基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,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．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提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,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

煤矿涌水量的灰色RBF网络预测模型

为了达到准确、快速预测煤矿涌水量的目的,实现煤矿井下可靠、节能自动排水的需要,首先采用1-AGO对数据进行处理,得到规律性较强的累加数据,建立灰色预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;利用某矿-600m工作面年均涌水量的历史数据进行建模,实验结果表明,灰色RBF模型在预测精度方面优于单一的灰色模型;其模型计算简便,减弱了数据的随机性及模型误差,提高了煤矿涌水量的预测精度。     

基于灰色Verhulst-小波神经网络的装备故障预测研究

针对现代武器装备故障预测样本少、故障预测精度低、维修保障困难等问题,提出一种基于灰色Verhulst-小波神经网络组合模型的装备故障预测方法。该方法综合了灰色Verhulst模型所需样本少的优点和小波神经网络良好的时频局域化性质和学习能力,克服了小样本故障数据在BP神经网络训练中的缺陷。实验结果表明,与相关研究方法比较,所提出方法具有较高的预测精度,对于武器装备故障预测与维修保障具有一定的理论价值和现实意义。     

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.     

基于引力搜索算法的分数阶变异时序回归GSA-TSGM(1,1)模型

为了利用分数阶累加算子在灰色短期预测中的高效性能,首次将分数阶累加算子引入变异时序回归模型以期取得更高的预测精度。主要方法如下：首先取湖北省链子崖某监测点1978—1987年的十年数据作为训练集并使用引力搜索算法确定最佳分数阶累加阶数,而1988—1993年的六年数据作为验证集验证提出的模型;其次对比了经典灰色模型GM(1,1)、分数阶累加灰色模型、变异时序回归模型TSGM(1,1)三种灰色模型。结果如下：首先修正了陈西江等人变异时序回归模型仿真时出现的错误,其次表明了相比于其他的模型,基于引力搜索算法的分数阶累加时序回归模型在进行灰色长期预测中具有较高的预测精度。因此,通过分数阶累加算子提高了灰色理论中长期预测模型的精度,为灰色长期预测提供了指导。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

灰色神经网络在粮食产量预测中的应用

研究粮食准确预测优化问题,粮食产量受到多种因素影响,同时具有复杂的非线性和随机性特点,传统单一模型难准确对其变化规律进行准确描述,预测精度较低。为提高粮食产量预测精度,提出一种将灰色理论和BP神经网络相结合的粮食产量预测模型。首先采用灰色GM(1,1)预测模型动态预测粮食产量变化趋势,然后运用BP神经网络对灰色GM(1,1)模型预测结果进行修正,以提高粮食产量预测精度。采用1978-2008年我国粮食产量数据对预测模型性能进行仿真测试,仿真结果表明,组合预测模型提高了粮食产量的预测精度,更能描述粮食产量变化规律,为粮食产量准确预测提供了一种有效研究方法。     

基于灰色神经网络的航线客流量预测

准确预测航线客流量对于航空公司制定航线销售政策有着重要的作用。现有研究中鲜见考虑民航旅客出行的随机性、客流量表现出的非线性特征以及对航线客流量影响因素的分析。针对以上问题,提出一种基于灰色神经网络的航线客流量预测模型。该模型运用灰色理论弱化数据序列的随机性,再结合非线性处理能力较强的BP神经网络,构建基于灰色神经网络的航线客流量预测模型。同时验证了平均折扣率对航线客流量的影响。实验结果表明,相比于灰色GM(1,2)模型、BP神经网络模型,灰色神经网络模型具有更高的航线客流量预测精度和更强的稳定性。     

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AHP-RBF的Swift云存储负载预测

通过对Swift云存储中Proxy Node的负载因素研究,提出结合层次分析法（AHP）和混合递阶遗传训练的RBF神经网络实现对Swift云存储负载情况的预测,其中使用AHP构造对云存储系统的负载层次化模式,提高负载预测的综合精度,设计了RBF神经网络预测模型,用混合递阶遗传算法（HHGA）确定RBF神经网络的参数和结构。仿真实验结果表明,对Swift云存储负载的预测具有可行性,能为系统动态负载均衡决策提供依据。     

基于灰色加权马尔可夫SCGM(1,1)c的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。基于灰色系统理论和马尔可夫链理论,应用系统云灰色模型SCGM(1,1)c拟合道路交通时序数据的总体趋势,所得拟合指标是随机波动的。马尔可夫链原理适合处理波动性大的系统过程,因此选用能更好解决随机波动性的加权马尔可夫链预测方法,提出一种用于道路交通事故次数预测的灰色加权马尔可夫SCGM(1,1)c模型,它适用于时间序列短,数据量少且随机波动不太大的动态过程预测。以某市1975—2010年道路交通事故次数为例进行了预测分析,结果表明该模型既能揭示交通事故次数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。     

Short-term wind speed forecasting based on a hybrid model

Wind power is currently one of the types of renewable energy with a large generation capacity. However, operation of wind power generation is very challenging because of the intermittent and stochastic nature of the wind speed. Wind speed forecasting is a very important part of wind parks management and the integration of wind power into electricity grids. As an artificial intelligence algorithm, radial basis function neural network (RBFNN) has been successfully applied into solving forecasting problems. In this paper, a novel approach named WTT–SAM–RBFNN for short-term wind speed forecasting is proposed by applying wavelet transform technique (WTT) into hybrid model which hybrids the seasonal adjustment method (SAM) and the RBFNN. Real data sets of wind speed in Northwest China are used to evaluate the forecasting accuracy of the proposed approach. To avoid the randomness caused by the RBFNN model or the RBFNN part of the hybrid model, all simulations in this study are repeated 30 times to get the average. Numerical results show that the WTT–SAM–RBFNN outperforms the persistence method (PM), multilayer perceptron neural network (MLP), RBFNN, hybrid SAM and RBFNN (SAM–RBFNN), and hybrid WTT and RBFNN (WTT–RBFNN). It is concluded that the proposed approach is an effective way to improve the prediction accuracy.     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

基于深度信念网络的医院门诊量预测

有效的医院门诊量预测是现代医院对医疗资源实现智能化管理的重要前提之一。现有的医院门诊量预测方法大多针对的是单一的数据集,缺少对数据的充分挖掘和深入分析。为此,提出一种基于深度信念网络的医院门诊量预测方法,用深度信念网络对医院各科室的门诊量数据进行无监督学习,完成对门诊量数据的特征提取,挖掘各科室门诊量数据间的相互关系,在网络的顶层叠加一个逻辑回归层并将提取出的数据特征作为输入来预测各科室未来的门诊量。仿真实验结果表明,基于深度学习的预测模型可以得到较高的门诊量预测精度,是一种可行且有效的预测方法。     

基于GM（1，1）和线性回归模型在印刷包衬压缩变形中的数据预测研究

运用线性回归对预测数据进行分析,剔除异常数据,用GM（1,1）模型进行预测,有效降低了数据相对误差,提高了预测数据的精度。选用印刷包衬压缩变形的压缩变形量值,用线性回归进行数据分析并剔除异常数据后用GM（1,1）进行预测,使得预测数据具有更高的准确性和适应性。实验及仿真结果表明,经过前期数据分析整理后的灰色预测模型,其预测期望值远优于单纯的回归模型和GM（1,1）模型。     

基于多尺度特征和注意力的金融时序预测方法

金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络（dilated convolutional neural network,DCNN）、长短时记忆神经网络（long short term memory,LSTM）和注意力机制（attention mechanism,AT）的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成：第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性。     

基于GA-NN的碳通量预测因素选择

研究和选择碳循环的影响因素是预测碳通量的重要环节,也是研究碳循环机理的重要步骤。然而从众多的影响因素中选择重要的因素,依然存在着困难。提出利用相关分析、遗传算法和神经网络进行碳通量预测的主要因素选择的方法,首先用相关分析去处冗余的因素;然后利用遗传算法,以选择最小数目的因素时,最大碳通量的观测值和用神经网络预测值的相关系数为准则,来搜寻最优的影响因素。实验证明该方法能在不影响（或尽量小地影响）预测精度的前提下,有效地选择出碳通量预测的重要因素。     

图书文献经费的支持向量机组合预测

对灰色、神经网络和SVM（支持向量机）的3个预测模型进行了研究,以某图书馆1996年～2003年图书文献总经费为例,对图书文献总经费进行了预测,经过比较,SVM的预测方法精度较高。在分析组合预测特性的基础上,提出了对灰色系统、神经网络和SVM三种预测方法结果进行了线性组合预测方法和SVM的组合预测方法。与单一预测方法结果和线性组合预测进行对比,SVM组合预测方法比较精确。