高速公路行程时间Bootstrap-KNN区间预测分析与实证

针对行程时间点预测不能描述预测结果的可信度问题,以高速公路收费系统作为基础数据源,提出基于Bootstrap的高速公路行程时间区间预测模型,通过范围概率(PICP)、预测区间平均宽度(MPIW)以及综合指标(CWC)反映区间预测性能.对预测模型建模和Bootstrap置信区间估计方法两个关键步骤进行分析和实证,比较小波神经网络和K最近邻两种常用数据驱动方法的预测误差,并分析4种Bootstrap置信区间估计方法的区间预测性能.在相同的置信水平下,Percentile Bootstrap-KNN模型的综合指标值CWC最小,说明该模型区间预测性能最佳.对陕西省高速公路某热点OD进行实例分析,结果表明,采用相同预测算法的区间预测比点预测的误差小,且预测区间宽度可以表征预测结果的可信度和参考价值.     

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。     

基于区间预测模型的流感趋势预测

在流感暴发趋势预测模型的研究中,传统点预测是估计预测平均值的随机变量,不包含置信水平和预测区间范围等辅助决策的有用信息,导致决策者不能很好把握流感发展趋势.为了解决上述问题,提出利用神经网络上下限估计方法(LUBE)建立预测区间(PI)发展了流感趋势区间预测模型,提出了评价预测区间的宽度范围组合指标(CWC),运用蚁群算法对神经网络区间预测模型进行训练,并运用上述模型对传染病等应急医疗数据进行了仿真.为了衡量预测区间性能,改进模型与Delta、Bayesian、Holt指数平滑和支持向量机等常用预测模型建立的预测区间进行了对比.结果表明蚁群算法神经网络区间预测模型能够对流感趋势进行更为有效的分析和预测.     

支持向量机与神经网络相结合的板带凸度预测

为提高热轧生产过程中板带凸度的预测精度,提出了一种将粒子群优化算法(particle swarm optimization, PSO)、支持向量回归(support vector regression, SVR)和BP神经网络(back propagation neural network, BPNN)相结合的板带凸度预测模型。采用PSO算法优化SVR模型的参数,建立了PSO-SVR板带凸度预测模型,提出采用BPNN建立板带凸度偏差模型与PSO-SVR板带凸度模型相结合的方法对板带凸度进行预测。采用现场数据对模型的预测精度进行验证,并采用统计指标评价模型的综合性能。仿真结果表明,与PSO-SVR、SVR、BPNN和GA-SVR模型进行比较,PSO-SVR+BPNN模型具有较高的学习能力和泛化能力,并且比GA-SVR模型运算时间短。     

区间灰数的标准化及其预测模型的构建与应用研究

由于区间灰数运算体系不完善,灰数间的代数运算将导致结果灰度增加,难以有效构建基于＂区间灰数＂的灰色预测模型.对此,通过将区间灰数进行标准化处理,分解成基于实数形式的＂白部＂和＂灰部＂两个部分;然后分别对＂白部＂和＂灰部＂建立模型,再推导并还原得到区间灰数预测模型;最后,将该模型应用于城市外来工数量的预测,预测效果验证了所提出模型的有效性及实用性.     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

基于加权K-Means和局部BPNN的票房预测模型

电影作为典型的短周期、体验型产品,其票房收益受众多因素的共同影响,因此对其票房进行预测较为困难.本文主要构建了一种基于加权K-均值以及局部BP神经网络（BPNN）的票房预测模型对目前的票房预测模型存在的不足进行改进,从而提高票房预测的精度：（1）构建基于随机森林的影响因素影响力测量模型,并以此为依据对票房影响因素进行筛选,以此来简化后续预测模型的输入;（2）考虑到不同影响因素对票房的影响力不同的现实情况,为了解决以往研究中对影响因素权重平均分配的问题,本文构建了基于加权K-均值和局部BP神经网络的票房预测模型,以因素影响力为依据对样本数据进行加权的K-均值聚类,并基于子样本构建局部BP神经网络模型进行票房预测.实验证明,本文所构建的模型平均绝对百分比误差（MAPE）为8.49%,低于对比实验的10.39%,可以看出本文构建的基于加权K-均值以及局部BP神经网络的票房预测模型的预测结果要优于对比模型的预测结果.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

一种TCN的改进模型及其在短期光伏功率区间预测的应用

为了提高光伏功率预测的精度,提出了一种基于时序卷积网络(temporal convolutional network, TCN)的新型短期光伏功率区间预测模型。首先,采用深度残差收缩网络(deep residual shrinkage network, DRSN)的软阈值和注意力机制来改进TCN的残差模块以增强其对有用特征提取能力,并削弱冗余特征的不利影响;然后,利用樽海鞘群算法(slap swarm algorithm, SSA)对TCN的卷积层的卷积核大小和TCN层数等超参数进行自动寻优,以克服原TCN感受野不足的问题;接着,采用核密度估计(kernel density estimation, KDE)方法对所建改进TCN短期光伏功率预测模型的点预测结果进行误差分析,获得模型预测输出的区间。最后,通过对比仿真实验得到的结果表明,提出的SSA-DRSN-TCN模型的RMSE平均值为0.27,优于LSTM、GRU、CNN-LSTM和TCN等模型;而且,KDE方法能够在80%、90%和95%的置信度下准确描述光伏功率波动区间,验证了所提模型在提高光伏功率预测性能上的有效性。     

一种优选移动平均预测模型的Min-Min算法

为使移动平均法预测技术的应用从专业化向大众化、人工化向智能化转变,在对一次移动平均模型进行改进之后,以预测的局部残差平方和最小为原则,设计出一种优选移动平均预测模型的Min-Min算法:首先,分别选出一次移动平均模型和二次移动平均模型各自的最优移动项数;然后,在最优的一次模型与最优的二次模型之间作出最优次数的选择;最后,基于优选出的移动平均模型对未来一期开展点预测和区间预测.同既有算法相比,本算法对移动平均法预测技术的进步性主要体现在:a)以先选定移动项数、后选定移动次数的程序算法取代先选定移动次数、后选定移动项数的专家做法,从而将移动平均法的实施从半自动化的人工预测提升至全自动化的智能预测;b)对现行的一次移动平均模型进行改进,从而大幅提高一次移动平均法的预测能力;c)在移动平均模型现行只有点预测的基础上进一步提出区间预测,从而起到完善和丰富预测报告的作用.     

基于Bootstrap的高炉铁水硅含量二维预报

高炉铁水硅含量的实时准确预报对调控高炉炉温和稳定炉况具有重要作用, 但其预报结果一直存在准确度不高和缺乏可信度表征等问题, 特别是在炉况不稳、运行数据波动较大时, 预报结果的准确度和可信度急速下降, 不利于现场操作人员根据预报结果进行生产操作. 为此本文融合神经网络和Bootstrap预报区间方法, 构建高炉铁水硅含量的二维预报模型, 实现在预报硅含量值的同时给出了该预测值的可信度.应用实例表明, 本文提出的方法提高了硅含量点预测结果的准确度, 且预测区间宽度能正确地表征点预测结果的可信度, 对实际生产操作具有较好的指导意义.     

航段油耗深度学习高质量区间预测算法

为提高给定置信水平下航段油耗区间预测结果的可靠性和稳定性,提出航段油耗深度学习高质量区间预测算法.通过对初级数据源进行按航段分类、无量纲化等预处理,提高预测结果的可靠性和算法的普适性;通过自适应相关参数、柔和化处理优化损失函数,进一步提高算法的可靠性、稳定性和普适性.训练得到的预测区间覆盖率在设定的置信水平周围,多次训...     

基于深度学习的城市轨道客流预测实训基地培训系统设计与实现

为进行城市轨道客流量的科学预测,设计实现了实训基地培训系统,在系统中分别构建BP（Back Propagation）神经网络模型与DBN（Deep Belief Network）深度置信网络模型来进行城市轨道客流量数据的收集与整理。针对城市轨道交通车流量短时间快速增长的问题,在系统中建立实时数据分析处理模块,结合深度置信网络,使用算法对轨道客流进行实时准确的预测。将采集到的大量数据通过系统的数据处理模块进行分析验证,数据分析结果显示：在深度置信网络模型中,轨道交通各节点平均均方根误差相比BP神经网络模型大约减少了0.01475,每批次任务实时计算时间平均为3.5s,系统预测实时性较好,准确率较高,有很好的预测效果,可以合理地规划城市轨道交通线路,有效提高了城市轨道的交通利用率。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。