GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。     

基于支持向量机参数识别的灰色预测模型

采用基于支持向量机参数识别的灰色预测模型,用基于结构风险最小化准则的支持向量机方法求取灰色模型的参数,再用灰色模型计算预测值。该方法避免了过拟合问题,提高了模型的预测精度。     

灰色预测模型的Delphi编程实现

在许多工程系统中，由于灰色模型特有的优点，该模型常常作为预测模型来使用，本文提出了一种基于Delphi的灰色预测模型的实现方法，并给出具体的源程序。     

基于灰色马尔科夫的外汇预测模型

随着经济的发展和居民收入水平的提高,兑换外汇逐渐成为人们的日常需求。但国家对外汇有着严格的管理并限制了个人的兑换额度,所以当个人外汇支出超过规定额度时,就认为涉嫌分拆外汇。为了更好掌握未来涉嫌的外汇分拆量,则需要较为准确的预测。本文利用灰色预测模型对历史数据进行建模,结合马尔科夫预测模型,得到组合预测模型的预测值。本文的研究与应用表明灰色马尔科夫组合预测模型比单一预测模型精度更高,可以对未来数据进行更加准确的预测。     

灰色GM(1,N)预测模型编程实现及应用检验

灰色GM(1,N)预测模型在社会、经济、农业、生态等诸多领域应用十分广泛.为推广使用该预测模型,依据邓聚龙教授的灰色理论,使用VC++编程实现GM(1,N)预测模型,实现了多个预测因子和多个关联因子同时进行分析,提高了使用效率,择优选择算法提高了分析精度.使用参考文献中的数据和模拟数据,对系统预测模型正确性和预测精度进行了检验.     

BP算法和对称ARCH类模型对股市波动性预测的实证比较

利用我国深圳股票市场的实际数据,建立了相应的BP算法网络预测模型和ARCH(1),GARCH(1,1)预测模型,分别用来对深成指数每个周末收盘价的波动性进行预测．研究表明,BP算法对样本外观测值的上凸曲线拟合得较好,对下凸曲线的拟合效果较差;ARCH(1)和GARCH(1,1)则反之,其预测曲线对样本外观测值的下凸曲线拟合效果都较好,但对上凸曲线的拟合效果都较差．通过采用6种常用的预测误差统计量:平均误差、平均绝对误差、均方根误差、平均绝对比率误差、Akaike信息准则、Baves信息准则对样本外数据的预测结果进行检验,BP算法的预测效果最好,ARCH(1)模型次之,GARcH(1,1)模型偏差．     

基于灰色预测理论的软件缺陷预测模型研究

软件缺陷是软件产品预期属性的偏离现象.妥善处理软件中的缺陷关系软件质量以及软件组织的生存与发展.利用开发过程中收集的软件缺陷的相关数据,依据灰色预测理论的核心:GM(1,1)来建立预测模型,对后续软件开发中缺陷的存在情况作出相应预测.实验表明该预测结果能指导软件组织较好地把握软件质量、合理分配测试资源,并在一定程度上帮助软件组织度量软件过程.     

灰色DNGM(1,1)预测模型及其优化

传统的灰色GM(1,1)预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围,建立了近似非齐次指数序列的灰色DNGM(1,1)预测模型。研究了这种灰色预测模型的性质,证明了这种模型都具有线性不变性,也能够完全拟合非齐次指数序列。考虑到初值条件对灰色模型的影响,对该模型进行了参数优化。数据仿真和实例分析表明,灰色DNGM(1,1)预测模型具有较高的预测精度。     

灰色区间预测模型及其性质

针对振荡幅度大的小样本振荡序列预测问题, 构建灰色区间预测模型. 首先对原始序列的上下界序列直接建立非等间隔GM(1,1)模型, 得到取值包络带的上下包络曲线以描述系统发展的边界; 然后给出原始序列区间预测值和基本预测值的计算方法, 建立区间预测算法; 最后研究区间预测模型的灰指数规律性和时效性. 数值实验揭示, 发展系数的取值不是影响区间预测模型时效性的唯一因素; 应用实例表明, 所提出方法能够有效地提高序列的预测精度.     

基于灰色预测模型的个人建房分析

灰色模型具有所需数据少、预测精度高和无需先验信息的特点.本文通过建立GM(1,1)模型对某区的农村个人建房进行预测,为相关职能部门提供科学的决策依据.结果表明灰色预测模型精度较高、预测误差较小、简捷实用.     

基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著 降低了云环境中对资源负载的实时预测误差。     

基于作者主题模型和辐射模型的用户位置预测模型

由于全球定位系统（GPS）设备采集的用户历史位置数据通常具有稀疏性,使得基于单个用户数据的位置预测模型能力受限,所以结合人类移动性的时间和空间周期性,提出一种基于作者主题模型（ATM）和辐射模型（RM）的用户位置预测模型。在时间维度上,该模型利用ATM发现与目标用户移动行为相似的用户群,并确定该用户群在预测时刻所处的目标状态;在空间维度上,该模型利用RM算法计算目标用户的候选地点在目标状态下的概率,并通过比较各候选地点的概率值确定目标用户可能出现的地点,从而实现对目标用户位置的预测。实验结果表明,该模型的平均预测准确率为61.49%,相对于基于变阶的Markov模型提高近28个百分点。所提预测模型能够在单个用户数据量小的条件下获得更高的预测准确率。     

基于流行度的自适应Web预测模型

目前基于局部匹配预测（PPM）模型的研究关注的焦点是在保证预测精度的前提下,尽量缩减PPM的空间占用,但缺乏自适应动态更新机制,难以实现在线预取。针对Web访问特点,提出了基于流行度的自适应预测模型。该模型的核心是基于Web对象流行度的PA PPM预取算法,通过模型构造、模型预测和模型更新三个过程实现了动态自适应的Web预取。讨论并实现了确定性上下文预测,最优阶估算以及上下文LRU替换策略等功能。在Web缓存与预取一体化条件下的实验表明,该模型具有较高的性能,适用于在线预取。     

基于PSO-BP的软件缺陷预测模型

软件缺陷检测旨在自动检测程序模块中是否包含缺陷,从而加速软件测试过程,提高软件系统的质量。针对传统软件缺陷预测模型被限制在一定的应用范围而影响其预测的准确性和适用性,提出了一种基于PSO-BP软件缺陷预测模型。该模型运用粒子群优化算法优化BP神经网络的权值和阈值,采用交叉验证的方式进行实验,并与传统的机器学习方法J48和BP神经网络等方法进行了比较。实验结果表明提出的方法具有较高的预测准确性。     

超级计算机错误预测模型研究

错误预测对于提高计算机系统的运算稳定性有重要意义,日志分析是建立错误预测模型的有效方法。在同类型错误的时间预测模型的基础之上,通过日志分析建立了不同类型错误之间的关联模式,并在此基础上建立了基于关联模式的错误预测模型,填补了时间预测模型在错误发生后的短时间内无能为力的缺陷,提高了预测率,并在IBM的BlueGene/L的系统日志数据上验证了关联模式错误预测模型的有效性。     

Scene appearance model based on spatial prediction

The appearance of a static scene as sensed by a camera changes considerably as a result of changes in the illumination that falls upon it. Scene appearance modeling is thus necessary for understanding which changes in the appearance of a scene are the result of illumination changes. For any camera, the appearance of the scene is a function of the illumination sources in the scene, the three-dimensional configuration of the objects in the scene and the reflectance properties of all the surfaces in the scene. A scene appearance model is described here as a function of the behavior of static illumination sources, within or beyond the scene, and arbitrary three-dimensional configurations of patches and their reflectance distributions. Based on the suggested model, a spatial prediction technique was developed to predict the appearance of the scene, given a few measurements within it. The scene appearance model and the prediction technique were developed analytically and tested empirically. Two potential applications are briefly explored.     

基于商品描述文案的点击预测模型

为了预测商品描述文案中商品特征对点击的影响、量化分析用户的消费行为特征及缓解冷启动问题,建立了一种基于LDA模型和文本情感分析的点击预测模型。该模型基于LDA主题模型对商品描述词的分类筛选对构成词进行情感分析,构建特征向量以表示用户对商品各特征的情感倾向,并通过LightGBM算法进行点击的预测。模型可以将非结构化文本数据转换为结构化数据,量化用户对商品不同特征的兴趣倾向,并利用不同商品的相似特征缓解冷启动问题。实验结果表明,该模型有效提高了点击预测效果并能缓解冷启动问题。     

混合销售预测模型

为提高产品销售预测的准确性,为企业生产决策提供有力的参考依据,建立BP＿Adaboost和计划评审技术PERT混合销售预测模型。将BP神经网络模型与Adaboost算法进行结合,克服单纯使用BP神经网络容易陷入局部极小值的问题;计划评审技术PERT有效利用销售管理人员的经验,在一定程度上实现对销售数据偶然性的预测;将BP＿ Adaboost和计划评审技术PERT组成混合模型进行销售预测。实验结果表明,该模型提高了销售预测的准确性和有效性。     

基于多任务模型的深度预测算法研究

图像的深度值预测是计算机视觉和机器人领域中的一个热门的研究课题。深度图的构建是三维 重建的重要前提,传统方法主要依靠确定固定点深度进行人工标注或是根据相机的位置变化来进行双目定位预 测深度,但这类方法一方面费时费力,另一方面也受到相机位置、定位方式、分布概率性等因素的限制,准确 率很难得到保证,从而导致预测的深度图难以完成后续三维重建等工作。通过引入基于多任务模块的深度学习 方法,可以有效解决这一问题。针对场景图像提出一种基于多任务模型的单目图像深度预测网络,能同时训练 学习深度预测、语义分割、表面向量估计 3 个任务,包括共有特征提取模块和多任务特征融合模块,能在提取 共有特征的同时保证各个特征的独立性,提升各个任务的结构性的同时保证深度预测的准确性。     

基于双向GRU模型的网络流量预测的研究

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法.首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时...