别为最大化方差投影子空间多核学习、类别可分性最大化子空间多核学习、非线性子空间多核学习。利用采集的我国上市公司数据进行实验,对比所提出的方法同现有代表性财务困境预测方法,并对实验结果进行分析。实验结果表明,本文提出的子空间多核学习财务困境预测框架行之有效,该框架下所构造的子空间多核学习预测方法能够有效地提升财务困境预测精度。     

基于支持向量回归机的黄金价格短期预测

针对黄金价格时间序列的特点,首先结合马尔可夫决策思想对数据集进行相空间重构处理,然后利用支持向量机技术建立黄金价格走势的短期预测模型,最后对上海黄金交易所AU9999的预测结果表明所建模型可以有效地进行黄金价格的短期预测.     

“电池剩余放电时间预测”问题解析

本文就2016年"高教社杯"全国大学生数学建模竞赛C题"电池剩余放电时间预测"给出了一种求解方法,并针对学生在参赛论文中出现的问题作了简要的说明与点评。为保证求解的连贯性,论文的前一部分是问题的求解,后一部分是参赛论文的点评。