泊松分布灰色理论在物流需求预测中的应用

研究物流需求预测准确度问题。物流需求预测中存在数据小以及非线性特点,使预测系统存在不确定性。为解决上述问题,提出了一种泊松分布的神经网络需求预测算法,采用泊松分布算法对物流的整体需求进行分类,然后采用灰色理论算法选择物流需求影响因子,对物流的需求进行实时预测,仿真结果表明,改进物流需求预测方法比传统的灰色理论预测模型以及BP神经网络具有更高的预测精确度,有效地提高了区域物流需求的预测准确度,具有一定的实际应用价值。     

区域物流需求建模与预测仿真

研究区域物流需求预测优化问题,区域物流需求与经济结构和资源分布相关,因此存在较强的非线性,属于一种小样本、非线性数据结构。传统线性、大样本预测方法无法进行准确预测,预测精度比较低。为提高了区域物流需求预测精度,提出一种支持向量机物流需求预测方法。首先采用多元回归分析法选择区域物流需求的影响因子,然后将输入样本输入到支持向量机学习,并通过蚁群法对支持向量机参数进行优化,最后建立区域物流需求与影响因子之间复杂的非线性关系模型。采用上海市1978-2003年物流需求量对模型性能进行测试,结果表明,相对于多元线性回归、BP神经网络模型,支持向量机提高了区域物流需求的预测精度,在区域需要预测中具有广泛的应用前景。     

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.     

状态空间时间序列的区域物流需求预测研究

区域物流需求是制定区域物流发展政策、基础设施建设和物流系统规划的重要依据,由区域各项相关经济指标共同决定。针对区域物流需求预测中样本数量小的问题,提出了互信息高维度特征降维方法,在保证相关综合信息完整性基础上降低原始数据维度,在此基础上建立了状态空间时间序列预测模型,同时采用局部线性小波神经网络和LIBSVM支持向量回归模型进行对比实验。算例分析及实验结果表明,采用互信息降维后的预测模型相对误差平均减少54.8%,互信息与状态空间时间序列模型相结合的预测方法对于区域物流需求预测问题预测精度较高,相对误差约为0.08。     

改进灰色模型在物流需求预测中的应用

研究物流需求问题,物流受多种因素的综合影响,需求具有趋势性、较大波动性和随机性等变化特点,传统单一预测方法难以对其进行准确预测,为提高物流需求预测准确率,将灰色理论(GM)和支持向量机(SVM)相结合建立一种物流需求预测模型(GM-SVM)。GM-SVM首先采用灰色GM(1,1)预测模型动态预测物流需求变化趋势,然后运用SVM对GM(1,1)预测结果进行修正,以提高物流需求预测精度。采用具体物流需求实例对GM-SVM性能进行测试,实验结果表明,GM-SVM利用SVM和GM(1,1)的优势,达到优势互补,提高了物流需求的预测精度,更能全面描述物流需求的复杂变化规律。     

基于改进的BP神经网络税收预测模型的研究

因为税收数据的非线性、冗余性等特点,传统的税收预测模型的精度都不高.为了提高税收预测的精度,提出了一种主成分分析和BP神经网络相结合的税收预测模型.首先利用主成分分析法对影响税收的8个因子进行处理,消除重复的信息,结果保留了2个主成分作为神经网络的输入,达到了降维的目的,加快了网络训练的收敛速度.然后用BP网络对样本进行训练,仿真结果表明,通过不同模型之间的对比,发现PCA-BPNN模型的预测精度更高,可用性更好,是一种高效的预测方法.     

PCA-BP在城市汽车保有量预测中的应用研究

城市汽车保有量影响因素众多,且存在复杂的相关关系,传统数学预测模型和神经网络模型,无法消除影响因素之间的相关性,从而导致预测精度较低.为提高城市汽车保有量预测精度,提出了一种基于主成分分析的BP神经网络预测模型.通过对城市汽车保有量影响因子进行主成分分析,消除各因子间的冗余信息,降低BP神经网络的输入维数,简化神经网络拓扑结构,提高城市汽车保有量的训练速度与预测精度.对南京市2006-2009年南京市汽车保有量进行仿真,实现结果表明,PCA-BP模型的训练速度快、预测精度高,可为城市汽车保有量预测提供参考依据.     

基于Lasso与禁忌搜索的患者检查需求预测

对住院患者图像检查需求预测问题进行了研究。为有效应对需求影响因素较多,采用Lasso降维减少模型输入变量;基于多元线性回归、BP神经网络和多元自回归差分移动平均模型(ARIMAX)等常用患者需求预测方法构建组合预测方法;为解决传统组合预测方法难以同时考虑多个性能指标的问题,基于线性加权组合预测思路,提出了基于禁忌搜索的权重优化方法。以上海某医院的三种图像检查为例,将患者检查需求分为七类,并对每类患者需求进行预测。结果表明,相较单个预测方法和传统组合预测方法,所提出的组合预测方法具有更好的预测性能。以均方根误差指标为例,采用Lasso降维可使单方法预测和组合方法预测精度改善3%~19%,引入禁忌搜索可使传统组合方法的预测精度提高6%。     

基于数据挖掘的图书馆借阅量预测研究

图书馆借阅量受多种因素影响，导致传统基于线性回归和灰色理论的预测方法预测精度较低。针对该问题，引入数据挖掘理论和方法，提出一种基于因子分析(FA)模型联合粒子群(PSO)优化BP神经网络的图书馆借阅量预测模型。利用FA对借阅量原始数据进行建模分析，确定与借阅量密切相关的公共因子，将公共因子作为BP神经网络模型的输入神经元，进而建立预测模型实现对未来借阅量的预测，同时针对BP神经网络模型初始参数设置难题，提出改进的粒子群算法进行全局寻优，提升预测精度。仿真实现表明，所提模型相对于对比方法预测精度更高，整体预测性能更加优越。     

小波消噪的神经网络短时交通流量预测模型

研究短交通流量预测问题,短时交通流量数据中含有大量噪声,对预测精度产生不利影响,为了提高短交通流量预测精度,提出一种小波消噪的神经网络短时交通流量预测模型。首先采用小波技术对短时交通流量数据进行消噪处理,然后采用关联维数确定BP神经网络输入变量个数,最后采用BP神经网络建立短时交通流量预测模型。仿真结果表明,与消噪前比,消噪后模型的预测精度有了较显著提高,其预测误差远远小于消噪前,预测结果更具实用价格。