基于BP-RBF神经网络的组合模型预测港口物流需求研究

为了准确、高效地预测港口物流需求量,提出一种基于BP-RBF神经网络的组合预测模型.考虑到物流需求的非线性变化特点,在建模过程中首先采用BP与RBF两种神经网络方法分别建立单项预测子模型,然后依据各子模型预测结果赋予不同权重进一步构建加权组合预测模型.再以汕头港为例,通过MATLAB软件对港口物流需求量进行仿真预测.结果表明,组合预测模型较单一预测模型具有更高的预测精度,能有效减少出现较大误差的概率,使预测结果更接近于实际情况,可为港口今后物流发展规划提供参考.     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

基于熵权法的PHC管桩承载力组合预测

为克服单项预测方法产生的误差,利用灰色模型GM（1,N）、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM（1,N）法平均绝对百分比误差（MAPE）值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。     

基于灰色BP神经网络组合模型的郑州市商品住宅价格预测

针对郑州市商品住宅价格问题进行了研究,在传统GM(1,1)模型的基础上引入BP神经网络模型,建立了灰色BP神经网络组合模型,采用传统GM(1,1)模型与灰色BP神经网络组合模型预测郑州市商品住宅价格.结果表明,灰色BP神经网络组合模型比传统GM(1,1)模型预测精度高,具有更好的应用价值.     

基于有效度和相对熵的短期电力负荷组合预测方法

负荷的精确预测是保证电力系统稳定调度的基础,为了更好地综合利用各单项预测方法,提高预测效果,该文引入相对熵组合方法对电力负荷进行预测。首先引入有效度的概念,对单项预测方法的准确程度进行判别,筛选出结果准确的多个单项预测方法,分别进行虚拟预测;并利用支持向量矩阵求解相对熵最值,得到动态的最优模型权重值,进行组合预测。以青海某区域实际负荷功率数据为例,利用ARIMA模型、BP神经网络、RBF神经网络及支持向量机(SVM)4种方法的预测结果进行相对熵组合预测,该预测方法与现有的组合预测方法对比,具有优越性与可行性。     

隧道围岩变形的组合预测研究

为了提高在隧道的施工过程中对围岩变形预测的精度,以实测典型断面围岩变形为研究对象,探讨了多项式模型、BP神经网络模型和最小二乘支持向量机模型的特点和适用性,其中最小二乘支持向量机是基于SVM演变而来的一种模型,在预测方面有较好的有效性和优越性,用单项预测模型进行预测时可优先考虑该模型.但在实际工程中隧道围岩变形受时间和空间效应影响,仅用一种单项预测模型进行预测时预测风险较大,据此引入组合预测的思想,以权重平均法、误差平方和倒数法、最优变权重组合法确定权重系数建立组合预测模型并进行验证和比较.结果表明:组合预测模型能够降低对较差单项预测模型的敏感度,提高预测的精度和可靠度,构建的最优变权重组合预测模型的预测结果理想,模型稳定好,在实际工程中具有较好的应用价值.     

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.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于支持向量机的交通流组合预测模型

根据天津市某路口的历史数据,采用目前流行的历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型,然后利用支持向量机模型对多个单项预测模型结果进行了组合预测,以作为其最终的预测值.计算结果表明,采用非线性组合方法比采用单一预测方法的预测精度有了进一步的提高,比较适合交通流预测.     

ARIMA模型在交通事故预测中的应用

通过ARIMA模型分析了1970—1997年中国交通事故的十万人口死亡率时间序列的平稳性,用SPSS11.5软件拟合模型并作预测,结果表明,ARIMA模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列,预测较准,可以为政府和交通部门制定预防降低交通事故提供重要的数据支持.     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

Time-series analysis with a hybrid Box-Jenkins ARIMA and neural network model

Time-series analysis is important to a wide range of disciplines transcending both the physical and social sciences for proactive policy decisions. Statistical models have sound theoretical basis and have been successfully used in a number of problem domains in time series forecasting. Due to power and flexibility, Box-Jenkins ARIMA model has gained enormous popularity in many areas and research practice for the last three decades.More recently, the neural networks have been shown to be a promising alternative tool for modeling and forecasting owing to their ability to capture the nonlinearity in the data. However, despite the popularity and the superiority of ARIMA and ANN models, the empirical forecasting performance has been rather mixed so that no single method is best in every situation. In this study, a hybrid ARIMA and neural networks model to time series forecasting is proposed. The basic idea behind the model combination is to use each model's unique features to capture different patterns in the data. With three real data sets, empirical results evidently show that the hybrid model outperforms ARIMA and ANN model noticeably in terms of forecasting accuracy used in isolation.     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。     

基于ARIMA-ANN的大坝安全监控模型

坝体的变形能反映建筑物的运行状况,受各种复杂因素影响,坝体变形监测数据是一个不平稳的时间序列.基于传统时间序列不能解决非平稳数据,使用自回归求和滑动平均序列建立模型,结合工程实例进行坝体变形监测数据的拟合与预测,并用BP神经网络进行误差预测,得到最终预测值.经过实际大坝的数据建模检验,建模方法可行,预测结果精度高,在大坝安全监测中具有较好的实用性.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

城市电网负荷特性分析方法研究

针对累积式自回归-移动平均模型在现代城市降温负荷预测中准确性不高的问题,提出一种双因子累积式自回归-移动平均模型,并用两种模型进行预测。经对比后发现,新模型通过引入平均温度算子,有效提高了城市降温负荷预测的准确性,并对现代城市有较好的普适性。     

负荷预测的线性稀疏数AR预测模型

对时间序列线性ARIMA模型的建模和预测方法进行了总结,根据其特征提出了采用稀疏数AR模型代替ARIMA模型作为通用线性预测模型,并给出了模型搜索算法,使得时间序列线性预测模型的建模过程无需人的干预而能通过程序自动完成。     

基于“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS（Automatic Identification System,船舶自动识别系统）数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型（Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型）,拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA（1,1,2）。“21世纪海上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA（1,1,2）模型对单一船型交通流的预测效果优于对混合船型交通流的预测。