基于神经网络的石油价格预测

当前石油价格研究在石油价格数据选择、数据预处理和预测方法选择上存在数据时段选择不当、直接套用原始数据代入模型以及价格预测模型和训练数据类型不相匹配等问题,需要予以解决。在采用同期通货膨胀率指数调整、滑动平均周期项以及随机项滤波等方法对石油价格时间序列数据进行预处理的基础上,利用神经网络方法,以纽约商品交易所(NYMEX)为例对轻质原油期货即期价格时间序列数据建立预测模型。最后用油价波动趋势进行拟合分析,将预处理后的石油价格时间序列数据输入到神经网络预测模型,模型的预测结果和直接套用原始数据得到的预测结果相比较,其平均偏差率显著降低。     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

上证指数基于SVD的组合预测模型

股票指数时间序列具有非平稳和高噪声等特点,在进行股票指数预测时,由于噪声的影响,单一模型的预测精度往往不高.作者建立了基于奇异值分解（SVD）的BP神经网络和ARMA-GARCH组合预测模型,该模型将原序列分解为趋势部分和噪声部分,分别进行研究.实证研究结果表明：该模型的拟合、预测精度较高.     

基于HHT的电力负荷组合预测模型研究与应用

为了进一步提高电力负荷预测精度,在对电力负荷影响因素分析的基础上,提出了一种基于HHT的负荷组合预测模型.该模型利用EMD算法将原始负荷序列分解,得到不同频率的平稳子序列,子序列比原始序列更具可预测性.根据不同频率的子序列特点选取RBF神经网络、BP神经网络和时间序列模型分别预测,同时考虑温度对负荷的影响,得到新的组合模型.算例表明,该模型能有效提高电力负荷预测精度.     

基于BP神经网络的宏观经济季度预测

运用BP神经网络预测技术对季节性宏观经济数据进行了预测,筛选出效果优良的模型,提出了对于季节性时间序列一般的神经网络建模步骤.     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

小波网络模型及其在日流量预测中的应用

基于小波分析和人工神经网络两者的优点,本文尝试将小波分析与ANN结合建立松散型WNN耦合模型,通过小波变换把南告水库的日流量序列分解成不同频段的子序列,再对这些子序列分别采用BP神经网络进行预测,最后利用小波重构得到整体的预测效果,并与传统BP模型结果相比较.研究结果表明,该方法提高了预报精度,可以成功地用于水文模拟和预测.     

基于Lorenz扰动分布和VMD的神经网络风速预测研究

针对风速的随机性、非线性和不确定性特征,提出基于VMD和Lorenz扰动的神经网络模型进行风速预测。首先,对风速数据采用变分模态分解(VMD)进行预处理,得到特征模态分量,然后采用BP神经网络对每个分量进行预测,并且将分量预测结果进行重构得到风速点预测值,最后以风速点预测为基础,根据核密度估计的Lorenz扰动序列概率分布进行风速区间预测。以西班牙风电场和中国风电场为实例进行预测,预测结果显示:(1)VMD算法可以提高神经网络模型点预测结果的精度;(2)根据Lorenz扰动序列分布进行风速区间估计,不仅量化了大气中不确定的影响因素,而且区间预测结果可靠性较高。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

基于ARIMA模型的城市公共自行车需求量短期预测方法研究

预测在城市公共自行车的研究中占重要地位,对站点未来需求量进行分析和预测,可为管理者提前分配自行车和用户合理制定出行方案提供依据. 本文采用自回归求积移动平均（ARIMA）模型,对公共自行车高峰时段的需求量时间序列进行拟合和预测,并与基线法（Baseline）预测误差比较,结果显示对于不同站点类型的预测,此模型的预测值与实际值的平均相对误差均低于Baseline预测方法. ARIMA模型的预测精度相对较高,且预测结果可信,可为城市公共自行车管理和使用提供预测的理论与方法.     

BP神经网络在混合原油凝点预测中的应用

通过研究BP神经网络算法和混合原油凝点测量数据,用BP神经网络建立一种混合原油的凝点预测模型。引入具有高度非线性预测能力的误差反向传播的人工神经网络方法,以单组分原油凝点及其配比作为神经网络的输入向量,以混合原油凝点为输出向量,研究混合原油凝点与单组分原油凝点及配比之间的相关性。预测结果表明,混合原油凝点预测值的最大绝对偏差为0.128℃,平均绝对偏差为0.022℃,BP神经网络的凝点预测结果准确性明显优于其它混合原油凝点预测模型。     

神经网络在非球面镜面型多项式反求中的应用

介绍BP神经网络的结构与学习算法,建立用于非球面镜面型多项式系数反求的BP神经网络模型,并且论述模型建立的步骤与原则方法,最后阐述了利用所建立的模型对非球面镜面型多项式系数反求的实施过程.研究表明,该方法能够较好地实现复杂非球面镜面型多项式系数的反求,并具有一定的容错能力.     

基于关联神经网络的股票预测模型

通过关联分析从众多的技术指标中找到与日收盘价关联度较大的技术指标作为输入变量,利用BP网络较好的分类能力,结合国内股票市场的特性,对于个股中国首钢日收盘价涨跌的短期预测进行了初步的探讨。数值实验结果表明关联神经网络应用于中国股票市场的预测是可行和有效的,有着良好的前景。     

年径流预测的自适应NNBR-ANN耦合模型

以基本遗传算法为基础，优化人工神经网络与最近邻耦合模型的基本参数，得到无参数的自适应NNBR-ANN耦合模型。应用此模型对黄河青铜峡年平均流量进行预测，并与单独的人工神经网络模型和最近邻抽样回归模型预测结果进行比较分析。结果表明：此方法将模型的基本参数进行优化处理，打破传统的定参方法，用于径流预测更加方便适用，且预测精度更高。     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).     

基于板块效应的深度学习股价走势预测方法

股票价格预测作为金融预测领域中一项重要的研究方向,准确预测股票价格的涨跌可以帮助投资者盈利或及时止损. 经研究发现,某些因素(如政策、社会突发事件等)会对同板块下的多只股票价格产生影响,导致同板块的多只股票在某个时间段内出现相似的走势,即板块效应. 因此,同板块下多只股票的价格走势对于股票预测具有参考作用. 针对这一现象,提出了一种基于板块效应的深度学习股价走势预测方法. 首先,使用皮尔森(Pearson)相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,以筛选出与预测股票相关性高的多只股票,并使用自编码器对这些股票的收盘价进行降维,以提取股票的价格走势; 其次,构建了一个基于卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)网络的混合深度学习预测模型,使用一维卷积神经网络提取输入数据的特征,使用LSTM网络对股票价格进行预测. 该模型使用银行、医药、酒业、娱乐传媒4个板块的股票作为实验数据集. 为了提高模型的预测效果,通过随机搜索对LSTM网络的神经元个数进行简单的分析,以选择较优的神经元个数. 最后,通过实验分析,基于同板块数据集的深度学习预测模型具有良好的预测效果.     

基于RBF神经网络的输油管道安全停输时间预测

针对影响海底输油管道停输的因素复杂,难以对管道安全停输时间做出准确判断的问题,提出了海底输油管道安全停输时间预测的径向基函数(RBF)神经网络模型,综合考虑了各因素对输油管道安全停输的影响。以实测数据为基础,训练网络并验证了模型的预测准确性。研究结果表明,径向基函数神经网络预测模型对训练样本的拟合精度和对验证样本的仿真精度分别达到98.40%和97.33%,可对海底输油管道安全停输时间进行有效预测,为海底输油管道的安全输送提供重要依据。     

遗传BP神经网络的煤价预测与煤价风险规避策略

分析了影响煤炭市场价格的因素,然后建立了基于遗传算法的BP网络模型,对秦皇岛港煤炭市场价格进行了预测,通过实证分析和预测误差评价指标比较,基于遗传算法的BP神经网络模型相比普通BP神经网络模型预测在煤炭市场价格应用中能有效降低预测误差。最后提出了在当前市场煤价高位运行情况下发电企业如何最大限度降低煤价风险的对策。     

基于模糊神经网络的自适应精确曝气系统设计

基于模糊神经网络理论,将自回归各态历经(ARX)模型与模糊神经网络模型(FNNM)相结合,设计一套具有自适应能力的前馈-反馈精确曝气控制系统,解决目前污水处理曝气过程中冗余曝气能源浪费、溶解氧波动大的问题.以污水厂处理PID控制生物池数据作为训练样本,以模糊神经网络自适应精确曝气模型仿真与传统PID控制比较,发现该系统...