基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用．在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法．通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响．在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度．经算例验证,该算法预测精度达到1级,且高于类似算法．     

基于NEGM(1,1)模型的因果预测方法及应用研究

非等间隔时间序列在工程技术问题中是常见的.研究了一类非等间隔广义时间序列的预测问题,也就是将因果预测模型中的自变量作为广义时间,应用NEGM(1,1)模型将因果预测转化为时间序列预测,并应用空军航材消耗实例进行了模型检验.实践表明本文的方法具有广泛的使用价值.     

不等时距灰色组合预测模型的研究

在不等时距序列灰色预测的基础上,建立了最优组合预测模型和BP神经网络组合预测模型.通过实例对比分析,表明这两种灰色组合预测模型都较各单项模型具有更高的预测精度和较高的理论实践价值.     

基于改进的Shapley值法对我国清洁能源消费的组合预测

选用GM(1,1)模型、指数平滑模型和ARIMA模型三种预测模型,通过非线性规划模型改进Shapley值算法确定各预测模型的权重,综合预测我国清洁能源消费趋势.预测结果显示,组合预测模型在拟合和预测我国清洁能源消费需求时相对误差均低于其他三种单一预测方法.根据预测结果,未来5年我国清洁能源的消费需求将持续增长,增速大致...     

基于偏离度的非等间距灰色预测模型在电力负荷预测中的应用

电力负荷预测过程中,对于原始数据摆动较大,并且数据的整体变化是增大的趋势的序列,以往常采用包络模型来处理它.但是,由于很多不确定的因素的存在,使得上包络及下包络曲线及边缘点的值难以确定,从而削弱了预测值的可信程度.提出了基于偏离度的非等间距灰色预测模型,很好地解决了该类序列的预测问题.并结合实例说明了此模型的可行性和有效性.     

基于灰色GM(1.1)模型的预测研究——邯郸市城镇化水平预测

灰色GM(1.1)模型适合少量数据的系统预测.当随时间序列的数据只有少量几个,无法采用统计和其他的预测方法时,它作为一种少数据的系统预测十分有效.将1999-2003年5年中的邯郸的城镇化水平作为灰色预测的原始数据,建立邯郸市城镇化水平灰色预测模型,并采用残差估计进行模型检验.成功地建立了邯郸市城镇化水平灰色预测模型.     

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明, CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.     

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.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

灰色系统预测模型GM(1,1)背景值重构研究

分析了灰色系统预测模型GM(1,1)对高增长指数序列建模适应性较差的原因,通过重构背景值计算公式,建立了一个适应性极强的灰色系统预测模型NGM(1,1),该模型具有对建模结果进行优化的能力.算例结果表明该模型对低增长指数序列和高增长指数序列建模都能获得最佳的拟合和预测精度,对经济、工程和自动控制等领域中的预测问题有较高的理论价值和实践意义.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

改进的加权不等时距灰色IMUGM(1,m,ω)模型及其应用

针对传统的灰色预测模型的缺陷,提出了改进的多因素不等时距加权灰色预测模型.首先,以引入加权因子ω的方式建立多因素不等时距加权灰色模型,再通过初始值改进、残差修正以及新陈代谢思想相结合的方式对模型进行改进;然后结合实际消耗数据,依据欧氏距离、隶属度权值等模型,实现备件消耗预测,实例仿真及分析验证了方法的有效性.     

改进不等时距灰色GM(1,1)模型及其应用

针对传统不等时距灰色模型(UGM(1,1))的缺陷,分别从背景值优化和模型优化,结合新陈代谢思想,提出了2种改进不等时距灰色模型:新陈代谢不等时距加权灰色模型(MUGM(1,1,w))和改进新陈代谢不等时距灰色模型(AMUGM(1,1)).经算例仿真检验,结果表明:2种改进模型在预测精度和实用性上都优于传统UGM(1,1)模型,其中AMUGM(1,1)模型更是克服了灰色模型不含线性因素的局限,拓宽了灰色模型的适用范围,具有很好的应用价值.     

A new method for estimating the forecast quality with consideration for the errors of calculating the unknown parameters

In this study, the problem of estimating the forecast accuracy of a model is considered. A widespread practice is to approximate the population expectation of the forecast accuracy by the sample expectation, which is equivalent to the uniform consideration for the deviations of the forecast from the exact value of a quantity for all time moments. If the vector of unknown parameters is estimated at each step only from the preceding observations, the significance of the deviations is not the same at all time moments. In this study, we propose a method that takes into account the forecast errors with different weights. The problem of constructing the most accurate estimate of the forecast quality, a parameter from which the condition for the optimal weights can be derived, is formalized. Monte-Carlo experiments are used to compare the accuracy of the methods for estimating the forecast quality in the cases when the observations are taken into account with the same weights, with optimum weights, and with the weights calculated using a numerical procedure.     

基于非参数方法的DNA序列信噪比阈值研究

基于人类、鼠类及其他哺乳动物的基因数据,共计1264个外显子、1553个内含子进行基因预测,对DNA序列信噪比阈值进行判断.提出基于Mann-Whitney检验、符号检验、Wilcoxon符号秩和检验的非参数置信区间法计算信噪比阈值,得到人类的阈值为1.108,鼠类的为1.0971,其他哺乳动物的为1.1754,与均值平均法、带标准差加权平均法、定义阈值为2的方法比较判断的正确率,结果表明利用非参数置信区间法计算的阈值在基因预测中具有最高的正确率.     

基于AR(n)模型的卡尔曼滤波模型

考虑到对于处于不同位置的变形监测点,由于它们所处的位置不同,各种环境因素对它们的影响及影响程度也不同,作者预置数个AR(n)模型,通过计算比较,选择剩余标准差最小的AR(n)模型作为初选模型,再将初选的AR(n)模型的模型参数看作包含有动态噪声的状态向量,建立卡尔曼滤波模型.实例分析表明,采用这种方法能够提高模型的拟合精度和预测精度.     

一种基于在线训练的交通信息实时预测快速算法

对于实时交通信息预测,预测精度与预测时间效率始终是一对难以解决的矛盾.重点研究如何提高预测时间效率问题.以精确在线支持向量回归算法(AOSVR)为基础,提出了基于云模型的sigmoid核函数简化计算方法,建立了改进的AOSVR交通信息实时预测模型.该模型应用于实际的交通流实时预测,预测结果表明,由于简化了计算,以损失较小回归精度的代价,显著提高AOSVR模型预测效率.     

基于伸缩变换不一致性的灰色磨光优化模型

很多预测模型都是利用原始数据直接地代入模型中优化参数,这样仍然很难避免整体数据之间的相互约束,使某些局部误差还是很大.为了克服这些缺点,特提出一种基于伸缩变换不一致性的灰色磨光优化模型,模型通过引入描述局部性质的磨光因子、可逆变换和优化方法,很好地保证整体的拟合精度.通过实例比较,模型比其它几种模型的拟合精度更高.     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

基于模糊聚类分析的小波神经网络模型在径流预测中的应用

提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集类别变量特征值与观测值之间的局部预测模型,并设计了特征值分类识别器,自动搜寻相适应的局部网络模型进行预测.通过西南某水库2011年日平均入库来流的计算实例对简单小波神经网络预测模型和所建的基于FCM与小波神经网络的预测模型进行了比较,结果较为满意.