几种热力站二次供水温度预测模型的比较分析

供热系统通常通过调节热力站二次供水温度来满足热用户的需求。为了准确的获得二次供水温度的预测值，通过相关性分析和偏自相关分析确定预测模型的特征集；采用在线序列极限学习机（OSELM）、多元线性回归（MLR）、BP神经网络（BP）、支持向量回归（SVR）和极限学习机（ELM）模型进行短期二次供水温度的预测。对天津市某热力站的应用结果表明：预测特征集为室外温度和前28 h的历史二次供水温度数据；在训练样本容量较少和跨供暖季应用两种情况下，OS-ELM预测精度均最高，MAPE值分别为1.55%和0.47%。     

神经网络在个人信用组合预测中的应用

该文运用组合预测的思想,提出了通过感知器、BP、Elman和LVQ等不同的具有代表性的神经网络模型,将多元线性回归和logistic回归两单一方法进行组合,并分别应用于某商业银行的个人信用评估,其结果表明:感知器、BP、Elman和LVQ神经网络组合预测方法精确度不尽相同,但总体上能够获得比多元线性回归和logistic回归更高的预测精度,尤其在避免纳伪错误方面更具优势。     

基于联系数的区域水资源承载力诊断指标组合预测研究

为提高区域水资源承载力诊断指标预测结果的精度和稳定性,在建立区域水资源承载力诊断指标预测的BP神经网络、多元线性回归和支持向量机模型(SVM)的基础上,建立了基于联系数的区域水资源承载力诊断指标组合预测模型(CFCN)。通过对区域水资源承载力水量要素能力表征指标的预测分析,结果表明,CFCN的预测平均误差最小(0.27%)、预测精度最高、稳定性最好,CFCN综合了BP神经网络、多元线性回归和支持向量机这3种预测方法的优势,克服了在区域可利用水量预测中BP神经网络外延性差、多元线性回归模型预测精度低、支持向量机拟合效果差的缺点,预测精度较单一的预测模型有显著提高。上述组合预测方法可为区域水资源承载力诊断指标预测提供有效的方法和技术支持。     

多元线性回归与BP神经网络预测模型对比与运用研究

对多元线性回归模型及BP神经网络模型的理论及运用方法进行研究,采用SPSS及MATLAB软件分别建立多元性回归和BP神经网络预测模型,通过农村居民纯收入预测的算例,对多元线性回p-3和BP神经网络预测模型的拟合优度、初始数据的仿真与模拟能力和新数据的预测能力进行对比,数据结果表明BP神经网络预测模型优于多元线性回归预测模型．     

基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

基于BP神经网络与多元线性回归的短期燃气负荷预测

影响燃气负荷变化的因素呈现非线性和随机性特征,单一数值算法很难进行精确预测。为了提高燃气负荷预测的准确度,使预测算法具备更好的适应性,提出了一种基于多元线性回归与BP神经网络的短期燃气负荷预测模型。该混合优化算法兼顾了多元线性回归算法的非线性特性和BP神经网络的泛化特性。以宁夏平罗县2011年城市居民燃气用气量为研究算例,应用灰色关联度对燃气负荷及影响因素进行相关性分析,并采用均方根误差及R~2判定系数作为预测模型性能评价方法。通过仿真,验证了所建立模型是可行且有效的。相比单一的多元线性回归方法或BP算法,采用混合算法所建立预测模型具有更好的适应性,预测误差更小。     

城市生活垃圾产量的组合预测

引入一种新的预测垃圾产量的方法——组合预测方法,该法能够综合利用不同预测方法提供的信息提高预测精度。结合厦门市1996～2008年的垃圾产量,分析不同预测方法的预测精度,并预测5年后的垃圾产量。通过研究发现：单一预测模型中,线性回归法和年增长率法的预测结果偏小,误差较大,灰色理论GM（1,1）的预测结果偏大,误差较小,基本在10%以内;组合预测模型的预测精度高于单一预测模型;厦门市城市生活垃圾年平均增长率约为10%,低于国民生产总值和社会消费品零售总额年平均增长率,高于城镇居民消费性支出年平均增长率。     

商品住宅价格预测模型分析

选取海南省2004—2016年商品住宅平均价格为研究对象,构建商品住宅价格影响因素指标体系,分别采用多元线性回归预测模型和GM(1,1)预测模型对商品住宅价格进行预测,得出预测值与真实值之间存在较大误差.将两种预测模型的预测值进行加权平均构建组合预测模型,得出预测值与真实值之间的平均误差为6.92%,预测值具有较高的精确度.     

预测板式换热器污垢热阻的新方法

通过动态监测板式换热器冷却水污垢热阻及影响污垢热阻的松花江水水质参数（如pH值、溶解氧、铁离子、氯离子、细菌总数、浊度、电导率、化学需氧量、碱度和硬度等）变化。采用BP神经网络主成分分析、主成分回归、全要素BP神经网络三种预测方法建立板式换热器污垢热阻预测模型,选取1-15号样本为训练或回归拟合样本,16-20号样本为测试样本,并将三种方法的预测结果进行了对比。结果表明,三种方法均可对板式换热器污垢特性进行有效预测,而基于主成分分析的BP神经网络方法的预测结果误差小,优于另外两种方法。     

季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

新型GM(2,1)模型在电力负荷预测中的应用

电力负荷预测是电网调度中的一项重要工作,精确的负荷预测是电网运行安排的主要依据。文中提出了一种新型GM(2,1)模型的建模方法,克服了传统GM(2,1)模型强行定义白化微分方程常数项所带来的数据突变问题。将上述方法用于电力负荷预测,实例仿真结果表明,与传统的GM(2,1)模型相比,新模型具有更高的预测精度,为电力负荷预测提供了一种重要手段。     

基于灰色神经网络模型的径流模拟与应用

通过对实测年径流系列进行相关影响因子的灰关联度分析,建立了GM(1,N)模型,利用BP神经网络模型对残差值进行拟合修正,构建了一个基于GM(1,N)的灰色神经网络预测模型.结合实例的计算结果表明,该模型可提高年径流模拟精度.     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

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.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

基于灰色理论和BP神经网络串联组合的能源需求预测

本文对某省能源现状进行了分析,进而提出了能源需求预测的必要性,在利用统计数据分析某省能源消耗趋势后,利用灰色GH（1,1）模型进行预测,然后把预测结果和影响因素同时作为BP神经网络的输入进行预测,结果表明,基于GH—BP串联组合模型的预测精度要高于单纯地GH（1,1）预测。最后分析了某省新能源的发展优势。     

A new grey forecasting model based on BP neural network and Markov chain

A new grey forecasting model based on BP neural network and Markov chain was proposed. In order to combine the grey forecasting model with neural network, an important theorem that the grey differential equation is equivalent to the time response model, was proved by analyzing the features of grey forecasting model(GM(1,1)). Based on this, the differential equation parameters were included in the network when the BP neural network was constructed, and the neural network was trained by extracting samples from grey system’s known data. When BP network was converged, the whitened grey differential equation parameters were extracted and then the grey neural network forecasting model (GNNM(1,1)) was built. In order to reduce stochastic phenomenon in GNNM(1,1), the state transition probability between two states was defined and the Markov transition matrix was established by building the residual sequences between grey forecasting and actual value. Thus, the new grey forecasting model(MNNGM(1,1)) was proposed by combining Markov chain with GNNM(1,1). Based on the above discussion, three different approaches were put forward for forecasting China electricity demands. By comparing GM(1, 1) and GNNM(1,1) with the proposed model, the results indicate that the absolute mean error of MNNGM(1,1) is about 0.4 times of GNNM(1,1) and 0.2 times of GM(1,1), and the mean square error of MNNGM(1,1) is about 0.25 times of GNNM(1,1) and 0.1 times of GM(1,1).