河流水质预测的灰色神经网络联合模型

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,运用响应成分模型将水质浓度分解为具有确定性的趋势项和具有不确定性的随机项,建立灰色神经网络联合模型对水质的趋势项和随机项进行预测。将该模型应用于淮河河流水质预测,结果表明,该模型拟合误差小,预测精度高。     

沉降预测的多层递阶时间序列模型研究

为了研究沉降模型中参数的时变特性，提出了多层递阶时间序列模型，该模型将沉降预测分为预测模型参数的预测和在此基础上的沉降预测两部分.采用参数递推公式计算沉降时间序列模型的参数序列，并根据计算出的参数序列构建其时间序列预测模型.依此类推，可建立多层参数的预测公式，直至认为参数不随时间变化为止，然后根据参数预测结果来预测后期沉降.实例分析和计算表明，多层递阶时间序列模型能较好地反映参数的时变特性，取得较精确的沉降预测结果.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于PCA - GRNN模型的新能源汽车月度销售量预测研究

为预测新能源汽车的月度销售量,提出了一种基于主成分分析(PCA)和广义回归神经网络(GRNN)相结合的预测模型——PCA - GRNN模型.首先,选取动力电池月份装车量、充电基础设施、电池级碳酸锂平均价格、交通和通信类居民消费价格指数、全国城镇调查失业率、汽车制造业工业生产者出厂价格指数等6个指标作为新能源汽车月度销售量的影响因子; 其次,利用主成分分析方法得到可代表6个影响因子的2个主成分,并利用Matlab神经网络工具箱的GRNN神经网络函数构建了广义回归神经网络模型; 最后,将2020—2022年间27个月度的统计数据分别输入到PCA - GRNN、PCA - BP和PCA - Elman模型中进行预测.结果显示, PCA - GRNN模型预测的新能源汽车月度销售量的平均相对误差(4.00%)低于PCA - BP模型和PCA - Elman模型预测的平均相对误差(分别为4.77%和4.29%),因此PCA - GRNN模型在预测新能源汽车销售量方面具有一定的实用性.     

组合模型在机械故障预测中的应用

机械故障预测中,反映系统变化的特征参数往往含有多种趋势成分．引入组合预测模型,用灰色模型描述机械故障发展中的确定性趋势,用AR时间序列模型描述机械故障中的随机趋势．实践证明,较单一模型具有更高的预测精度．     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

长短期记忆网络在中长期径流预报中的应用

长短期记忆神经网络(long-short term memory neural network,LSTM)是一种适合模拟与预测时间序列长程变化的神经网络,可用于研究中长期水文预报问题。以黄河源区唐乃亥流域为研究区域,根据2000-2009年的日降雨量、蒸发量和流量资料,构建了未来30 d的逐日流量LSTM预报模型,并以2010-2012年的资料进行验证。采用相对误差绝对值平均、确定性系数为评价指标,将LSTM与传统的误差反向传播(back propagation,BP)算法模型进行对比。结果表明,LSTM模型具有精度高、预报效果稳定等特点,特别是随着预见期的增长其精度衰减较BP模型明显变缓。研究成果可供研究区径流中长期预测提供参考。     

变化环境下非一致性年径流序列的水文频率计算原理

由于受频繁人类活动和气候变化的影响,用于水资源评价计算的天然年径流量序列失去了一致性.为了适应变化环境对水文频率计算的要求,提出了基于时间序列分析的非一致性年径流序列的水文频率计算原理,包括假设前提和一般方法.该方法假设非一致性水文序列由相对一致的随机性成分和非一致的确定性成分两部分组成,采用成因分析法与统计分析法分别对确定性成分和随机性成分进行识别与检验,并对确定性成分进行拟合计算,对随机性成分进行频率计算;根据时间序列分析的分解与合成理论,将确定性的预测值和随机性的设计值进行合成,得到过去、现在和未来不同时期合成序列的频率分布.     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

硫酸盐法制浆蒸煮终点预测模型

为了实现制浆蒸煮终点的精确预测，建立了基于广义回归神经网络（GRNN）的预测模型．GRNN具有很强的非线性映射能力，能够根据样本数据逼近自变量与因变量之间隐含的关系，平滑参数的确定是GRNN训练的实质和难点．均衡地兼顾GRNN模型的预测性能与训练可行性，提出了一种平滑参数优化方法．通过分析训练样本分布、恰当地设计适应度函数，运用优进遗传算法（EGA）实现参数寻优．通过实验表明，所建立的制浆蒸煮终点预测模型，预测精度高、稳定性能好．     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

广义回归神经网络在煤灰熔点预测中的应用

为了提高估算煤灰熔点的精度,采用广义回归神经网络(GRNN)对求解煤灰熔点问题进行了建模.将煤灰组分作为网络输入,煤灰软化温度作为网络输出,采用实验数据训练网络,训练完成的网络作为模型预测煤灰熔点.仿真结果表明,GRNN的预测值与实验值的最大相对误差为2.81%,而反向传播神经网络(BPNN)预测煤灰熔点的相对误差为3.62%.由于GRNN可应用于小样本问题的学习,GRNN比BPNN对煤灰熔点具有更好的预测和泛化能力.GRNN具有设计简单与收敛快的优点,并提高了实时处理与反映最新运行工况参数的预测能力.     

多源数据跨国人口迁移预测

针对跨国人口迁移预测所面临的数据代表性问题,利用多源数据分别构建3个预测模型：线性拟合模型、乘法分量模型和带有时间序列预测（WTSP）的线性拟合模型. 线性拟合模型用于刻画1年内的移民规律;乘法分量模型利用时间序列预测算法对未来迁移模式进行预测;WTSP线性拟合模型利用迁移模式的变化预测跨国人口迁移数量的未来趋势. 对比3个模型的预测结果可知,WTSP线性拟合模型可以有效预测未来的移民规律,相比经典线性拟合模型,WTSP线性拟合模型能体现迁移模式随时间变化的规律,预测准确率可至少提升3%;相比乘法分量模型,WTSP线性拟合模型能呈现更完整的迁移模式,有更强的可解释性.     

基于GM(1,1)和D-MECM的钟差预报方法

针对单一钟差预报模型在建模数据量较少时中长期预报精度不足的问题,提出了基于灰色模型和一阶差分修正指数曲线法的组合预报模型。首先基于少量数据建立灰色模型并预测未来一段时间的钟差数据,再将其作为一阶差分修正指数曲线模型的建模数据,进行钟差的中长期预报。仿真结果表明,组合预报模型能够基于少量历史数据对钟差进行高精度的中长期预报。采用卫星共视仪采集的精密钟差数据进行实验,并与单一二次多项式模型和灰色模型进行对比,结果显示:使用5h的钟差数据进行建模并预报未来48h钟差数据时,二次多项式模型和灰色模型的平均预报精度分别为285.06ns和91.11ns,而组合模型的平均预报精度可达29.48ns,相比于单一二次多项式模型和灰色模型,分别提高了89.66%和67.64%。     

土壤属性空间预测的广义回归神经网络方法研究

土壤属性的空间变异性是农业和环保决策的重要依据,研究如何利用有限的样本数据来获得更为详尽的土壤属性空间分布信息对于科学决策具有重要意义。提出了一种基于广义回归神经网络模型(GRNN)的土壤属性空间预测方法,并将其与Kriging方法进行了比较。结果表明,GRNN方法能较好地刻画土壤属性的空间分布特征,其计算方法简单,预测精度较高;在给定的样本数据条件下,GRNN方法的预测精度总体上要优于Kriging方法,表明GRNN方法在土壤属性空间预测中的应用是有效可行的。     

基于灰狼支持向量机的非等时距滑坡位移预测

以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法（GWO）和支持向量回归机（SVR）模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速.     

Adaptive Modeling and Forecasting of Time Series by Combining the Methods of Temporal Differences with Neural Networks

ＡｄａｐｔｉｖｅＭｏｄｅｌｉｎｇａｎｄＦｏｒｅｃａｓｔｉｎｇｏｆＴｉｍｅＳｅｒｉｅｓｂｙＣｏｍｂｉｎｉｎｇｔｈｅＭｅｔｈｏｄｓｏｆＴｅｍｐｏｒａｌＤｉｆｆｅｒｅｎｃｅｓｗｉｔｈＮｅｕｒａｌＮｅｔｗｏｒｋｓＹＡＮＧＬｕ；ＨＯＮＧＪｉａｒｏｎｇ；ＨＵＡＮ...     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。