基于BP神经网络技术的车辆通行时间预测研究

为进一步提高交通调度效率,解决日益严重的交通拥堵现状,提出基于BP神经网络模型预测车辆通行时间的方案。根据交叉路口特征,建立了三层BP(Back Propagation)神经网络模型,并确定模型的输入层和输出层神经元数目均为4个。采用MATLAB软件对采集的车辆通行数据进行仿真分析,最终确定隐含层神经元数目为9个。利用预测样本对BP神经网络模型进行了可行性验证。结果表明,BP神经网络模型能够用于预测排队车辆通行时间,误差在10%以内,可以作为交通控制器配时方案的依据,提高车辆通行效率。     

用改进GA-BP神经网络的设备故障维修时间预测

光伏充电站中设备故障维修时间对运行效率有着重要影响.为提高光伏充电站设备维修时间的预测精度,考虑到神经网络算法中隐含层神经元数对算法预测精度的影响,提出了一种改进的GA-BP神经网络算法,并以光伏充电站60个设备维修时间为样本验证了改进算法的有效性.结果表明,GA-BP神经网络结构中隐含层神经元数取5时算法预测精度最高,且采用改进GA-BP神经网络算法预测时平均相对误差仅为6.1％,较灰色模型与BP神经网络算法分别降低了 90.4％与57％.改进后的GA-BP神经网络的预测准确度远高于灰色模型和BP神经网络,得到的预测时间可为维修人员调度提供依据.     

基于优化的粗神经网络在地质样品元素的预测研究

在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理地确定隐含层神经元的数目,使神经网络提高收敛性能,获得更好的非线性逼近能力。仿真实验结果说明:优化的粗神经网络预测模型,可提取有用信息,简化网络结构,减少训练时间,提高预测精度。在地质样品元素的预测实验中,取得了良好的效果。     

改造前向神经网络结构以求网络权值直接确定——Jacobi正交基神经网络实例

根据多项式插值与逼近理论,以一组零阀值特例Jacobi正交多项式(第二类Chebyshev正交多项式)作为隐层神经元的激励函数,构造一种基于Jacobi正交基的前向神经网络模型.该神经网络模型采用三层前向结构,其中输入、输出层神经元采用零阀值线性激励函数.为改进传统神经网络收敛速度较慢及其局部极小点问题,针对该Jacobi正交基前向神经网络模型,提出了一种基于伪逆的直接计算神经网络权值的方法(即,一步确定法),并利用该神经网络进行预测.计算机仿真结果表明,相对比传统的BP迭代训练方法,权值直接确定法计算速度更快、预测精度更高.     

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.     

基于BP神经网络模型的笔记本电脑销售预测研究

针对笔记本电脑销售的不确定性，利用BP神经网络算法构建模型，采用MATLAB对某店铺的2021年笔记本电脑的销售数据进行了网络训练，通过Pearson相关系数来分析输入层各节点和输出层销售额之间的相关性，确定了访客数UV、收藏数、加购物车次数、客单价和支付转化率等5个输入层节点,销售额为输出层节点。实验证明了构建的BP神经网络模型预测值和实际值误差小，预测准确度高，可为笔记本电脑销售计划安排及库存管理提供依据。     

基于Elman网络的时延预测及其改进

分析了网络传输时延的组成和特点,提出了利用Elman神经网络预测网络传输时延,运用Matlab软件对其预测进行仿真,结果证明Elman神经网络能很好地预测网络时延,为了进一步提高神经网络的逼近能力和动态特性,提出了一种改进的基于输入层、隐藏层、输出层神经元的动态递归神经网络。实验证明,改进的Elman神经网络比原来的网络具有更好的动态性能。     

基于多级神经元的神经网络及其在分类中的应用

为了提高前向神经网络的分类能力,该文将多级神经元扩展使用到多层感知器的输出层和隐含层中,并提出了量子神经网络的学习算法。通过一个实际的分类问题实验验证了该方法的有效性。实验表明,无论输出层或隐含采用多级神经元,都可以带来分类能力的提高。而当输出层采用多级神经元时,还可以导致连接的减少和训练速度的加快。     

基于模糊神经网络的粗糙集在股市预测中的应用

提出在模糊神经网络中使用粗糙集理论进行网络的设计.在模糊神经网络中引入粗糙集理论,不仅可以去除模糊神经网络中输入层的冗余神经元而且可以确定隐含层神经元的数目,从而使模糊神经网络具有更准确的逼近收敛能力和较高的精度.最后应用于股票市场,在股票买卖时机预测中取得了良好的效果.     

基于模拟退火优化BP神经网络的PH值预测

为自动准确测定水质p H值,采用大量的具有代表性的p H值检测数据为样本,提出了一种基于模拟退火优化BP神经网络的p H值预测方法。利用模拟退火算法优化BP网络的权值,调整优化样本的选取和隐层神经元数,训练BP神经网络预测模型得到最优解。由测试样本对网络进行了预测试验,并与非线性回归的预测结果进行了对比。结果表明,该方法对水质p H值预测具有较好的非线性拟合能力和更高的预测准确性。     

基于CDMA网络的售货机远程监控系统设计与实现

针对自动售货机的单机运营模式的缺陷,提出了联网实时监控的实施方案。通过对售货机情况和消费者习惯的分析,与实际无线网络的结合,制定了消息传输应答措施和界面查询系统。能通过CDMA网络监测售货机的联网状态,跟踪销售和运行状况,并且通过与数据库的结合,方便了维护人员补货和消费者查询,使售货机系统运作更稳定,用户消费更快捷。着重介绍了该监控系统的系统组成和实现的关键问题。     

基于股票市场灵敏度分析的神经网络预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,建立基于股票市场灵敏度分析的神经网络预测模型。针对神经网络结构设计问题,计算网络输入层与隐层神经元的灵敏度,并修剪网络中不敏感的神经元,在保证模型泛化能力的同时,实现网络结构精简;针对神经网络黑箱问题,根据输入层神经元灵敏度解决各输入变量对股票市场的重要性和反馈机制。以上证指数为例,在不同的时间跨度下对股票市场运行规律进行学习,并分析不同结构修剪模型的适用性和市场意义。最后,通过与其他神经网络预测模型比较,验证本文模型的有效性。     

神经网络在卷烟销售量预测的应用研究

研究卷烟销售预测准确问题,卷烟销售量具有季节性和周期性动态变化规律,并受经济、人口等因素的影响,使系统存在明显的非线性特征,波动范围比较大,传统线性预测模型难以准确预测。为了提高卷销售预测精度,提出一种能够反映卷烟销售量变化规律的Elman神经网络的卷烟销售预测模型。首先采用逐步拓阶方法确定卷烟销售量的最佳滞后阶数,然后利用最佳滞后阶数最对卷烟销售数据进行重组,并输入Elman神经网络学习,利用Elman神经网络的动态和反馈特点对卷烟销售量进行预测。将建立的模型应用于云南某烟草公司某种卷烟销售的预测,结果表明,Elman神经网络模型有效提高了卷烟销售预测精度,降低了预测误差,为烟草行业销售管理预测提供科学依据。     

Sales forecasting system based on Gray extreme learning machine with Taguchi method in retail industry

Due to the strong competition that exists today, most retailers are in a continuous effort for increasing profits and reducing their cost. An accurate sales forecasting system is an efficient way to achieve the aforementioned goals and lead to improve the customers’ satisfaction, reduce destruction of products, increase sales revenue and make production plan efficiently. In this study, the Gray extreme learning machine (GELM) integrates Gray relation analysis and extreme learning machine with Taguchi method to support purchasing decisions. GRA can sieve out the more influential factors from raw data and transforms them as the input data in a novel neural network such as ELM. The proposed system evaluated the real sales data in the retail industry. The experimental results demonstrate that our proposed system outperform several sales forecasting methods which are based on back-propagation neural networks such as BPN and MFLN models.     

A hybrid extreme learning machine model with harris hawks optimisation algorithm: an optimised model for product demand forecasting applications

Accurate and real-time product demand forecasting is the need of the hour in the world of supply chain management. Predicting future product demand from historical sales data is a highly non-linear problem, subject to various external and environmental factors. In this work, we propose an optimised forecasting model - an extreme learning machine (ELM) model coupled with the Harris Hawks optimisation (HHO) algorithm to forecast product demand in an e-commerce company. ELM is preferred over traditional neural networks mainly due to its fast computational speed, which allows efficient demand forecasting in real-time. Our ELM-HHO model performed significantly better than ARIMA models that are commonly used in industries to forecast product demand. The performance of the proposed ELM-HHO model was also compared with traditional ELM, ELM auto-tuned using Bayesian Optimisation (ELM-BO), Gated Recurrent Unit (GRU) based recurrent neural network and Long Short Term Memory (LSTM) recurrent neural network models. Different performance metrics, i.e., Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE) and Mean Percentage Error (MPE) were used for the comparison of the selected models. Horizon forecasting at 3 days and 7 days ahead was also performed using the proposed approach. The results revealed that the proposed approach is superior to traditional product demand forecasting models in terms of prediction accuracy and it can be applied in real-time to predict future product demand based on the previous week’s sales data. In particular, considering RMSE of forecasting, the proposed ELM-HHO model performed 62.73% better than the statistical ARIMA(7,1,0) model, 40.73% better than the neural network based GRU model, 34.05% better than the neural network based LSTM model, 27.16% better than the traditional non-optimised ELM model with 100 hidden nodes and 11.63% better than the ELM-BO model in forecasting product demand for future 3 months. The novelty of the proposed approach lies in the way the fast computational speed of ELMs has been combined with the accuracy gained by tuning hyperparameters using HHO. An increased number of hyperparameters has been optimised in our methodology compared to available models. The majority of approaches to improve the accuracy of ELM so far have only focused on tuning the weights and the biases of the hidden layer. In our hybrid model, we tune the number of hidden nodes, the number of input time lags and even the type of activation function used in the hidden layer in addition to tuning the weights and the biases. This has resulted in a significant increase in accuracy over previous methods. Our work presents an original way of performing product demand forecasting in real-time in industry with highly accurate results which are much better than pre-existing demand forecasting models.

     

基于改进遗传算法优化BP神经网络的销售预测模型

随着经济的快速发展,众多企业步入科学化管理的时代.销售预测是企业经营活动中必不可少的一个环节,预测的准确性直接关系到销售经营的成败.因此提出基于传统BP神经网络与时间序列预测模型为一体的改良BP神经网络预测模型,通过该模型的预测,可以更可靠地预测企业在未来单位时间内的销售额.改良神经网络参考了同步时间序列的预测做出了自我校准,并利用遗传算法达到通过校准得到自我优化的目的,简化网络结构,提高预测的准确度.     

基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

基于动态矩阵模型的可优化的补货策略

传统零售存在经验供货,严重影响了零售业的发展,针对不同的应用场景和需求需要提出不同的补货策略,在智能自动售货机使用场景下提出动态矩阵模型的可优化的补货策略,实现按需智能补货。该策略根据销量统计、预测的销量值、零点库存、售货机的商品货道数以及时间序列等之间的关系计算每天不同时间段的补货值,实现补货人员可根据输出的补货矩阵表动态调整补货周期。根据输出结果表明,对比以往根据销量经验供货等其他补货方法,此补货策略可以提高商品周转率,提升商品的销量,同时也能够节约补货运营成本。     

基于IC卡支付的GPRS网络自动售货机的设计实现

针对目前自动售货机都存在的只能接受硬币和小额面值钞票的缺点,提出采用智能IC卡与GPRS网络通信技术相结合的方案,并在此基础上设计了基于IC卡支付的无线网络自动售货终端。它包含了自动售货机终端的硬件设计与软件设计两部分。采用MDB总线与自动售货机控制器通讯。实际应用证实了其可行性,在自动售货业有广泛的应用前景。     

基于多维灰色模型及神经网络的销售预测

在时尚销售领域,如服饰、手袋、钱包等,准确的销售预测对企业非常重要.然而由于客户的需求受诸多因素的影响,要做到准确的销售预测一直是一个富有挑战性的问题.基于改进的多维灰色模型（GM（1,N））和神经网络（ANN）提出一种混合模型来预测销量,其中多维灰色模型对销售数据建模,神经网络对误差进行校正.该混合模型的优点是考虑了影响客户需求的因素与销量之间的关系.通过对阿里天猫销售数据来评估混合模型的表现,实验结果表明,所提出的混合模型的预测结果要优于其他几种销售预测模型.