应用灰色新陈代谢GM(1,1)模型预测河流水质

由于常规GM(1,1)模型进行预测时,精度较高的仅是最近的几个数据,越往未来发展,该模型预测的精度也就越弱。针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测。计算机实际模拟证明:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可靠程度,从而实现河流水质的早期预测评估。     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

灰色马尔科夫模型对煤自然发火预测的研究

传统灰色模型GM(1,1)对于随机波动性较大的数据序列拟合较差,预测精度较低,为了弥补这一缺陷,更准确预测煤层自然发火的趋势与危险性,将GM(1,1)模型和马尔科夫模型有机结合,构建了灰色马尔科夫模型。用灰色马尔科夫模型对柴里煤矿实测CO发生量进行预测,与传统GM(1,1)模型的预测结果比较,灰色马尔科夫模型的拟合精度更好,平均相对误差更小,简便、实用,能够为矿井煤自燃火灾的防治工作提供科学的理论依据。     

GP-MaxEnt模型的蛋白质二级结构预测

针对单序列蛋白质二级结构预测问题,提出了一种基于高斯先验最大熵(GP-MaxEnt)模型的预测方法.该方法根据氨基酸的构象偏好进行特征构造,利用改进迭代缩放算法(ⅡS)训练高斯先验最大熵模型.使用CB513数据集对GP-MaxEnt模型进行了测试分析.试验表明,该方法简单有效,能够获得较好的预测精度.     

基于改进LSSVM的节假日高速公路行程时间预测

节假日高速公路交通量突增,导致路段行程时间不确定增加,严重扰乱人们的出行安排,因此有效的行程时间预测至为关键。首先对历史数据集按照节假日行程时间的分布规律进行分类,使得子数据集和特征向量之间的关系,与预测时段行程时间和特征向量之间的关系更加相似。然后对LSSVM (Least Squares Support Vector Machines)模型进行改进,通过构造混合核函数,降低了模型计算复杂度;对PSO优化算法进行改进,解决了标准PSO算法搜索精度低,容易陷入局部极值的缺点。最后使用改进LSSVM模型对不同数据集进行训练,完成行程时间的预测。研究表明:(1)对历史数据集的分类,提高了模型预测的准确性;(2)与传统模型相比,改进后的模型训练速度更快,预测精度更高。     

GM(1,1)模型的改进及其在火灾致死人数预测中的应用

为了弥补传统GM(1,1)模型在波动数据序列预测中误差较大的缺陷,采用一阶差分方法对初始数据序列进行改进,构建了一阶差分GM(1,1)模型。分别应用传统GM(1,1)模型和一阶差分GM(1,1)模型对2009—2016年火灾致死人数进行预测分析。结果显示,一阶差分GM(1,1)模型的预测精度高于传统GM(1,1)模型。     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

改进UGM（1，1）模型在雷达故障预测中的应用

针对传统不等时距灰色模型(UGM(1,1))在背景值构造上的缺陷,从优化背景值构造和提高模型的预测精度及适用性出发,采用背景值加权和新陈代谢模型相结合的方式,提出了一种改进不等时距灰色模型一新陈代谢UGM(1,1,w)模型,用雷达故障预测实例进行了仿真及模型比较分析.结果表明,基于新陈代谢UGM(1,1,w)模型的雷达故障预测方法在预测精度和适用性上均优于传统UGM(1,1)模型.     

基于PSO-WSVR的短期水质预测模型研究

针对传统方法很难建立精确的非线性水质预测模型的情况,提出了基于粒子群优化加权支持向量回归机(PSO-WSVR)的水质短期预测模型.在建模过程中,根据各样本重要性的差异,给各个样本的惩罚系数赋予不同权重,改进了标准支持向量回归机算法,克服了标准支持向量回归算法因不同样本均采用相同权重造成预测精度低的问题,并采用粒子群优化算法对加权支持向量回归机参数组合进行自适应优化,模型收敛速度明显加快.运用PSO-WSVR模型对江苏宜兴市集约化河蟹养殖池塘水质进行预测,与标准支持向量回归机和BP神经网络对比分析.结果表明,该模型性能可靠、泛化能力强,预测精度高,为集约化水产养殖水质短期预测提供了一种新思路.     

基于标识指数法的水质灰色动态模型群预测分析

目的为了解决由数据序列随机波动性大而引起的GM（1，1）动态模型群预测精度不高的问题．方法利用水质标识指数序列作为灰色动态模型群的原始数据序列进行水质预测，并通过误差修正得出预测结果．以浑河沈阳城区段某断面的监测水质为例，采用标识指数法的水质灰色动态模型群计算，通过实际监测数据检验预测精度．结果预测结果表明：河流水质标识指数经过误差修正后与实际监测资料的水质标识指数计算结果基本一致．结论由此证明利用基于标识指数法的灰色动态模型群进行预测不仅精度较高，而且计算结果能直观反映水质状况，可以作为水质预测的一种有效方法．     

基于BP神经网络的钱塘江水质指标的预测

为掌握钱塘江水质未来的变化情况以及预防污染事件的发生，建立了一个水质指标预测模型.利用钱塘江某行政交界断面的水质指标实测数据作为学习样本，选取了总磷、总氮、化学需氧量等9项指标作为预测参数，运用Levenberg-Marguardt优化算法对学习样本进行优化，建立了反向传播（BP）神经网络模型，并运用该模型对钱塘江水质指标进行了预测.结果表明，BP神经网络模型的预测精度较高，预测速度快，对大部分水质指标能够得到较好的预测值，相对误差的绝对值小于6％.此BP神经网络能够有效地应用于水质指标的预测和水质趋势的预警预报系统中.     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

基于一种贴近度的IGOWLA算子的最优组合预测模型

为了克服传统的单项预测方法选取固定参数时的不足,在广义诱导有序加权对数平均算子(IGOWLA算子)的基础上,引入贴近度以及λ次幂误差,构建了基于一种贴近度的IGOWLA算子的最优组合预测模型,并给出了该模型的预测精度、优性及非劣性定义.实例分析表明,该组合预测模型优于传统的单项预测模型,能够充分利用各个单项预测方法的信息并提高预测精度,是一种优性组合预测.     

基于改进GM(1,1)模型的变电站检修运维费用预测

针对变电站因设备的缺陷而引起的全寿命周期成本（life cycle cost,LCC）中检修运维费用拨付波动现象,分别采用传统的灰色GM(1,1)模型和组合改进的灰色GM(1,1)模型,对未来3年地市A的变电站检修运维费用进行预测,优化现有的成本拨付策略。结果表明,2种模型的预测精度等级均为一级,但改进后模型的平均相对误差及后验差比值均低于传统模型,说明改进模型比传统模型具有更高的预测精度,能够更好地预测变电站的检修运维费用。最后,利用改进的预测模型对某地市A的2019—2021年变电站检修运维费用进行预测。     

用于网络安全态势预测的SAGPSO-SVM模型研究

网络安全态势预测精度不足,导致主动防御不及时。本文提出一种基于模拟退火与高斯扰动的粒子群算法(SAGPSO)与支持向量机(SVM)结合的预测模型,首先在传统粒子群(PSO)算法基础上引入模拟退火的思想,避免局部极值,对较优个体进行高斯扰动,然后利用该算法的全局收敛性强、收敛速度快和精确度高的特点对SVM参数进行优化,最后运用获取的模型参数进行预测,从而提高预测精度,并将此模型的预测结果与PSO-SVM和SAPSO-SVM预测模型的预测结果进行对比。结果表明,SAGPSO-SVM是一个预测精度高而且能够更加准确的描述网络安全态势变化趋势的预测模型。     

国民经济第三产业发展的GEP演化建模与预测

提出了一种基于基因表达式编程的经济发展演化模型,在该演化模型中.给出了参数控制集、函数集和变量集,构造了相应的适应度函数,重新定义了遗传算子集,并对国民经济第三产业的发展进行了预测.实验结果表明,基于基因表达式编程的演化模型具有较好的预测精度与收敛速度,能够较好地应用于定量经济指标预测当中.     

基于自适应精英蚁群算法的GM（1,1）预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。     

预测酸雨频率的双残差GM(1,1)模型及其应用实例

目前预测酸雨频率多采用传统的残差GM(1,1)模型 .本文结合最新修正的GM(1,1)模型及二级残差的概念 ,提出一种新的酸雨频率预测模型———双残差GM(1,1)模型 ,并利用该模型对青岛市酸雨频率进行模拟和预测 ,结果表明所建模型较之于传统模型有更高的模拟和预测精度 .     

新型GM(2,1)模型在电力负荷预测中的应用

电力负荷预测是电网调度中的一项重要工作,精确的负荷预测是电网运行安排的主要依据。文中提出了一种新型GM(2,1)模型的建模方法,克服了传统GM(2,1)模型强行定义白化微分方程常数项所带来的数据突变问题。将上述方法用于电力负荷预测,实例仿真结果表明,与传统的GM(2,1)模型相比,新模型具有更高的预测精度,为电力负荷预测提供了一种重要手段。     

对神经网络污染预报建模的影响因素

为了通过大气环境质量的预测提出有效的污染防治措施,作者采用伦敦市PM_(2.5)的小时监测数据,利用传统的BP神经网络建立预报模型,定量预测伦敦市PM_(2.5)的小时平均质量浓度,探讨了大气污染预报网络的建模过程中,扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响.最后得出结论,适当选择样本集、加入气象变量,有利于提高所建网络模型的预测精度.