组合优化的城市供水量预测模型

城市供水系统是一个复杂的大系统,供水量受多种因素的共同影响.为了节约水资源,供水公司需要根据日供水量记录估计未来一段时间的用水量,以便安排未来的生产调度计划.以过去七年的历史数据为基础.建立了供水量的最优组合预测模型.首先采用霍尔特指数平滑法预测模型进行预测,然后采用BP神经网络预测模型进行了预测,最后采用最优组合预测模型对前两种模型的预测结果进行了优化,模型具有较高的预测精度,组合预测的预测效果优于任意一种单一预测的预测效果,供水量预测结果对未来供水的短期或长期规划能起到重要的宏观指导作用.组合优化的预测结果更为稳健、精度更高,在其它的能源消费预测中具有一定的推广应用价值.     

融合粗糙集和灰色GM（1，N）的西安市供水量预测

对于多变量预测问题,构造了粗糙集和灰色理论的融合预测模型。该模型运用粗糙集的知识依赖度理论对多属性进行约简,在约简基础上建立GM（1,N）模型。用所建模型对西安市年供水量进行了拟合和预测,并与离散灰色GM（1,1）模型作比较。实验结果表明该模型的预测精度高于传统的用灰关联度选择影响因子建模,从而为供水量预测问题提供了一种新方法。     

基于深度学习的城镇供水量预测的云平台设计

随着计算机技术的快速发展,人工智能的不断深入,机器学习、深度学习技术应用广泛,云计算应用日趋成熟,因此可以设计一款城镇供水量预测的云平台,将基于深度学习的预测与基于云平台的架构有机结合.该文经过调研城镇供水公司,分析用户需求,创建供水模型,完成日供水量模型的训练,实现日供水量预测.在此基础上,借助云平台完成结构设计,提...     

基于Markov理论的改进灰色GM(1,1)预测模型研究

在灰色预测的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型.它是将灰色预测模型与马尔可夫预测方法优化组合,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列趋势预测模型的解.通过公路运输实际数据进行了验证,结果表明:灰色马尔可夫预测模...     

高速公路交通量组合预测模型研究

交通量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果.为准确预测,提出一种最优线性组合预测模型并给出了以预测误差平方和最小为目标函数的权系数最优解计算方法,在采用ARIMA模型、BP神经网络和支持向量回归机的基础上,利用组合预测模型实现了高速公路月度交通量的预测.实验结果表明:与季节差分自回归滑动平均模型、BP神经网络和支持向量回归机等预测模型相比,组合预测模型各项评价指标均优于前三者,为实现交通量准确预测提供了更为科学的依据.     

空中交通流量预测建模与仿真研究

研究空中交通流量预测问题,由于航空流量密集,流量增大,造成延误.同时空中交通流量变化具有非线性、时变性等特点.根据线性传统预测方法不能准确描述交通流量变化规律,导致空中交通流量预测精度低.为了提高空中交通流量预测精度,提出一种灰色预测和支持向量机相结合的空中交通流量混合预测模型.混合预测模型先采用灰色模型对空中交通流量线性部分进行预测,然后采用支持向量机非线性部分进行预测,最后将两者结果相融合得到最终预测结果.仿真结果表明,混合模型提高了空中交通流量预测精度,克服了传统预测模型缺陷,为空中交通流量预测提供了依据和有效的方法.     

PSO优化灰色建模在工艺参数预测中的应用

在对波动幅度较大的工艺参数建立灰色预测模型时,采用常规的背景值构造会有较大的预测误差.针对该问题.文中提出利用粒子群算法(PSO)进行自适应灰色预测建模的方法,该方法通过对预测模型背景值的在线优化,能有效提高预测精度.将该方法应用于中药滴制剂工艺参数的预测中,预测结果表明了方法的有效性.     

非线性时间序列混沌特性分析及短期预测

为提高非线性时间序列预测的准确性和可靠性,采用基于混沌理论的方法对时间序列进行分析和预测.在研究关联维数和最大Lyapunov指数算法基础上,利用关联维数和最大Lyapunov指数判定时间序列的混沌特性,根据混沌特性参数建立预测模型,并对非线性时间序列进行预测.以上海证券交易所股票价格指数时间序列为实例验证预测模型,研究结果表明,基于混沌特性参数建立的预测模型具有较好的预测能力和预测精度,证明用该方法预测非线性时间序列具有可行性.     

灰预测与时间序列模型在航天器故障预测中的应用

灰预测是灰色系统理论的重要组成部分,已成功应用于若干领域的预测;时间序列分析是定量预测方法之一;研究了利用以灰预测模型为基础,建立的残差灰预测模型和AR时间序列模型对航天器故障状态进行预测的方法;首先分析了灰预测模型以及残差灰色预测模型的建立过程,之后分析了AR时间序列模型的建立过程;然后利用所建立的模型进行航天器故障状态的预测,给出预测结果;研究表明,残差灰预测模型预测误差比基本灰模型降低,在特定的数据特征条件下也要优于AR时间序列模型.     

中长期电网负荷组合预测研究

中长期负荷预测是地区电网系统负荷预测的重要组成部分,对于电网运营成本的节约,电能质量的提高,系统安全稳定运行的保障等具有重要意义.文中采用基于IOWA算子的组合预测模型来研究地区电网中长期负荷预测模型和预测方法,该组合预测模型将RBF神经网络和灰色系统有机结合,既充分发挥单一预测模型的优点,又避免了单一预测模型所存在的...     

基于灰色理论的电力系统负荷预测模型

为方便并精确地预测电力系统负荷,采用灰色理论建立负荷预测模型.深入分析灰色生成方法和灰色建模过程,并用1组典型电力系统负荷数据和某电力市场实际数据分别构造相应的预测模型.预测结果表明采用灰色系统预测电力系统负荷是可行的.     

组合模型在软件可靠性预测中的建模与仿真

针对软件可靠性受到多种不确定因素影响,且因素间具有多重共线性,单-预测模型无法全面准确描述其变化规律,导致软件可靠性预测精度不高.为了提高软件可靠性预测的精度,提出一种基于熵值法的软件可靠性组合预测模型.首先采用主成分分析消除软件可靠性度量属性间多重共线性,加快学习速度,然后分别采用AR模型和RBF神经网络对软件可靠性进行预测,采用嫡值法确定两种模型的权重,从而得到组合预测模型的软件可靠性预测值.用NASA的软件度量数据进行模型预测,结果表明,仿真预测模型明显提高了软件可靠性预测精度,说明组合预测方法对软件可靠性预测是可行的.     

Web浏览预测的Markov模型综述

Web访问模式挖掘研究的一个重要议题是Web浏览预测,Markov模型是一种经典的Web浏览预测模型.本文首先介绍了基本Markov浏览预测模型,包括基本Markov浏览行为模型,模型的学习训练及其在Web浏览预测问题中的应用;然后重点分析了扩展的Markov浏览预测模型,包括一序组合预测模型、高序模型、混合模型、隐Mark-ov模型、连续时间Markov模型等,综述了各种扩展模型所考虑的浏览预测问题的本质出发点、模型的学习方法及预测方法,最后分析了Markov浏览预测模型有待进一步研究的问题.     

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.     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

基于PCA-PSO-LSSVM的温室大棚温度预测方法

针对温度预测的精度和效率问题,提出了在主成分分析(PCA)法的条件下,利用粒子群优化(PSO)算法优化最小二乘支持向量机(LSSVM)的温室大棚温度预测方法.采用PSO算法对LSSVM的模型参数进行优化,并以自动获取的最佳参数组合构建温度与其影响因子间非线性预测模型.利用搭建的温室大棚智能监控系统对人工温室中的6种环境参数进行采集,并利用所测数据对上述模型进行验证.实验结果表明:与PCA-LSSVM预测模型和PSO-LSSVM预测模型相比,所提预测模型预测效果良好.3种模型评价指标均优于其他预测方法.基于PCA-PSO-LSSVM温度预测模型在全局优化及收敛速度方面具有较大优势,具有良好的自学能力和自适应能力,预测精度高.     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

一种员工离职对业绩影响的预测模型仿真

关于员工离职对企业影响预测优化问题,由于过度的员工流动为企业业绩带来了较大的负面影响.针对员工离职对企业业绩影响预测中的非线性问题,传统的预测方法很难建立员工离职与业绩之间直接的关联预测模型,很难建立准确的约束模型,造成结果估计不准.将员工离职对业绩影响预测分为成本预测和效率预测两个部分,通过预测员工离职对企业运营成本和工作效率的影响,建立一种RBF神经网络的高员工离职率环境下的业绩预测模型.模型首先根据历史数据优化神经网络的参数,选择参数的最优解来建立最优预测模型.以案例企业2000年至2012年的月度财务数据和相关数据对预测模型进行仿真,结果表明,根据RBF神经网络模型的预测模型有更高的预测精度和收敛速度,适用于员工离职对业绩影响等非线性预测问题,具有较高的预测精度和应用价值.     

基于KPCA和灰色模型的凝汽器故障预测

汽轮机凝汽器的故障预测为其故障自愈的研究提供了理论依据.提出一种基于核主元分析和灰色预测模型的汽轮机凝汽器故障预测方法,首次将灰色预测理论应用于凝汽器的故障预测.采用核主元分析法对故障特征数据进行分析和处理,提取反映故障的主要特征量,以降低特征变量之间的非线性相关性,同时减少灰色预测模型的预测参数的数目.然后应用灰色预测理论建立故障特征的预测模型,对每一个主要特征量的趋势值进行预测,重构故障特征向量,用于汽轮机凝汽器故障的预测分析.     

复杂系统控制中的神经网络预测器研究

本文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于非线性复杂系统预测控制的神经网络预测模型方法,并将此方法用于实际非线性系统的预测控制.结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好地应用.