基于灰色马尔可夫预测模型的农村人均收入预测

以武汉市农村人均收入为样本,将灰色预测模型和马尔可夫链预测模型相结合,通过对比预测的数据信息与实际数据信息差距,对2011年和2012年武汉市农村人均收入进行了预测计算.根据相关模拟检验与残差修正,灰色马尔可夫链可视为农村人均收入预测的可行且有效的方法.结果显示,单纯地运用灰色模型,预测值与实际值的误差均值是0.687%;通过马尔可夫链模型的二次模拟得到的误差明显减小.     

基于Elman网络预测汇率短期发展趋势

采用神经网络Elman网络模型对汇率进行预测.处理过程对样本序列进行了分类,并对训练与测试样本进行了残差分析.预测结果表明:该方法对汇率涨落方向的预测准确度达到74.54%,对汇率预测值与实际值之间的偏差略为偏大的情况,并分析了产生误差的原因.     

扩展线性支出系统预测精度的验证研究

本文用我国城镇居民 1992— 1998年消费数据分别建立各年度的扩展线性支出系统模型 ,用模型预测值与实际发生值进行对比 ,从而检验扩展线性支出系统的预测精度。检验结果表明 ,预测误差随被预测年的推移而迅速增大。并对误差产生的原因作了分析。最后得出结论 :扩展线性支出系统一般只宜用作消费需求的短期预测。     

基于径向基函数神经网络的流程企业供应链预测仿真

本文在比较预测方法的基础上，采用径向基函数（RBF）神经网络技术建立流程企业供应链预测模型，进行了实例预测仿真，并将预测结果与BP网络的预测结果进行了比较。结果表明，RBF网络误差小于BP网络，其中平方根RBF网络的预测仿真误差最小，而BP网络的误差最大。     

大窑湾入境集装箱量及疫情集装箱量的模糊预测研究

作为国际海运和物流业的主要装载工具集装箱是入境统计以及检验检疫的主要对象.按特定规律统计的集装箱量时间序列既有一定的统计规律,又有较大的随机性.采用模糊时间序列方法,通过构造论域、模糊集以及提出多重计算规则,对2005年6月至2012年10月大窑湾入境集装箱量、疫情集装箱量,以及疫情与入境集装箱量比值时间序列进行了模糊分析与预测.预测值与实际值的比较说明了算法的有效性.预测值与实际值的平均绝对误差、平均绝对百分误差从整体上揭示了时间序列自身的模糊性和模型的合理性.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响 ,提出了一种基于动态 BP网络的广义预测控制算法 .该算法运用动态 BP网络对模型预测误差进行在线补偿 ,以提高预测精度 .仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的     

基于改进CS优化BP神经网络的降水量预测模型

针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.     

基于灰色关联和BP神经网络的地下水PH值预测研究

通过熵值法确定地下水各指标的权重,通过平均值灰色关联法以及权重灰色关联法求解各指标与PH值之间的关联度,然后通过BP神经网络算法,选取关联度排名前3,6和9的指标预测地下水的PH值,并和通过选取所有指标预测的地下水PH值进行比较,发现结合灰色关联算法的预测值要比传统BP神经网络算法的预测值更精确,而且选取指标数不同,结合平均值灰色关联法和结合权重灰色关联法的BP神经网络算法预测的精确度和优劣程度也略有不同.     

运用时空模型厘定湖北省县级水稻产量保险的纯费率

本文建立了23个综合考虑水稻单产的时间效应、空间效应和时空交互效应的时空模型。利用湖北省1991-2007年县级水稻单产数据,借助WinBUGS进行Gibbs抽样估计,根据DIC准则进行选择最优模型,预测1992-2009年各县市的水稻单产。基于2008年预测单产及其后验分布,厘定县级水稻产量保险的纯费率。研究的主要结论:1992-2007年的预测值与实际值比较接近,且预测的水稻单产的标准差都比较小,表明所选择模型具有良好的短期预测能力;相邻地域的纯费率比较接近;所厘定的纯费率与蒙特卡洛(Monte Carlo,MC)误差正相关,Pearson相关系数为0.6793,MC误差包含来自时间、空间以及两者相互作用带来的不确定性。     

基于GRNN模型的鲜猪肉市场日度价格预测与实证研究

应用广义回归神经网络(GRNN)模型对上海市某区菜市场2011.3.1-2014.3.25期间鲜猪肉的日度价格(合计732组数据)进行建模预测研究,用逐步减小光滑因子值的办法确定其合理值范围.建模结果表明:训练样本、检验样本和测试样本(简称三类样本)的均方根误差和平均绝对误差非常接近,模型具有较强的泛化能力,绝大部分三类样本的误差都在土0.33元范围内,最大相对误差都小于3%,平均百分比相对误差小于0.45%,预测未来10日鲜猪肉价格的最大绝对误差为0.14元,最大相对误差为0.82%,平均百分比相对误差为0.44%,表明建立的GRNN模型具有很好的鲁棒性、可靠性和较高的预测精度,可用于上海市某区菜市场鲜猪肉日度价格的实际预测,为政府和有关物价部门进行市场调控提供决策依据.     

基于EMD-GRU的高速公路行程时间组合预测模型

考虑到高速公路行程时间影响因素繁多且行程时间序列非线性、非平稳特征显著,设计了基于经验模态分解和GRU神经网络的高速公路行程时间组合预测模型.首先,利用高速公路收费数据中车辆进出高速公路的时间信息获取路段行程时间序列;然后,利用经验模态分解算法,将复杂的行程时间序列分解为若干时间尺度不同、相对平稳的本征模态函数分量和残...     

基于高斯混合和BP神经网络的卵巢癌质谱数据三分类模型

癌症的早期诊断可以显著提高癌症患者的存活率,三分类问题就是将未知样本与已知样本进行匹配度检测,预测样本是健康状态,良性发展状态,还是癌症状态.针对复杂难分的卵巢癌蛋白质质谱数据,提出了一种基于高斯混合模型和BP神经网络的三分类预测模型.首先,去除原数据中的冗余,对其进行方差排序及交集筛选提取特征集合一,再利用高斯混合模型处理求得参数作为特征集合二,最后使用BP神经网络进行样本三分类,准确率达到72.9%.结果表明:模型可以作为卵巢癌质谱数据三分类的可选择工具.     

精神疾病患者经济负担分析及预测

对某精神疾病的专科医院患者数量及费用进行分析,采用径向基函数(RBF)神经网络模型对精神疾病患者的看病费用进行拟合及预测,并比较该预测模型与BP神经网络的预测效果.将贵州省某精神类疾病的专科医院2015年1月-2016年12月医院HIS系统中的病人处方数据作为训练集,建立BP模型、RBF神经网络模型.分别对2017年1月1日-2017年1月16日病人用以精神类疾病看病费用情况进行预测.RBF神经网络模型均能够较好地拟合和预测精神类疾病患者看病费用,可以为医院管理者了解本院精神病患者看病费用的变化趋势提供依据,为制定精神病患者疾病负担的相关政策提供数据支撑.     

Tidal level forecasting using functional and sequential learning neural networks

Prediction of tides is very much essential for human activities and to reduce the construction cost in marine environment. This paper presents two methods (1) an application of the functional networks (FN) and (2) sequential learning neural network (SLNN) procedures for the accurate prediction of tides using very short-term observation. This functional network model predicts the time series data of hourly tides directly while using an efficient learning process by minimizing the error based on the observed data for 30 days. Using the functional network, a very simple equation in the form of finite difference equation using the tidal levels at two previous time steps is arrived at. Sequential learning neural network uses one hidden neuron to predict the current tidal level using the previous four levels quite accurately. Hourly tidal data measured at Taichung harbor and Mirtuor coast along the Taiwan coastal region have been used for testing the functional network and sequential neural network model. Results show that the hourly data on tides for even a month can be predicted efficiently with a very high correlation coefficient.     

基于NARX神经网络方法的汽轮机转子关键部位应力预测

汽轮机启动过程中,对转子进行应力预测具有重要意义.为满足在线预测国产某350 MW超临界汽轮机转子关键部位应力的需要,提出了一种基于具有外部输入的非线性自回归(NARX)神经网络的应力预测方法.根据转子实际尺寸建立二维轴对称有限元模型,确定了相应的边界条件,并对有限元计算结果进行验证,得到了转子在冷启动工况下的温度场和应力场,确定了转子的危险点.再根据冷启动规则,构建了288个典型启动工况,并对每个启动工况分别进行有限元计算,获取了每个工况下机组运行参数以及转子危险点处应力的时间历程数据,进而建立了神经网络训练样本库,并使用NARX神经网络对危险点处应力进行预测.此基于NARX神经网络的预测方法可以准确预测出汽轮机转子危险点处的应力变化趋势,其预测值与有限元仿真结果吻合良好,可以满足转子应力在线预测的需求.     

Neural network as a simulation metamodel in economic analysis of risky projects

An artificial neural network (ANN) model for economic analysis of risky projects is presented in this paper. Outputs of conventional simulation models are used as neural network training inputs. The neural network model is then used to predict the potential returns from an investment project having stochastic parameters. The nondeterministic aspects of the project include the initial investment, the magnitude of the rate of return, and the investment period. Backpropagation method is used in the neural network modeling. Sigmoid and hyperbolic tangent functions are used in the learning aspect of the system. Analysis of the outputs of the neural network model indicates that more predictive capability can be achieved by coupling conventional simulation with neural network approaches. The trained network was able to predict simulation output based on the input values with very good accuracy for conditions not in its training set. This allowed an analysis of the future performance of the investment project without having to run additional expensive and time-consuming simulation experiments.     

BP神经网络在农机总动力预测中的应用

准确的预测黑龙江省农机总动力,可为黑龙江省的农业机械化发展趋势和农机产品市场分析提供理论指导,为制定黑龙江省农业机械化发展规划和预测近阶段农业机械化发展水平提供参考依据.利用黑龙江省1980-2007年农机总动力数据,运用标准BP神经网络和改进BP神经网络模型进行预测,预测结果表明,改进BP神经网络模型比标准BP神经网络模型在预测精度、运行时间、学习次数等方面更具优越性.     

Time series forecasting with neural network ensembles: an application for exchange rate prediction

This paper investigates the use of neural network combining methods to improve time series forecasting performance of the traditional single keep-the-best (KTB) model. The ensemble methods are applied to the difficult problem of exchange rate forecasting. Two general approaches to combining neural networks are proposed and examined in predicting the exchange rate between the British pound and US dollar. Specifically, we propose to use systematic and serial partitioning methods to build neural network ensembles for time series forecasting. It is found that the basic ensemble approach created with non-varying network architectures trained using different initial random weights is not effective in improving the accuracy of prediction while ensemble models consisting of different neural network structures can consistently outperform predictions of the single ‘best’ network. Results also show that neural ensembles based on different partitions of the data are more effective than those developed with the full training data in out-of-sample forecasting. Moreover, reducing correlation among forecasts made by the ensemble members by utilizing data partitioning techniques is the key to success for the neural ensemble models. Although our ensemble methods show considerable advantages over the traditional KTB approach, they do not have significant improvement compared to the widely used random walk model in exchange rate forecasting.     

基于LSTM-GA混合模型的患者预约排队策略优化

在医疗运作管理领域,合理的资源分配能够帮助更多的患者尽早就医,降低患者病情恶化和死亡的风险。本文设计了预约排队策略对患者占有资源的顺序进行分配,建立了基于长短时记忆(Long Short Term-Memory, LSTM)神经网络和遗传算法(Genetic Algorithm, GA)的混合模型以优化排队策略。首先利用大数据和深度学习分析患者到达和医院服务情况,建立LSTM神经网络学习数据特征并预测未来数据,相比于排队论常用的随机分布方法取得了更好的效果.其次设计了基于排队系统仿真的排队策略优化算法,利用改进GA得到最优排队策略。实证研究表明,文本的方法可以明显降低患者的等待时间,最高可达59%。最后对排队策略进行敏感性分析,结果表明排队策略有效作用于仿真的各个时段。     

人工神经网络模型在研究生招生数量预测中的应用

研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素,这些影响因素往往无法量化,而且各个影响因素之间关系错综复杂,简单的线性模型预测未来招生数量往往难以实现.尝试采用人工神经网络(BP-ANN)模型,针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题,通过对黑龙江省历年(1981—2004)研究生招生数量进行系统分析,建立了人工神经网络预测模型,并对未来3年的招生数量进行了预测,预测结果较好,为该方面研究提供了新的研究思路与研究方法.