RBF神经网络的境外旅游人数预测模型研究

针对传统的境外旅游人数预测模型预测误差大的情况,设计了基于RBF神经网络的境外旅游人数预测模型。首先对旅游样本数据进行归一化处理,对境外旅游人数变动统计。然后通过预测种群构建、评估适应值、惩罚项设置、预测序列平稳性检验、模型预测五个过程完成了基于RBF神经网络的境外旅游人数预测模型的设计。最后,实验证明,RBF神经网络的境外旅游人数预测模型比传统的境外旅游人数预测模型误差小,能够准确对境外旅游人数预测。     

一种基于BP神经网络算法的旅游人数预测方法

旅游人数趋势预测可以为旅游规划与开发,制订与旅游发展相关的策略,提供非常重要的依据,有利于引导市场消除内部矛盾,协调旅游业资源合理分配。笔者研究了旅游人数的影响因素,制订了网络模型,分别讨论了网络层数、各层神经元个数、学习速率、误差期望值和激励函数等问题,构造了一个BP神经网络模型,以预测国内旅游人数。实验结果表明,该算法具有较好的准确性及鲁棒性,能有效预测旅游人数。     

基于ARIMA模型的游客人数分析与预测

通过确定ARIMA模型参数,建立预测中国国内游游客人数的预测模型,为中国未来旅游人数预测提供参考。首先选取1994-2015年的国内游游客人数作为训练数据,判断时间序列是否平稳,若不平稳则进行平稳性处理;然后确定模型参数,建立预测模型;最后按照构建好的ARIMA模型对2016-2018年的国内游游客人数进行预测。实验表明,ARIMA模型能较好地对国内游游客人数进行预测。     

基于灰色算法的旅游人力资源需求预测研究

研究了智能算法在旅游人力资源需求的预测及旅游人力资源开发中的应用。采用改进的灰色预测算法,对历年浙江省各城市的导游人力资源数据进行了分析,获得了2012年及2013年的预测数据及相关的分析图表,并对浙江省各城市的导游人力资源状况进行了分析,给出了一些结论。     

PCA-BP在城市汽车保有量预测中的应用研究

城市汽车保有量影响因素众多,且存在复杂的相关关系,传统数学预测模型和神经网络模型,无法消除影响因素之间的相关性,从而导致预测精度较低.为提高城市汽车保有量预测精度,提出了一种基于主成分分析的BP神经网络预测模型.通过对城市汽车保有量影响因子进行主成分分析,消除各因子间的冗余信息,降低BP神经网络的输入维数,简化神经网络拓扑结构,提高城市汽车保有量的训练速度与预测精度.对南京市2006-2009年南京市汽车保有量进行仿真,实现结果表明,PCA-BP模型的训练速度快、预测精度高,可为城市汽车保有量预测提供参考依据.     

改进BP神经网络在城市工业用电量预测中的应用

根据城市工业用电量与其影响因素之间存在的非线性映射关系,建立了一个改进BP人工神经网络模型,并将其应用于泰安市工业用电量的预测中.实例表明,该方法预测精度较高,具有一定的推广价值.     

用人工神经网络预测城市地震火灾损失

利用人工神经网络对城市地震火灾损失进行预测,对指导抗震救灾有一定的帮助.具体做法是根据地震损失与其影响因素之间的非线性映射关系,建立人工神经网络模型,并将其应用于地震火灾损失预测.实例表明该方法有一定的推广价值.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

旅游高峰期交通流量的多时间尺度预测方法及应用

对旅游交通需求进行准确的短时预测难度很大,其时空分布规律更加难以估计。为了解决该问题,提高预测精度,首先分析了旅游交通流的多时间尺度可预测性,进而运用多时间尺度预测方法对旅游交通流量进行了预测。结果表明,模型预测性能良好、精度较高,从分类和分层的角度构建旅游交通多时间尺度预测模型、分析旅游交通流量分布和旅游交通流量动态分配,能够为旅游高峰期的道路交通运行态势快速评估和制定应急交通组织管理方案提供精确参考。     

基于VLBP神经网络算法的中国旅游外汇收入预测研究

国家化、多元化的旅游业发展是目前旅游市场研究的重点,旅游外汇收入是体现旅游业发展的水平和潜力的重要标准之一。往往旅游外汇收入及其影响因素之间存在线性和非线性两种关系。利用VLBP神经网络,针对近20年相关数据建立合理的预测模型,对2020年至2025年的旅游外汇收入进行预测。同时将预测结果与时序模型预测结果进行对比,分析改善影响因素的途径,对未来涉外旅游市场开发和评价提供良好的基础。     

BP神经网络用于藻类生长预测的改进

针对传统的BP神经网络应用于藻类生长预测时,往往出现训练时间较长、输出数据精度低等问题.本文提出了在含有两层隐含层的BP神经网络结构中,对于数量一定的神经元,若神经元在隐含层分配合理,则BP神经网络可以达到减少训练次数并且能满足问题精度的要求.应用实例表明,该方法对预测藻类生长显得非常有效.     

免疫人工鱼群神经网络的经济预测模型

针对BP神经网络在经济预测存在的问题,提出了一种新的经济预测模型──免疫人工鱼群神经网络（IAFSA-NN）。通过免疫人工鱼群算法（IAFSA）训练神经网络,能显著提高网络的学习精度、收敛速度、泛化能力、还能在一定程度上克服BP神经网络的缺陷。以广东省湛江市的经济数据进行建模,给出了IAFSA训练神经网络的基本原理和步骤,构建了一个免疫人工鱼群神经网络的GDP预测模型,并运用MATLAB7.0进行仿真。实证表明,该模型预测结果优于BP网络预测方法,更接近实际数据,IAFSA神经网络用于经济预测是有效可行的。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

神经网络模型在预测土壤pH值中的应用研究

该文通过对西藏察雅县105层土样资料(1988年)建立CaCO3-pH神经网络模型,与刘世全等所做的回归模型在拟合精度和预测性能方面作了比较,结果显示,BP网络在拟合性能方面不亚于回归方法,在预测性能上要优于回归方法。该文对将神经网络引入土壤环境系统的研究中作了有意义的尝试;所建立CaCO3-pH间的关系模型,是研究污染物在土壤中的降解和转化的重要基础,对评价周边环境因素对土壤的综合作用也有重要意义。本文的结论说明,神经网络对于研究土壤系统的目标因子和相应的影响因子间的关系方面,是较为适用的数学手段。     

基于COBP模型的城市短期需水量预测研究

针对城市需水量预测中时间序列的非线性特性及传统BP网络预测收敛速度慢易陷入局部极小值等问题,将Chaos理论和BP神经网络理论相结合,提出了一种基于Chaos-BP理论的城市短期需水量COBP(ChaosBackPropagtion)预测模型。利用重构相空间的嵌入维数确定COBP网络的结构,通过混沌优化搜索,找到BP神经网络权值的全局最优值,并对其输出的“尖点”预测值进行混沌参数控制,实现城市短期需水量的预测。仿真分析表明,与传统预测模型相比,COBP预测模型所需训练数据样本少,收敛速度快、易达到全局最小值,预测结果整体误差的指标良好,呈现良好的综合预测性能。     

基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

基于神经网络的股票中期预测

本文给出了一种基于BP神经网络的股票市场建模、预测以及决策方法.应用神经网络进行股票中期预测,输入数据的复杂性给网络训练效率和预测精度造成了显著的负面影响.我们应用模糊曲线分析法进行了输入变量的筛选,该方法主要是用来压缩输入数据的维度,发现影响产出变量的重要因素.它通过求相关度,贡献弹性,根据样本点拟合样本曲线,最后选取出影响变量的重要因素.结果表明,经该方法处理后的数据输入神经网络不仅减少了输入数据量,使训练时间减少,运算速度提高,而且预测精度有了明显的改善.     

改进的BP网络在大坝变形监测资料分析中的应用研究

针对经典BP神经网络运行中存在的缺陷,提出了改进的BP神经网络.应用改进的BP神经网络模型对李家峡拱坝各高程的变形监测数据进行了预测,并将其预测结果与实际测量值进行对比分析.结果表明,改进的BP神经网络模型在数据预测方面取得了很好的效果.     

基于Huang变换和BP神经网络的时间序列预测方法

Huang变换是近几年发展起来处理非平稳信号的新方法。时间序列同信号一样具有非平稳的特性,研究了Huang变换在时间序列预测中的应用。首先将时间序列通过Huang变换分解为有限个固有模态函数和一个残余函数之和,每一个的固有模态函数反映了时间序列在各个尺度的特征,而残余函数则很好地反映了时间序列的总体趋势,然后应用BP神经网络对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,就得到原始时间序列的预测值。实例证明,基于Huang变换和BP神经网络的时间序列的预测方法,优于小波变换和神经网络相结合的预测方法,提高了预测精度。     

基于BP神经网络下用电负荷预测

城市日常生活和发展离不开用电,对用电情况进行分析可以为预测提供依据,进而探讨和解决生活中的用电问题。首先简述BP神经网络,而后基于神经网络从单一时间因素预测用户用电负荷量,结果具有一定的误差,考虑多因素影响,引入温度因素,对用户用电负荷量再次预测,最后分析神经网络下用电负荷预测的结果。