基于CSO-ELM模型的工程施工成本预测研究

鉴于影响工程施工成本因素之间复杂的非线性关系,进行准确的工程施工成本预测有一定难度,提出鸡群算法(CSO)和极限学习机(ELM)结合的CSO-ELM工程施工成本预测模型.首先利用CSO对ELM模型的输入权值及偏置值进行全局搜索寻优,得到最佳参数;然后将该参数代入ELM模型中建立CSO-ELM工程施工成本预测模型;最后以11个气膜钢筋混凝土储仓工程为例,验证该模型的科学性.结果表明:CSO优化ELM的输入权值与偏置值是有效的;与传统ELM、BP神经网络模型相比,CSO-ELM模型具有更高的预测精度及效率,为工程施工成本预测提供了一个有效的方法.     

PCRA法在瓦斯爆燃最高温度预测中的应用

采用主成分回归分析(PCRA)法实现瓦斯爆燃最高温度预测.选取爆燃最高温度影响因素分别为点火能量、环境温度、环境湿度、瓦斯浓度、氧气浓度、惰性气体浓度、管道长度、点火头与管道开口端的距离,共8个.通过影响因素主成分分析,得出瓦斯浓度与氧气浓度对瓦斯爆燃最高温度影响作用最大.通过计算瓦斯爆燃最高温度影响因素主成分得分,构建瓦斯爆燃最高温度预测模型.结果表明:PCRA法预测瓦斯爆燃最高温度最大误差为4.17%,最小仅为0.13%,证明了PCRA法在瓦斯爆燃最高温度预测中的科学性.     

灰色聚类的物元可拓法在煤与瓦斯突出预测中的应用研究

在对地质构造和煤与瓦斯突出关系研究的基础上,应用灰色关联方法对寺河矿煤与瓦斯突出的影响因素进行分析,确定研究区域煤与瓦斯突出的主要控制因素;根据煤与瓦斯突出主控因素分析结果,选取相应的煤与瓦斯突出预测指标,运用可拓聚类方法对这些指标进行综合分析,划分出地质构造带煤与瓦斯突出倾向性等级,进而预测地质构造单元的煤与瓦斯突出危险;应用建立的煤与瓦斯突出预测地质构造指标方法,对寺河矿西区X1301工作面进行煤与瓦斯突出危险性预测,划分出了严重突出危险区.     

矿井煤与瓦斯突出预测的物元模型方法

为了正确预测媒与瓦斯突出的趋势和危险性,根据影响煤与瓦斯突出危险性分类的一些主要因素,应用物元理论建立了煤与瓦斯突出危险性分类与判别模型.给出了煤与瓦斯突出危险性评价的物元关联函数及物元关联度的计算方法;建立了适合可拓学理论的煤与瓦斯突出危险性等级分类标准;采用指标的综合权重,充分利用主观赋权法和客观赋权法各自带来的信息.应用证明此方法适合于煤与瓦斯突出危险性等级的评判和预测.     

基于DE-ELM的电池SOC预测研究

针对极限学习机的随机性较大的问题,提出一种基于差分演化的极限学习机算法模型(DE-ELM).采用差分演化算法(DE)对极限学习机(ELM)随机给定的输入权值矩阵和隐含层阈值进行寻优,降低了随机性给ELM造成的影响,减少ELM网络震荡,提高了ELM预测精度.并且将DE-ELM应用在电池SOC的预测上,同时与ELM和BP神经网络的预测进行了对比,结果表明:DE-ELM在电池SOC预测上的表现优于ELM和BP神经网络,能满足电池SOC的预测精度要求.     

改进AHP与Fuzzy综合评判的瓦斯突出危险性预测

为了能够准确有效的预测煤与瓦斯突出的危险性,提出将改进的层次分析(AHP)与Fuzzy综合评判理论相结合的方法,构建包含3个一级要素和9个二级要素的瓦斯突出危险性评价指标体系结构,采用"三标度法"对所建立体系结构中影响瓦斯突出的因素进行定性定量分析,根据层次总排序权值获取影响瓦斯突出的重要影响因素指标.采用Fuzzy综合评价实现对瓦斯突出危险性预测的单因素评价以及多级综合评判,结果表明,此方法提高运算复杂度的同时能够准确的预测,为煤与瓦斯突出预测和防治提供了科学的依据.     

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.     

基于主成分分析的支持向量机模型对上海房价的预测研究

采用基于主成分分析的支持向量机方法对上海房价进行预测.首先利用主成分分析法对原始数据进行降维处理,然后利用具有高水平的小样本学习能力的支持向量机进行预测模型的建立,对上海房价进行预测.实证显示,经过主成分分析的支持向量机模型能够较好地处理复杂的房地产数据,具有较高的预测能力,为上海房地产业的发展提供参考.特别地,该模型可以普遍应用于影响因素众多,时效性较强的短期小样本数据问题的预测,具有较高的泛化能力和很好的预测精度.     

一种基于局部回归的多尺度碳市场价格预测模型研究

碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。     

期权隐含投资者情绪与股市波动率

研究表明,期权价格中蕴含着市场前瞻性的信息,其有助于预测未来股市波动率.特别地,从期权价格中提取的隐含投资者情绪相比从股市提取的投资者情绪包含更多的信息(前瞻信息),对股市波动性分析具有重要的参考价值.鉴于此,文章采用上证50ETF期权价格数据,利用GJR-GARCH-FHS模型估计经验定价核,通过将其分解为新古典成分和行为成分(情绪),从中提取出期权隐含投资者情绪.进一步,构建波动率指标和预测回归模型,实证分析期权隐含投资者情绪与股市波动率的关系以及期权隐含投资者情绪对股市波动率的预测作用.实证结果表明:期权隐含投资者情绪在一定程度上对股市波动率具有预测作用;当期和滞后一期的期权隐含投资者情绪都对股市波动率产生一定的正向影响,且当期影响更大;历史的股市波动率对当期股市波动率也存在显著的正向影响;当期和滞后一期的期权隐含投资者情绪对股市波动率都具有较强的预测能力,并能显著提高对股市波动率的预测精度.     

SA-AGA-ELM的PM2.5浓度预测模型研究

为提高PM_2.5浓度的预测精度,以南昌市2019年的空气质量数据和气象数据为原始样本数据,通过相关性分析确定输入PM_2.5浓度预测模型的特征值,同时在自适应遗传算法(AGA)的基础上融合模拟退火算法(SA),用于优化极限学习机(ELM)的网络参数,有效避免在优化过程中参数陷入局部极值,最终建立一种基于SA-AGA-ELM的PM_2.5浓度预测模型.实验结果表明,ELM模型预测PM_2.5浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R²)分别为13.644、263.935、.879,而SA-AGA-ELM模型预测结果的MAE、MSE、R²分别为3.966、28.630、.952.因此,SA-AGA-ELM模型的拟合效果更好,能够更为准确的预测PM_2.5浓度的变化情况.     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

我国城乡居民CPI的影响因素与预测研究

基于“中国统计年鉴”公布的最新数据,研究我国城乡居民消费价格指数(CPI)与各类CPI的相关性,利用MLR和GM(1,N)模型,对我国城乡居民CPI与各类CPI进行数据拟合,对比分析两模型的实效性和差异性.同时利用高斯模型建立城乡CPI的时间序列预测模型.结果表明:1) MLR和GM(1,N)模型都具有很高的预测精度;2)城乡CPI关于时间的高斯预测模型也具有很好的拟合优度决定系数.最后在模型结果分析基础上给出相关政策及建议.     

部分线性模型在贵州省公路货运量预测中的应用

运用部分线性模型对贵州省公路货运量进行预测研究.首先运用灰色关联度分析法确定影响贵州省公路货运量的主要影响因子;然后运用主成分分析法将选取的影响因子指标数据进行降维处理,通过分析处理后的数据得到部分线性模型;最后,以2010-2012年的公路货运量作为验证值,将部分线性模型、多元线性回归模型及灰色预测模型的预测结果进行比较.研究结果表明:部分线性模型能较好地拟合贵州省1990-2009年公路货运量;三种模型的预测结果显示,部分线性模型预测结果优于多元线性回归模型和灰色预测模型的预测结果.     

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。     

突出矿井瓦斯抽放限制影响因素的AHP-熵权法评价模型

为提高煤与瓦斯突出矿井瓦斯抽放效果,建立了3个一级指标、14个二级指标的突出矿井瓦斯抽放限制影响因素评价指标体系,利用AHP和熵权法分别确定指标因子主、客观权重.通过实地调研分析和反馈验证了AHP-熵权法的可行性和正确性,利用加权平均法确定评价模型的综合权重.研究表明:封孔方式、钻孔半径、抽放时间、煤体裂隙发育程度和抽放负压是目前影响煤矿瓦斯抽放效果的主控因素.     

基于小波去噪的灰色和支持向量机组合预测模型

金融时序数据具有非平稳、含噪声等特点,采用单一的预测模型时预测精度并不理想.据此,构建了基于小波去噪的灰色和支持向量机组合预测模型,并对预测难度较高的我国热钱流动规模进行了预测.实验结果表明:与经典GM(1,1)幂模型相比,组合预测模型的平均相对误差由46.14%降到2.95%,预测精度有显著性提高.     

HMO市场结构影响下的美国医疗费用预测分析

分析了美国HMO（Health Maintenance Organization）市场结构主要指标及部分医疗和社会经济指标对美国医疗费用的影响,采用1995-2007年数据,利用主成分分析（PCA）方法与BP神经网络构建预测模型,对美国支出在医院方面的医疗费用进行拟合及预测,预测结果与实际值之间的相对误差小于0.25%,表明可基于该模型考察在HMO市场结构影响下的美国医疗费用.     

周围应力与孔隙流体对突出煤力学性质的影响

本文在系统的实验与理论研究基础上,考查了周围应力与孔隙流体对突出煤变形与破坏的影响.提出了一个描述破坏后现象的模型,其判据是一个联系着有效围压与材料强度的无量纲参数.实验表明,吸附瓦斯对应力-应变曲线没有明显影响;有效应力中的孔隙压力项就是游离瓦斯的压力;含气体与液体的多孔介质会有不同有效应力关系.     

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.