城市燃气短期负荷预测的神经网络等维新息模型

应用人工神经网络理论和灰色预测理论中的等维息建模思想,建立了既反映其时间序列的周期性增长趋势,又包括天气、气温等非线性影响因素在内的短期负荷预测的BP神经网络等维新息模型。通过改进BP神经网络,对哈尔滨市燃气管网系统的小时燃气用量进行了预测,所建立的东仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性,可应用于工程实践。     

基于等维新息灰色马尔可夫模型的互联网用户人数预测研究

对互联网用户人数的科学预测可为网络的建设和管理提供决策依据。在传统灰色预测模型的基础上,结合新信息优先的思想,建立了等维新息灰色预测模型,并利用马尔可夫链模型预测出结果的波动范围,形成等维新息灰色马尔可夫预测模型。再以2007年12月－2012年06月我国互联网上网人数实测值为原始数据,构建预测模型,预测2012年12－2014年06月的互联网上网人数。实例结果表明,等维新息灰色马尔可夫预测模型其预测结果的误差更小,精度更高,还能提供预测结果的波动范围及出现概率。     

一种基于灰色等维新息模型的目标跟踪算法

灰色系统理论将随机过程看成为灰色过程,利用数据表面离乱但整体有序的特点,挖掘潜在本质规律。对运动物体进行光学跟踪及轨迹预测,在飞行器导航、机器人路径规划等方面一直是个研究热点。根据灰色系统理论的思想,提出一种基于灰色等维新息模型的目标位置跟踪预测方法,对其进行具体分析并应用于一目标光学跟踪实验系统并验证了其有效性,最后建议指出了改进此算法的两个新的研究点。     

基于等维新息灰色马尔可夫模型的校准间隔预测

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.     

基于GASA-SVR的矿井瓦斯涌出量预测研究

针对煤矿工作面瓦斯涌出量的多影响因素、非线性、时变性和不确定性等特点,提出了遗传模拟退火算法(GASA)与回归型支持向量机(SVR)的耦合算法(GASA-SVR)用于瓦斯涌出量预测.利用煤层瓦斯含量、深度、厚度、倾角等12个参数作为主要影响因素,经过归一化处理后作为回归型支持向量机训练和测试样本.采用遗传模拟退火算法寻找最优的惩罚参数和核函数参数,同时引入自适应交叉和变异概念,建立瓦斯涌出量的非线性拟合模型,并利用矿井实测历史数据进行试验,结果表明该预测模型比传统的神经网络模型具有更理想的精度和稳定性,可为煤矿瓦斯爆炸的防治提供可靠的理论依据.     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

基于人工神经网络的瓦斯涌出量预测

由于影响瓦斯涌出量的因素很多并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测,神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性,适合对瓦斯涌出量进行建模,针对对波动性较大的数据预测结果不理想的问题,在对监测数据分析的基础上,提出了用数据预处理的方法弱化数据波动性,然后进行神经网络建模的瓦斯涌出量预测模型,试验证明取得到了比较理想的结果。     

基于时间序列的矿井瓦斯涌出量预测方法

由于矿井瓦斯浓度的变化受多种因素共同影响,矿井瓦斯涌出量预测经常出现无法获得一部分变量的情况。针对该问题,提出了一种基于时间序列的矿井瓦斯涌出量预测方法,详细介绍了采用时间序列AR模型对矿井瓦斯涌出量进行预测的具体实现。实验结果表明,该方法对矿井瓦斯涌出量的预测误差率为4.3%,预测比较可靠。     

基于灰色理论和人工神经网络的瓦斯涌出量预测

在对监测数据分析的基础上,提出了将灰色理论引入人工神经网络的瓦斯涌出量预测新模型,并通过实验证明该模型在瓦斯预测中得到了比较理想的结果。     

矿井瓦斯涌出量预测研究新方法

矿井瓦斯涌出预测是建立一个复杂的非线性变化系统的过程,传统的瓦斯涌出量预测方法存在一定的局限性。瓦斯涌出量的预测即是建立函数关系模型,预测模型建立的准确与否取决于各个影响因素之间的相互作用、相互耦合的特性。文中将灰色理论与遗传算法有机地结合起来,以灰色理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯涌出量预测模型。预测实验结果表明,该方法对瓦斯涌出量预测适应性强、方法快捷、预测结果精度高。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型的研究

文章提出了一种采用灰色神经网络对煤矿瓦斯涌出量进行预测的方法,并在此基础上详细介绍了灰色神经网络瓦斯预测模型的构建过程,给出了应用实例。仿真结果表明,该模型具有预测精度高、所需样本少、计算简便等优点。     

基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。     

基于粒子群算法优化支持向量回归的水质预测模型

溶解氧是反映水污染程度的一个重要指标,准确的预测可以高效合理地判断水质环境的状况。由于水质环境的实时变化和复杂性以及收集数据的偏差,在水生系统中获得高效、精确的预测模型是困难的。因此,首先利用主成分分析（PCA）确定影响水质溶解氧的变量数目,降低数据维数,为解决变量间的非线性和非平稳性问题,提出用互信息（MI）选取影响...     

基于SVR算法的燃气轮机功率预测研究

对燃气轮机未来几小时的功率预测是跳闸等故障预警的关键,而国内该方面研究尚少。采用支持向量回归模型,并融合多变量预测,以提高预测的准确性。以某电厂燃气轮机运转的实际数据为例,设计多组对比实验,详细阐述了实验流程以及重要参数的选取方法,最终验证了该方法的有效性。     

线性组合预测模型及其应用

预测的关键是建立合理的预测模型。不同的预测模型各有长处，通过对不同预测模型的线性组合可以得到效果更好的线性组合预测模型。本文以福建城镇居民恩格尔系数为研究对象，分别建立线性回归预测模型、灰色系统预测模型、遗传神经网（GABP）预测模型，并在此基础上建立线性组合预测模型。实证研究表明，线性组合预测模型预测效果较好。     

基于多元线性回归的螺纹钢价格分析及预测模型

通过分析期货黑色系品种螺纹钢产业链上下游的关系,提出了一种基于多元线性回归分析的螺纹钢价格分析及预测模型。首先,收集 影响螺纹钢价格的主要因素数据,包括焦炭期货结算价、焦煤期货结算价、铁矿石期货结算价、热卷期货结算价与人民币兑美元汇率中间价;然后,通过散点图与趋势线对这些影响因素进行分析以确定影响因素,借助SPSS与NCSS软件利用收集到的数据构建基于最小二乘法的多元线性回归模型,并通过岭回归分析消除自变量间的共线性,得到修正后的模型;最后,运用此模型对未来一个月交易日的螺纹钢价格进行较为精准的预测。实验表明,该模型拟合度较高,具有一定的实用性。     

一种基于贝叶斯网络模型的交通事故预测方法

大部分的交通事故都可以预测.有效的交通事故预测能从很大程度上减少人员伤亡和交通阻塞.贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一.该文提出了一种基于贝叶斯网络模型理论的交通事故预测方法.在综合考虑交通事故成因的基础上利用领域专家知识构建网络模型,在已有的事故数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算事故发生的可能性,达到事故预测的目的.文章的最后,通过历史数据进行仿真实验,对仿真结果和该模型的适用范围进行了分析.