基于OSA算法和GMDH网络集成的电子商务客户流失预测

电子商务客户流失预测是一种典型的高维、非线性、数据不平衡问题,传统的方法已很难提高其预测精度。本文将自组织数据挖掘方法(SODM)引入电子商务客户流失预测,提出一种基于客观系统分析(OSA)和数据分组处理(GMDH)网络集成的电子商务客户流失预测模型。首先利用OSA算法自动选择出重要的电子商务客户流失关键属性,然后将训练样本送入GMDH网络进行学习与训练,进而对测试样本客户流失状态进行预测。为了提高预测精度,本文还利用向上采样法进行数据平衡化,使得流失类和非流失类客户数量大致相等。应用该模型对某网上商场客户流失状态进行预测,并将预测结果与神经网络、SVM等方法得到的结果进行了比较,验证了该模型的有效性及实用性。     

组合式神经网络下的短期电力负荷预测模型分析

本文对电力负荷变化规律和影响因素进行分析,提出一种组合式神经网络下的短期电力负荷预测模型。采用神经网络、模糊聚类分析和模式识别理论的方法进行建模。以每天24点负荷数据、天气数据以及天类别数据为指标,将历时数据分成若干类别,针对每一类别建立神经网络预测模型,预测时通过模式识别,找出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时短期电力负荷预测。     

基于最小二乘的支持向量机在电力需求预测中的应用

文章针对常规电力需求预测方法的不足,在分析SVM的线性和非线性分类方法的基础上提出一种基于最小二乘的支持向量机预测方法.LS-SVM模型采用结构风险最小化原则,能够在对小样本学习的基础上,对其他样本快速、准确的拟合预测,具有更好的泛化性能和精度,减少对初始值的依赖.文章采用河北省某市实际的负荷数据,按照不同的负荷日属性和历史数据属性进行样本选择,使用径向基核函数进行了电力需求预测.将预测结果与真实值和由时间序列及BP神经网络方法得到的结论进行比较,表明所提出的预测模型具有较高的精度,是有效和可行的.     

基于并联灰色神经网络的陕西省宏观经济预测

结合灰色GM（1,1）预测模型和BP神经网络2种预测模型的优点,提出了一种并联灰色神经网络模型,并用该模型对陕西省宏观经济进行预测.结果表明,并联灰色神经网络预测精度高于单一的灰色GM（1,1）预测模型或BP神经网络.     

基于漂移度的组合预测方法研究

由于不同的预测方法能够提供不同的有用信息,其预测精度往往也存在差异,为了分散预测的风险,采用组合预测方法。本文首先提出相容方法集和互补模型集,然后在对不同单一预测模型的漂移性和互补性研究的基础上提出了基于漂移度的组合预测模型,为组合预测模型研究提供一种新的思路。最后通过实例来说明基于漂移度的组合预测模型能够提高样本期预测精度和外推预测精度及实际应用的有效性。     

基于GRA和PCA的BP神经网络应用研究

运用BP神经网络方法对复杂系统建模的过程中，经常遇到指标多、历史数据不足而降低网络泛化能力的情况。为了提高神经网络的泛化能力，本文从简化网络规模的角度出发，运用灰色关联分析法和主成分分析法对原始数据集做降维预处理，达到减少神经网络输入节点个数的目的。将由此建立的预测模型应用于我国粮食产量的预测，与一般的BP神经网络模型和基于主成分的BP神经网络模型相比，该预测模型明显简化了网络结构，提高了预测效率，同时较大地提高了预测精度。     

基于人工神经网络的三江平原土壤质量综合评价与预测模型

根据土壤质量定量评价指标分级体系生成足够多代表性好的神以网络训练和检验用的样本。建立神经网络模型时,利用删减或扩张准则确定神经网络最佳拓扑结构,避免“过拟合”现象,利用检验样本监控在训练过程中不发生“过学习”现象,使建立的土壤质量的综合评价与预测模型具有较好的泛化能力和预测能力。对三江平原地区主要耕作土壤质量的综合评价与预测结果表明,神经网络方法能较好地应用于土壤质量综合评价与预测,比加权综合指数法能更精细地评价与预测土壤的变化趋。     

基于BP神经网络的道路客运量预测模型

在道路运输精细化管理中,道路旅客运输量预测发挥着越来越重要的作用。本文提出一种新的基于BP神经网络的道路客运量预测模型。模型可对一定交通区域内特定时段和类型的客运量进行预测,提供有效的预测数据。通过预测数据,道路运输管理部门和道路运输企业可提前调整管理和经营战略和管理措施,达到改善提高道路运输行业资源利用效率,方便旅客出行的目的。试验证明,该方法具有较高的灵敏性和广泛适应性。     

粮食产量的人工神经网络预测方法的应用研究

粮食产量预测是农业经济管理中的一个重要环节,本文以小麦产量预测模型为例论述了应用于全国粮食产量预测的神经网络模型建立的关键步骤和指标分析选取的方法,并在模型参数优选的基础上用此方法用历史数据进行了预测分析.预测结果表明,该模型可提高粮食产量预测准确性,有效性,实际的预测结果分析说明了该方法的先进性和可行性.     

基于误差校正的灰色神经网络股票收益率预测

在股票市场中,准确的股票收益率预测是市场交易各方共同关心的重要问题。由于影响股票市场的因素十分复杂,仅靠建立单一的股票收益率预测模型来提高预测精度是非常困难的。本文对当前股票收益率预测方法存在的不足进行了阐述,并提出了以误差校正来提高股票收益率预测精度的新思路。首先,利用训练样本构建灰色神经网络模型,然后对股票收益率进行初步预测;其次,引入EGRACH模型来挖掘和分析预测误差序列的内部信息,并对该序列后续点进行预测;最后,利用误差预测结果对股票收益率的初始预测值进行校正。文章以上证综合指数数据为例进行分析,结果显示,与校正前的预测精度相比,校正后的预测精度提高了9.3%,表明EGRACH的误差校正过程是有效的,也验证了该方法的可行性。     

基于战略转换的企业战略风险预警模型研究

将粗糙集理论与神经网络相结合,构建了基于战略转换的企业战略风险预警模型。该模型首先运用基于信息熵与MDV函数的模糊聚类算法进行连续属性离散化,然后采用粗糙集理论约简出重要指标体系,最后采用BP神经网络进行学习和训练,进而对检验样本的风险等级进行判断。实证分析表明：基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果;添加动量因子的改进BP算法提高了网络学习效率,且该预警模型对检验样本的总体预测精度较高,是一种有效和实用的战略风险预警工具。     

一种基于组合神经网络的时间序列预测方法

本文探讨了神经网络时间序列预测模型的建立机制有其的构造方法，同时，为了消除模型的系统偏差，提出了构造辅助神经网络用以对原有模型的预测结果进行了校正以减小其误差。并对外汇汇率数据进行了模糊构造和预测。结果表明，组合神经网络在模型的拟合精度和预测准确性方面有都有提高。     

BP神经网络与RBF神经网络在股价预测中的应用

本文利用神经网络对股票走势进行分析和预测,构建了两种神经网络预测模型,通过对以往历史数据的学习,找出股市发展的内在规律,用以预测未来的走势。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题，往往导致预测模型训练效果不佳，并可能出现极端预测值的情况。为此，本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集，然后分别训练多个神经网络预测模型，最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言，修剪平均策略不容易受到极值的影响，能够使集成模型获得鲁棒性强的预测效果。在实证研究中，本文构造了两种神经网络集成预测模型，分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE)，并采用这两种模型对NN3竞赛数据集进行预测，结果表明在常规和复杂数据集上，修剪平均策略比简单平均策略具有更好的预测精度。此外，本文将所提出的集成模型与NN3的前十名模型进行比较，发现两种模型在全部数据集上均超过了第6名，在复杂数据集上的表现均超过了第1名，进一步验证本文所提方法的有效性。     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

基于PSO-SVR模型的能源需求预测

本文将支持向量回归机(support vector regression,SVR)与粒子群算法(Particle Swarm Optimizat ion,PSO)相结合,选取1 985~2008年的能源需求量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的PSO-SVR能源需求预测模型。建立BP神经网络模型,并将两者的预测值进行对比,结果表明,PSO-SVR模型预测精度优于BP神经网络模型。     

基于模糊RBF神经网络的软土地基沉降预测研究

目前软土路段的地基沉降是国家高速公路保护研究的重要内容，软土路基沉降预测的精度要求是准确进行维护的必要前提。本文通过运用模糊RBF神经网络，结合了输入指标的模糊性，同时又利用了RBF神经网络的全局性和非线性的计算优点，对预测精度有了一个更好的提高。最后通过实例运算，证明了该方法的有效性，同时与BP神经网络进行对比，证明了该方法的精确性，为软土地基预测提供了一种更为精确的理论方法。     

预测复杂装备研制费用的GM(0,N)模型

针对横截面数据的复杂装备研制费用预测问题，研究了GM（0，N）模型的稳定性，证明了当样本较少时，GM（0，N）模型相对稳定。依据所提出的相似度对原始数据排序，在此基础上建立GM（0，N）模型，与待预测对象越相似的样本数据对GM（0，N）模型解的影响越敏感，从敏感性角度说明与待预测对象越相似的样本数据，其影响权重越大。由于相关因素相似的装备往往产生趋同的研制费用，充分利用与待预测对象相似的样本数据，有助于提高预测精度。通过实例说明了本模型的实用性与有效性。     

分布式光伏发电接入电网的电能质量研究

从规划角度探究如何提升分布式光伏发电接入后的电网电能质量，阐述了分布式光伏发电的电能特征，分析该类型分布式电源接入方式可能影响电网产生谐波问题，以及对电压、电流产生波动性影响。在分布式光伏发电规划方案过程中，要有针对性地充分考虑电能质量问题、做好负荷预测和设备选型，根据分布式电源总容量原则设计送出方案与配置方案，提高接入电网的科学性，最后做好电能质量评估，提升接入电网的质效。     

基于BP神经网络的管理信息系统评价研究

管理信息系统的评价是对一个MIS系统的性能进行全面估计与测试,良好的评价可以促进系统设计目标的实现,提高投资效益.本文提出一种利用BP神经网络进行评价的方法,并且对神经网络的样本评价采用了AHP以及模糊评价的方法.该方法充分利用了模糊数学理论与神经网络方法,为管理信息系统的评价提供了可行的途径.