两次拟合灰色模型在中长期电力负荷预测中的运用

针对普通灰色预测模型在预测过程中当历史数据有较大波动时预测精度较差的问题，对两次拟合等维灰色预测模型进行研究，并对其进行改进，通过对华北某地区用电量的建模预测验证其有效性。两次拟合灰色预测模型是利用一次拟合的结果重新建模，经研究发现当历史数据有较大波动时，利用两次拟合灰色预测模型进行预测可以提高模型的精度。     

基于Elman神经网络的电力负荷预测模型研究

针对传统的电力负荷预测的不足，利用Elman神经网络时变能力强、误差可控、预测精度高等优点，提出一种基于循环结构Elman神经网络的电力负荷预测模型。采用学校实习基地的某企业半个月的电力负荷历史数据作为原始数据，并通过MATLAB平台进行仿真，对提出的预测方法和模型进行了研究，分析检验所建立模型的实际预测能力。首先对负荷样本数据归一化运算，使Elman神经网络输入层变量集中在[0,1]区间内，再对所建立的网络模型进行训练，使系统具备适应时变能力，增强系统全局稳定性。仿真分析结果显示：基于Elman神经网络的电力负荷预测模型预测误差小、精度高，预测速度快，表明了所提出的预测模型具有一定的实用价值。     

基于BP的CRM系统销售预测的数据挖掘

提出了一种基于改进BP神经网络的销售预测模型。该模型通过数据仓库获取销售历史数据，利用BP网络进行走势预测。系统采用VC 实现，取得成功。     

基于时间序列与BP-ANN的短时交通流速度预测模型研究

针对现有的交通流速度预测模型使用唯一数据集且模型单一的问题,提出一种时间序列与人工神经网络相结合的预测模型。该模型通过时间序列分别对实时数据和历史数据建模预测,并应用人工神经网络调整实时数据和历史数据的预测值。实验结果表明该预测模型能够将预测误差控制在7%以内,且能够对不同输入参数下的短时交通流速度进行有效预测。     

联络中心任务量平滑预测方法研究*

针对联络中心对高精度、高效率的任务量预测要求，分析了 Holt‐Winters模型和指数平滑季节模型的优缺点，进而改进了 Holt‐Winters模型的任务量预测方法。通过对历史话务数据的实证分析，以四种预测模型精度评价指标为检验标准，对三种预测模型进行了预测精度比较。最后经历史数据验证，改进的 Holt‐Winters模型具有更小的预测误差，因而改进是有效的。     

基于数据挖掘的销售预测研究

在研究数据挖掘预测算法时间序列AR模型的基础上,提出了将影响销售预测的因素与时间序列预测结合在一起的BP神经网络销售预测模型,该模型通过数据仓库获取销售历史数据.实例验证表明:BP神经网络销售预测模型比时闻序列AR销售预测模型精度高.     

自适应优化的模糊预测系统及其应用

本文设计并实现了一个模糊预测系统,该系统通过对历史数据的自适应学习获得初始的预测模型,借助实时数据的梯度信息对系统参数进行自适应优化,具有较强的适应性和自学习能力。以电力负荷预测为应用背景的一系列实验研究表明这一智能化的预测系统的性能是令人满意的。     

组合优化的城市供水量预测模型

城市供水系统是一个复杂的大系统,供水量受多种因素的共同影响.为了节约水资源,供水公司需要根据日供水量记录估计未来一段时间的用水量,以便安排未来的生产调度计划.以过去七年的历史数据为基础.建立了供水量的最优组合预测模型.首先采用霍尔特指数平滑法预测模型进行预测,然后采用BP神经网络预测模型进行了预测,最后采用最优组合预测模型对前两种模型的预测结果进行了优化,模型具有较高的预测精度,组合预测的预测效果优于任意一种单一预测的预测效果,供水量预测结果对未来供水的短期或长期规划能起到重要的宏观指导作用.组合优化的预测结果更为稳健、精度更高,在其它的能源消费预测中具有一定的推广应用价值.     

研究生招生规模建模与预测

研究生招生规模准确预测问题,研究生招生规模受到国家招生政策、政治、经济、社会需求等诸多因素的影响,影响因素之间关系错综复杂,具体量化难,表现为非线性过程。传统线性模型预测的准确率较低。为提高研究生招生规模的预测准确率,提出基于支持向量机的研究生招生规模预测模型。针对研究生招生历史数据零散、影响因素难以确定性描述等问题,通过对黑龙江省1981～2000年研究生招生历史数据进行分析的基础上,建立上了支持向量机的预测模型,并对2000～2004年的招生规模进行预测预测,预准确率度比较相近。仿真结果表明,支持向量机为研究生招生规模预测提供了一种新的研究方法。     

时间序列数学预测模型在瓦斯气柜负荷的应用

时间序列预测模型是基于与预测对象历史数据相关的趋势、规律以及数据间外部联系而建立的数学算法模型,一般分为短周期预测和中长周期预测,预测模型是数据挖掘算法的一个分支,预测模型只是将预测对象原有的一些内在规律及与之相关的数据间的外部联系用数学算法加以发掘分析,而对于一些随机的即缺乏内在规律的或者关联性较弱的数据,现有预测模型一般难以达到理想的效果。本文详细介绍了时间序列预测模型预测理论及其约束,然后介绍该预测模型在炼油企业瓦斯气柜负荷预测中的实际应用,对生产进行预测及指导。     

基于深度学习的图像本征属性预测方法综述

真实世界的外观主要取决于场景内对象的几何形状、表面材质及光照的方向和强度等图像的本 征属性。通过二维图像预测本征属性是计算机视觉和图形学中的经典问题,对于图像三维重建、增强现实等应 用具有重要意义。然而二维图像的本征属性预测是一个高维的、不适定的逆向问题,通过传统算法无法得到理 想结果。针对近年来随着深度学习在二维图像处理各个方面的应用,出现的大量利用深度学习对图像本征属性 进行预测的研究成果,首先介绍了基于深度学习的图像本征属性预测算法框架,分析了以获得场景反射率和阴 影图为主的本征图像预测、以获得图像中材质 BRDF 参数为主的本征属性预测及以获得图像光照相关信息为主 的本征属性预测 3 个方向的国内外研究进展并总结了各自方法的优缺点,最后指出了图像本征属性预测的研究 趋势和重点。     

一种激光陀螺仪寿命预测新方法的研究

激光陀螺在惯性导航领域的应用日益广泛，对其寿命的估计成为研制方和使用方高度重视的问题。目前对激光陀螺寿命预测使用较普遍的加速寿命试验方法具有试验周期长、费用高等缺点。从分析激光陀螺的失效机理出发，阐述了激光陀螺工作气体中杂质气体氢对其寿命的影响，利用氢含量与输出功率下降的关系预测陀螺的寿命。对于氢含量的测量采用气相色谱法，并用随机共振算法消除色谱流出曲线中仪器噪声对微弱氢信号的淹没。实现微弱信号的检测。仿真试验表明，这中方法能够比较精确地估计出激光陀螺的寿命，并且能够缩短试验周期，减少费用。     

基于2维激光测距仪的快速路边检测

为了在光线较差、缺失明显道路标志时,快速准确地检测道路边界,基于最大熵原理,提出了一种利用2D激光测距仪的实时测量数据快速提取路边算法。该算法首先通过对连续有限不同角度观测数据的重新组合,直接构造模糊聚类中心;然后利用最大熵原理求取当前状态的隶属度函数值,同时对测量结果和预测误差进行预测,以便消除传统方法对专家知识或先验信息的依赖;最后根据当前状态与所选连续状态的距离,利用较近状态对预测结果产生较大影响的原理来构造加权因子,并计算模糊预测结果,再利用预测误差对预测结果进行修正,这种预测误差仅由有限几次测量结果决定,而不随时间的推移产生积累。实验结果表明,该方法是有效的。     

影响激光图像挠度测量方法稳定性的因素及应对策略研究

本文对激光图像挠度测量方法中影响系统稳定性的因素进行研究，指出影响系统稳定性的真正原因，提出了一系列处理激光光斑图像的应对方法，有效地消除了自然光线、散射光线和衍射光线对系统的干扰，得到了较为理想的结果。     

基于ARIMA模型的二手房价格预测

 摘要： 近年来，我国一二线城市房价持续上涨，房屋成了人们日常生活讨论的热门话题，大家纷纷对未来的房价走势做出猜测。本文爬取国内某知名大型房产网站自2013年以来广州和深圳的二手房均价数据，采用ARIMA模型对未来的房价进行滚动预测，并使用RMSE对预测精度进行判断。结果表明，该模型可以对二手房均价进行持续预测，且预测精度较高，可为房屋买卖者提供参考。     

基于EKSC算法的网络事件热度预测方法

随着互联网的发展,有效地对网络舆情进行监管和引导对社会的和谐稳定具有重要意义,网络事件的热度预测是舆情监管的重要组成部分。针对传统方法在预测的过程中忽视了事件时间序列中蕴含的时态信息和关联性,提出了一种基于EKSC算法的网络热点事件热度预测模型。该模型使用EKSC算法对每类已知网络舆情事件的时间序列进行聚类,并构建类模型库。对待预测事件已知的热度时间序列进行缩放变化,并使用最小二乘法选取类模型库中均方误差和最小的模型对该事件进行预测。实验表明,该方法能够对网络热点事件的热度进行有效的预测。     

基于 Spark 平台的网络游戏用户流失预测方法

随着移动互联网的广泛普及,国内网络游戏市场日趋饱和,游戏公司获得新用户的成本不断增加,如何预防存量用户的流失已经成为市场营销的重心。提出了一种基于Spark平台的网络游戏用户流失预测方法,基于一个真实游戏日志数据对用户进行了流失预测。首先,从日志数据中抽取和计算了用户特征;随后,按权重选取了一组重要特征;最后,以特征为输入、流失与否为输出进行了二分类建模。综合比较了随机森林、支持向量机、多层感知机、梯度提升决策树和逻辑回归等6种常见分类算法。实验结果表明,随机森林算法表现最优,模型预测精度达到91%。     

基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。     

基于模式挖掘的中小河流暴雨洪水模式库

传统神经网络预测方法在水文领域已经有较成功的应用,但对于一些资料匮乏地区进行洪水预报时,由于训练样本的缺失,模型参数难以满足要求,使用这些方法预报结果往往并不理想。本文提出构建适用于待预报流域的暴雨洪水模式库的新思想,对该流域历史水文数据进行符号化模式挖掘处理,然后通过分析频繁模式和洪水流量水文时间序列,完成中小河流暴雨洪水模式库构建。使用具有中小河流典型特征的昌化流域的历年水文数据进行实验,实验结果表明,采用本文模式挖掘方法构建中小河流暴雨洪水模式库,并利用模式库快速预报未来洪水流量过程线走势,具有准确性和流域适用性。     

激光选区熔化工艺晶格支撑结构快速建模

针对激光选区熔化成型工艺中的支撑结构,提出一种晶格单元自动填充生成支撑 的快速建模方法。首先,分别对两种典型晶格支撑结构--杆架结构和孔隙结构的组成单元实 现参数化造型,并建立支撑结构数字化模型;其次,设计实现杆件单元和孔隙单元的造型算法; 最后,提出一种单元自然生长算法,实现对支撑空间快速填充。实例结果表明,晶格结构可以 对不同类型金属产品结构实现有效稳定支撑;相比实体材料,平均可以节省 72%的材料用量, 具有重要的工程意义。