基于连续有序加权平均算子的区间组合预测

将连续的有序加权平均算子与诱导的有序加权平均算子相结合运用到区间组合预测问题中,首先定义了基于连续区间有序加权平均算子的区间预测相对误差、预测精度和非劣性组合预测等概念,其次以区间组合预测误差平方和为准则建立了基于连续区间有序加权平均算子的区间组合预测模型。在该模型下,进一步讨论了区间组合预测模型的性质和求解方法。最后给出了实例分析,表明该区间组合预测方法有效。     

基于IOWGA算子的组合预测方法及其应用

针对汽车配件需求量的预测进行了预测模型的建立、选择并优化．特别是将灰色预测和神经网络预测与IOWGA算子相结合,提出了以对数误差平方和为准则的基于IOWGA算子的组合预测方法,从而提高了预测的精度。将该方法用于汽车配件需求预测取得了较好的效果,说明了算法的有效性．     

一种基于时序可变加权系数的组合预测模型

为了提高预测精度,提出了时序可变加权系数的组合预测模型。以组合预测模型的误差平方和最小为优化准则,建立最优的非负可变加权系数的组合预测模型,计算不同时刻单项预测模型的最优加权系数。利用时间序列ARMA模型对可变加权系数进行预测,进而得到组合预测结果。算例表明,时序可变加权系数组合预测模型综合利用了各个单项预测模型的重要预测信息,其预测误差远小于各单个模型的预测误差,预测精度更高,模型实用性更强。     

最优组合预测模型在成都私家车数量预测中的应用

建立一个以预测误差平方和达到最小为准则的正权重组合预测模型.以成都私家车数量预测为例,分别采用灰色预测模型、指数模型、一次函数模型、二次函数模型、三次函数模型做单项预测.通过组合预测,得到更高精度的预测结果.以最优组合预测模型预测成都市在2009年的私家车数量,并与实际值进行比较,对比分析计算误差.同时也运用组合预测法对2010年成都私家车数量进行了预测.     

基于一种贴近度的IGOWLA算子的最优组合预测模型

为了克服传统的单项预测方法选取固定参数时的不足,在广义诱导有序加权对数平均算子(IGOWLA算子)的基础上,引入贴近度以及λ次幂误差,构建了基于一种贴近度的IGOWLA算子的最优组合预测模型,并给出了该模型的预测精度、优性及非劣性定义.实例分析表明,该组合预测模型优于传统的单项预测模型,能够充分利用各个单项预测方法的信息并提高预测精度,是一种优性组合预测.     

基于区间数距离的IGOWLA算子的区间型组合预测模型

在用区间数描述不确定现象的预测问题中,由于每种单项预测方法在各个时点处的精度不同,定权区间型组合预测模型存在权重固定不变的不足.本文引入诱导广义有序加权对数平均(IGOWLA)算子,以区间数距离作为最优准则,构建一种基于区间数距离的IGOWLA算子的变权区间型组合预测模型.实证分析结果显示,本文所构建的区间型组合预测方法可提高预测精度,是一种有效的优性的组合预测方法.     

基于IGOWLA算子及三元区间数相似度的区间型组合预测模型

为了提高区间型数据的预测精度,构建了一种基于诱导广义有序加权对数平均(IGOWLA)算子及三元区间数相似度的区间型组合预测模型.首先将传统的区间数转化为三元区间数,然后利用IGOWLA算子对三元区间数进行集结,最后选取三元区间数相似度作为相关性指标构建模型.实例分析表明,该模型能有效地提高区间型数据的预测精度,是一种优性组合预测模型.另外,通过分析模型中的参数λ, 给出了参数λ的最优取值范围.     

基于广义诱导连续区间有序函数比例加权平均算子的区间型组合预测模型

以抽象单调函数为基础,构建了一类函数族的广义诱导连续区间有序函数比例加权平均(GICOWFPA)算子.在灰色趋势关联度为最优准则下,建立了基于GICOWFPA算子的区间型组合预测模型.实例分析表明,该模型的预测精度优于3种单项预测方法及文献[9,11]中提出的组合预测方法,因此本文预测方法是一种有效的组合预测方法.     

基于IGOWMA算子的变权系数区间型组合预测模型

为了保持区间数内部的整体性及提高区间数的预测精度,提出了一种将改进相关系数和诱导广义有序加权多重平均(IGOWMA)算子相结合的区间型组合预测方法.该方法首先将区间数进行转化,以等价信息的中心和半径来表示区间数; 然后以预测精度为诱导因子,构建IGOWMA算子; 最后选取改进后的Pearson相关系数作为最优准则来建立多目标非线性规划模型,并通过引入偏好系数将模型转化为单目标规划模型.实例验证证明,该区间型组合预测模型不仅能够保证区间数内部的整体性,而且其预测结果显著优于文献中的3种单项预测方法和1种组合预测方法.对模型的参数进行灵敏度分析显示,参数λ的取值对模型的权系数、最优目标函数值以及误差指标有较明显的影响,偏好系数α则对模型的影响较小.上述结果表明,该组合预测方法能有效提高预测精度,可应用于区间数的模糊预测中.     

基于IOWA算子我国人均GDP的组合预测模型

以国家统计局全国1990—2015人均GDP数据为研究样本区间,对数据进行单项预测,即对数据进行指数预测和指数平滑预测,引入其他变量进行多元回归预测。将3种单项预测综合考虑,建立基于IOWA算子的组合预测模型。通过计算比较相应的预测值和预测精度,从而比较各模型精确程度。从实验结果可知,运用IOWA算子组合最为合理。最后通过建立的组合预测模型预测我国2016—2020的人均GDP值。     

能源消费组合预测模型的优化

分析传统能源消费组合预测模型的赋权方式,针对存在的缺陷,利用IOWA算子,优化能源消费组合预测模型,并通过实证验证了该模型的有效性。     

高速铁路软土路基沉降预测

通过实测资料分析了高速铁路堆载预压软土路基沉降规律,其沉降发展过程可分为填筑阶段—恒载阶段—堆载预压阶段—卸载阶段,沉降曲线与S形成长曲线类似.利用最小二乘法,以组合模型的误差平方和最小为目标函数来确定最优加权系数,建立了加权组合预测模型.采用Origin软件分别拟合Gompertz曲线和Logistic曲线,基于组合模型思想求得加权系数,进而求得组合模型预测值.研究结果表明,加权组合模型能吸收不同单一预测模型的优点,其预测精度比单一模型更高.     

调度时用水量预测的分时段混沌建模方法

针对传统调度时用水量需求预测方法在预测结果精度及稳定性方面存在的困难,鉴于分时段时用水量序列的最大预测时间尺度远大于连续时序列的混沌理论分析结果,利用混沌相空间近邻预测建模理论,提出了时用水量向前24 h预测的分时段混沌建模方法.该方法经实例验证,向前24 h预测结果稳定性较好,误差较小(平均相对误差小于2%,最大相对误差小于5%),可满足供水优化调度的需要.     

基于区间相离度及GIOWA算子的区间型组合预测方法

为了提高区间数的预测精度,以预测精度作为诱导值,区间相离度作为最优准则,通过广义诱导有序加权平均(generalized induced ordered weighted averaging,GIOWA)算子集结数据,提出了一种基于区间相离度及GIOWA算子的区间型组合预测方法.实例验证表明,该方法的预测精度优于各单项预测方法.通过对参数进行灵敏度分析,得到参数变化对组合预测最优解及预测精度的影响.     

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

GM(1,1)-星野法沉降预测模型研究与应用

围绕目前高速公路路基沉降预测精度不高,预测方法适用性不强等问题,基于组合预测理论,借助MATLAB计算软件,将基于灰色理论的GM(1,1)预测模型和星野法沉降预测模型线性组合,以组合预测误差的平方和最小为标准确定两种预测方法的权重系数,提出GM(1,1)-星野法组合预测模型。结合广东某高速公路施工期以及运营期路基实测沉降数据,GM(1,1)-星野法组合预测模型预测结果较两种方法单独预测结果具有更高的预测精度,工程适用性更强。     

一种改进的灰色预测模型

针对实际工作中出现不等时距的情况,依据灰色模型的建模机理提出了一种不等时距序列的灰色预测模型背景值的新的计算方法,并建立了新的不等时距序列的灰色预测模型,通过算例表明其效果优于传统的做法,有较高的拟合和预测精度.