基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。     

基于NLAPSO．RBF的铁路货运量预测研究

铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题,建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性,适于预测计算,但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化,进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证,将仿真结果与其他算法进行了比对,证明了方法的预测精度与收敛速度均优于其他算法,在铁路货运量预测计算上有效可行。     

AFSA优化灰色神经网络的某电源组合故障预测

针对电源组合故障预测的需求,提出了一种基于人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)优化灰色神经网络的故障预测方法;文中首先对AFSA算法和灰色神经网络进行了介绍;然后在此基础上提出了基于AFSA优化灰色神经网络的故障预测模型,并给出了AFSA优化灰色神经网络参数的算法步骤;最后对制导雷达波束控制系统中的某电源组合进行了故障预测,预测结果表明该预测方法误差较小,达到了预期效果。     

现代医院门诊量的灰色RBF神经网络预测

门诊量预测是现代医院电梯交通以及医疗资源优化配置的重要前提。为了有效地预测医院的门诊量,提出一种将灰色预测方法与RBF神经网络有机结合的灰色神经网络组合预测方法。该方法利用灰色预测中的累加生成运算（AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本。所提出的方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,对短期的医院门诊量预测具有较强的实用价值。结果表明：所提出的方法具有良好的预测精度。     

灰色神经网络模型在物流需求预测中的研究

研究物流准确预测,进行物流优化管理问题,由于现代物流需求变化是多种因素综合的结果,传统单一模型只能反映部分变化规律,不能全面反映其需求变化规律,导致预测精度不高.为了提高了物流需求的预测精度,提出一种灰色神经网络的物流需求预测方法.组合方法首先采用灰色预测模型对训练样本进行学习,得到BP神经网络的输入值,然后采用BP神经网络对其进行预测,得到最终物流需求值.将组合模型应用于湖南省物流需求预测中,实验结果表明,改进的模型提高了物流需求预测精度,发挥了2种单一模型优势,克服了单一模型不足,提供一种物流优化管理的有效方法.     

基于随机灰色蚁群神经网络的近期公交客流预测

为了科学准确地预测近期公交客流量,根据近期公交客流量预测受到多因素影响以及非线性的特点,利用随机灰色变量描述预测系统的不确定性,建立了随机灰色预测模型以及基于蚁群算法的递归神经网络模型,在此基础上,提出了一种基于随机灰色蚁群神经网络的近期公交客流量预测方法。最后以铜陵市为例,对模型的预测精度和有效性进行了分析。结果表明,基于蚁群算法的递归神经网络模型的预测精度不但高于其他单一预测模型,而且明显优于其他传统组合预测模型,能很好地反映事物发展的规律,能够指导公交经营管理者近期的决策行为,有效地改善了预测精度。     

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理（PHM）领域的核心内容, 对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合, 构建灰色神经网络模型并对其进行分析; 然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进, 提出一种基于改进灰色神经网络的故障预测模型; 最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例, 以采集的原始频率数据为基础进行仿真验证。预测结果表明, 将该预测方法应用于电子装备PHM是行之有效的, 可有效提高故障预测精度。     

改进灰色神经网络的冰箱订单需求预测研究

研究冰箱订单需求准确预测问题,由于冰箱需求具有季节性和随机性,传统的数据模型无法准确描述订单变化规律,预测精度较低。为了提高冰箱订单需求预测精度,将神经网络和灰色理论相结合,构建一种改进灰色神经网络的冰箱订单预测方法。利用灰色系统理论处理订单产生中的随机性,BP神经网络预测其非线性变化规律,并利用遗传算法对神经网络参数进行优化,实现对冰箱订单的准确预测。仿真试验表明,相对于传统预测方法,改进灰色神经网络提高了订单需求的预测精度,可为冰箱需求的预测提供依据。     

集成智能自适应货运量预测算法研究

在深入分析各种货运量预测模型的基础上,首先提出了基于云理论的新的不确定性推理模型——T-S-C-Y模型;然后基于灰色关联理论对货运量及其相关因素进行了灰关联分析,并确定影响货运量诸多因素的灰关联序;在此基础上结合一维T-S-C-Y模型和径向基函数神经网络建立了货运量预测模型对河南省1997~2002年的货运量进行预测。该预测模型既能很好地集成概念的模糊性和随机性,同时又具有自学习、自组织、自适应和强的容错能力,而且预测输出结果为置信区间值,能够很好地适应货运量的高度不确定性。结果表明模型的预测值基本上与实际值吻合,是一更加科学、合理的预测模型。     

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM（1,1）,对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。     

基于GS-LSTM模型的铁路货运量预测

铁路货运量预测的准确性对铁路运输企业制定营销计划和营销决策来说是必要的,尤其是短期铁路货运量的影响至关重要。为了提高铁路货运量的预测精度,提出一种优化长短期记忆网络（Long-Short Term Memory, LSTM）参数的预测模型——GS-LSTM模型,通过利用网格搜索算法（Grid Search）对LSTM模型训练网络中最主要的参数（批量大小、隐含层神经单元个数和学习率）进行优化。基于2005年1月—2021年7月的铁路货运量月度数据,首先建立BP和LSTM模型对预测结果进行比较,LSTM模型比BP模型的MAPE降低1.55个百分点,然后分别对BP和LSTM模型的网络参数进行优化后再进行比较,优化后的2种模型比基础模型的预测效果均有提高,而且优化后的LSTM模型比BP模型的MAPE又进一步降低0.18个百分点。实验结果显示,优化后的LSTM模型预测效果更佳,泛化能力更好,具有很好的研究和使用价值。     

AdaBoost_BP神经网络在铁路货运量预测中的应用

为提高BP神经网络预测模型的预测准确性,将AdaBoost算法和BP神经网络相结合,提出了一种AdaBoost_BP神经网络预测模型。将该预测模型应用于我国1999年—2009年铁路货运量的历史统计数据,进行有效性验证,结果表明该模型对铁路货运量预测是有效、可靠的,且具有较高的预测精度,可应用于实际预测。     

基于目标优先级的区域铁路网目标规划模型建立及分析

从区域铁路网假设规模的层面出发,对铁路客货运输量、经济发展水平、铁路网规模三者间的关联性进行了深入研究,构建得到了预测区域铁路网建设规模的规划模型。把问题分成二个不同阶段再对其实施求解,第一阶段是通过分析区域社会经济发展情况来确定铁路客货运输量,第二阶段是按照之前得到的客货运输量来计算区域铁路网的建设规模。铁路网运输能力跟运输量之间的适配结果可知,对长江中下游地区的铁路网进行趋稳里程规模进行测试可以获得有效解。结合此地区经济地位以及这一地区建成的铁路网规模与国内总铁路网的占比结果,同时根据此区域经济未来发展趋势,证明该预测结果是合理的。     

改进的LM神经网络工程地质综合评价模型

以可靠的遥感地质信息为基础,采用步长自适应调整的Levenberg-Marquardt神经网络建立了工程地质灾害综合评价模型,实现对地质条件和地质灾害危险性的有效评价。通过对地质灾害危险性评价单元进行分析量化,将评价结果集成在三维地理环境中,实现了评价结果的三维可视化,实现对地质条件进行直观分析和评价。实例验证表明,基于步长自适应调整的LM神经网络具有准确度高、速度快的优点,是一种较为理想的工程地质综合评价方法。     

基于LIBSVM和时间序列的区域货运量预测研究

针对区域货运量预测中影响因素多、样本数量小的问题,提出了互信息MI与LIBSVM支持向量回归以及状态空间时间序列相结合的预测方法,采用MI进行高维度特征降维后,以新的低维空间作为样本输入,分别建立LIBSVM支持向量回归和状态空间时间序列预测模型。通过重庆市货运量预测实验结果及对比分析表明,该方法在进行有效预测的同时能够改善预测精度,相对误差约为0.06。     

灰色变异粒子群在铁路解编量预测中的应用

为了科学准确地对铁路解编作业量进行预测,基于变异粒子群算法优化参数的良好性能和灰色预测法对不确定因素影响的系统准确预测的优点,提出了一种灰色变异粒子群组合预测模型,对铁路解编作业量进行准确地预测。并通过实例分析了模型的预测精度和可行性,且与传统的灰色预测模型进行比较。结果表明,灰色变异粒子群组合预测模型对铁路解编作业量预测明显优于传统的灰色预测模型。运用该模型预测未来铁路的解编作业量,以对铁路编组站进行合理编制和检查运营计划,从而为编组站规划和设计提供理论依据。     

基于并行C4.5的铁路零散白货客户流失预测研究

为了提高铁路零散白货客户流失预测的准确性和高效性,根据铁路零散白货客户的流失特征,提出了基于CDL模型的客户流失识别方法,在此基础上,针对数据量大的问题,提出了基于Hadoop并行框架的C4.5决策树客户流失预测模型。通过仿真实验,证明该模型具有较好的准确性和预测能力,并且随着样本数量的增加,Hadoop并行框架的效率得到了明显的提升,且不影响客户流失预测模型的准确性和预测能力。     

使用GNN与RNN实现用户行为分析

随着国家高性能计算环境(CNGrid)各个节点产生日志数量不断增加,采用传统的人工方式进行用户行为分析已不能满足日常的分析需求。近年来,深度学习在入侵检测、图像识别、自然语言处理和恶意软件检测等与计算机科学相关的关键任务中取得了良好的效果。演示了如何将深度学习模型应用于用户行为分析。为此,在CNGrid中对用户行为进行分类,提取大量绑定到会话的用户操作序列,然后将这些序列放入抽象的深度学习模型中。提出了一种基于图神经网络(GNN)和循环神经网络(RNN)的深度学习模型来预测用户行为。图神经网络能够捕捉用户局部行为的隐藏状态,可以作为预处理步骤。循环神经网络能够捕捉时间序列的信息。因此,通过将GNN和RNN相结合的方式来构建该模型,以获得两者的优点。为了验证模型的有效性,在CNGrid的真实用户行为数据集上进行了实验,并在实验中与多种不同的其他方法进行对比。实验结果证明了这种新的深度学习模型的有效性。