广义预测误差模型及其GLMS自适应算法

提出了广义预测误差模型,其二次型性能面的形状受控于模型参数α,在最小均方误差准则下,推导出GLMS自适应算法.通过简化的GLMS算法和LMS算法的类比分析,证明了模型参数α对算法的收敛特性具有明显的影响.在α<0时,可获得比LMS算法更好的收敛特性,而计算量增加不多.数字仿真结果与理论分析相符.     

基于SMOTE算法和逻辑回归模型算法的江苏短时强降水潜势预报

短时强降水是导致城市内涝和山洪、滑坡等灾害的重要原因,其突发性强,局地性明显,预报难度大,是强对流天气业务预报的重点和难点之一。本研究利用2011-2018年的江苏省国家气象观测的逐小时降水资料对江苏省短时强降水时空分布特征进行分析,江苏短时强降水频次分布为典型的南多北少,主要降水出现在早晨04-10时和午后15-19时,前半夜出现降水的概率则较低。基于ERA5再分析资料,选取了对于短时强降水有较强判断能力的气象要素,合成少数类过取样算法（SMOTE）和逻辑回归（LR）方法,构建短时强降水的预报模型,利用2019年的,欧洲中期天气预报中心（ECMWF）预报产品基于该模型进行短时强降水的确定性预报和概率预报,并使用同期实况数据进行系统性检验和天气过程检验。结果表明该模型总体性能较好,对短时强降水出现与否有较好的判别能力和预报指示意义。未来24h以内的6h时效预报,TS评分在0.23以上,未来60h以内的6h时效预报TS评分均在0.2以上,但也存在着一定程度的空报和漏报。基于SMOTE+LR短时强降水预报模型对短时强降水的潜势预报具有较好的指示作用,对气象防灾减灾具有重要意义。     

杉木炭疽病预测预报研究

杉木炭疽病流行的时间动态类型介于单年流行病害与积年流行病害之间或者更接近于积年流行病害类型 ,遵循逻辑斯蒂模型。依据 1991- 1993年在福建省三明市的调查资料 ,采用逻辑斯蒂模型建立该病的中期预测预报方程 :ln[x2 / (1- x2 ) ]=- 1.990 91 0 .0 2 72 2 4 T 0 .0 0 794 4 U- 0 .0 0 0 913R 0 .5 912 0 2 ln[x1/ (1- x1) ],模外数据检验表明该预测模型具有较高的可靠性 ,可供生产上使用。     

滑坡预测预报的非线性动力学模型探讨

我国是一个深受滑坡灾害困扰的国家,每年由滑坡所造成的经济损失异常惨重。因此,滑坡的预测预报已成为人们研究的一个热点问题。本文对滑坡的研究现状进行了总结,重点探讨了滑坡的预测预报模型和方法,对滑坡定量预报的非线性动力学模型进行了探讨。     

VMI环境下基于数量发货策略的优化研究

为了规避传统供应链库存管理的缺点,在VMI模式下对库存成本控制进行研究,建立了基于数量发货策略的库存成本控制模型。对库存成本进行分解得到了完整的总成本表达式,通过优化方法对模型进行求解得到了最优化发货数量、发货次数和最优运营成本。优化结果有助于保证企业取得规模经济效益,降低企业的投入成本,提高企业的竞争能力。     

BP模型的改进算法及其在负荷预测中的应用

分析了ＢＰ模型学习算法－累积误差逆传播算法在接近极小点时收敛速度变得异常缓慢的原因，并通过对连接权值的调整量引入权重系数，提出了一种改进的ＢＰ模型学习算法，大大加快了收敛速度，提出了收敛性。还利用的改进算法对某省中期负荷进行了预测，逄例结果表明了该算法的有效性。     

中长期径流预报中PCA-IBP模型的改进算法研究

径流预报的信息有很大的相关性,这是必须在预报工作中避免的,同时,这些信息的维度较高,且以往处理这些信息的数学模型计算复杂度较高.针对以上问题提出了一种混合主成分分析方法(PCA,Principal Component Analysis)和改进BP(Improved Back Propagation)神经网络模型的中长期径流预报模型(PCA-IBP),此种方法可以很好地避免以上不足,可以进一步提高模型计算效率.实际数据验证表明,提出模型预报的精准程度以及效率都较传统的BP神经网络预报模型有所改善.     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证.     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证。     

中长期水文预报的模型辨识及预测研究

 针对中长期水文预报的模型辨识进行研究,探讨了预处理、建模数据量和建模方式对于模型预测精度的影响。利用基于有限采样信息准则（FSIC）的组合信息准则（CIC）对模型进行定阶,结合Kalman滤波方法进行非线性预测研究。研究表明：① 在进行模型辨识时,如果预处理导致识别的模型复杂度大幅度降低,应通过模型的预测结果对预处理方法的合理性进行检验;② 建模数据量应足以反映时序的内在波动性,但并不是越多越好,过多的建模数据量会导致模型的复杂性大幅度增加,在增加计算耗时的同时,也降低了预测的稳健性;③ 滑动模型主要是改善了较高径流值和径流峰值的预测情况,相对牺牲了较低径流值的预测精度;④ Kalman滤波方法全方位、大幅度的提高了径流在各个区段的预测效果,其峰值预测准确率更是高达63.64%。     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

城市用水量的综合动态预测建模方法

基于BP神经网络,建立了一种综合时间序列分析和多元分析特点的动态水量预测模型,模型除了将影响用水量的因素作为输入节点之外,还将预报日前2 d的用水量作为输入节点,使得模型不但反映了用水量与影响因素的关系,还揭示了用水量时间序列的非线性特性.经生产实践检验,该模型的预测精度达到工程要求.     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

我国社会消费品饮食类零售总额的预测模型研究

文章运用时间序列乘积季节模型。在SPSS系统下对我国2004年1月至2009年12月共72个月份的社会消费品饮食类零售总额进行实证分析,从模型识别、参数估计、适应性检验和实际拟合4个方面确定了无常数项的统计预测模型,并对模型的预测效果进行检验,结果分析表明,该模型能较好地反应零售总额的变化规律．     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

基于BP神经网络的税收预测模型

在分析影响税收主要因素的基础上，将反向传播（BP）神经网络理论应用于税收的预测．首先对初始数据进行预处理，使其适应BP神经网络学习的要求，然后建立基于BP神经网络的税收预测模型．采用实际数据对模型进行验证，并将其与传统的统计模型相比较，证明了基于BP神经网络的税收预测模型有较高的精度和较强的实用性．     

改进的时间相关序列股票价格混合预测模型研究

金融股票市场是一个极其复杂的演化系统,因此对股价波动进行准确预测是投资者理性规避投资风险的重要渠道。本文首先通过构建科学性较强的自回归移动平均与支持向量机（ARIMASVM）模型分析一维金融时序数据的线性成分,对我国股价波动进行样本内预测并与真实数据作比较,再利用改进的支持向量机（TGDSVM）模型基于金融面板时序数据处理线性预测后剩余的非线性成分信息。采用平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对比例误差（MAPE）、回归指数（WIA）、百分标准误差（SEP）与Nash系数六个预测精度指标检验五只股票日收盘价的预测精度。仿真结果表明：改进的时间相关序列（ARIMA-TGD-SVM）股票价格混合预测模型可以很好的弥补传统支持向量机（SVM）模型对解决多分类问题存在困难和对大规模训练样本难以实施的不足,并有效解决其利用欧式距离表征时序数据内部真实相互关系不足的缺陷,能够为股市预测提供理论依据和实际应用奠定基础。     

主成分分析法在我国税收预测中的应用

神经网络非常适用于复杂非线性系统的处理,已被广泛应用于经济预测中.针对经济预测中指标多、历史数据不足从而大大削弱神经网络的泛化能力问题,本文利用主成分分析法建立了税收的预测模型.结果显示:经主成分分析之后再进行预测,能从根本上降低神经网络规模,提高了神经网络的泛化能力.     

基于时间序列的市场需求预测模型研究

在研究时间序列预测模型的基础上,提出了组合预测模型,并对模型参数进行了优化处理.用于预算未来某时期内市场供求趋势,从而为企业的决策提供依据.