吉林省生活用能源消费的预测研究

研究构筑了将来生活用能源消费的预测模型,预测了2020年以前的吉林省生活用不同燃料种类的能源消费和产生的环境负荷,比较了2000年与2020年能源消费和环境负荷,分析了其产生原因,从而,为实现能源、环境和社会经济的协调发展提供了实践依据.     

基于改进新维无偏灰色马尔科夫模型宁夏能源消费预测

利用GM(1,1)模型和Markov模型用于时间序列预测时的互补优势分别建立传统的GM(1,1)模型和Markov模型,然后利用新信息优先的原则建立新维无偏灰色马尔科夫预测模型,并加以改进。以1998—2013年的宁夏能源消费总量为原始数据,对宁夏能源消费总量数据走势进行预测。利用MAPE指标进行精度检验。结果表明,改进后的新维无偏灰色马尔科夫预测模型误差小、精度高,适合中长期预测;宁夏能源消费总量仍呈递增状态。     

吉林省家庭用能源消费预测模型的建立

该研究作为实施节约能源，保护环境措施的第一步，调查了吉林省家庭用不同种别能源的影响因素。分析了吉林省城市和农村家庭用能源消费的现状，构筑了将来生活用能源消费的预测模型．为促进能源经济可持续发展。提供了重要的理论依据．     

组合模型在能源需求预测的应用

为科学预测未来我国能源需求,通过文献萃取选取经济发展水平、人口规模、城市化率、产业结构和技术进步水平作为我国能源需求影响因素．运用拉开档次法计算各模型权重,构建ARIMA、多元回归、灰色GM(1,1)和支持向量回归机的组合预测模型,运用该组合模型和目前常用组合预测模型分别计算我国2005-2011年能源需求,并与实际结果进行比较,结果表明:该组合预测模型具有更高的预测精准度. 最后运用该组合模型预测2012-2020年我国能源需求,预测结果表明: 2012-2020年我国能源需求以平均3.42%的年增长率增长,2020年我国能源需求量将比2012年增加30%左右.     

基于灰色关联分析和支持向量回回归机组合模型的我我国畜产品消费量预测

我国是畜产品生产消费的大国。随着畜产品种类的日益丰富,畜产品消费结构也悄然变化,为了避免市场供需失衡,研究预测我国畜产品消费量对引导制定较为合理的生产计划有着十分重要的意义。基于此,构建了基于灰色关联分析和支持向量回归机的畜产品消费量组合预测模型。灰色关联分析为组合预测提供了选取单项预测模型的依据,确保了参与组合预测的单项预测模型的质量,支持向量回归机以其良好的学习泛化能力用于组合预测中,可以对复杂环境下的事物做出较为准确的预测。在上述理论与方法研究的基础上,将基于灰色关联分析和支持向量回归机的组合预测模型综合应用于我国猪肉消费量的预测实践中,通过实验结果比较分析,验证了研究成果的有效性。     

基于灰色关联分析和支持向量回归机组合模型的 我国畜产品消费量预测

我国是畜产品生产消费的大国。随着畜产品种类的日益丰富, 畜产品消费结构也悄然变化, 为了避免市场 供需失衡, 研究预测我国畜产品消费量对引导制定较为合理的生产计划有着十分重要的意义。基于此, 构建了基于 灰色关联分析和支持向量回归机的畜产品消费量组合预测模型。灰色关联分析为组合预测提供了选取单项预测模 型的依据, 确保了参与组合预测的单项预测模型的质量, 支持向量回归机以其良好的学习泛化能力用于组合预测中, 可以对复杂环境下的事物做出较为准确的预测。在上述理论与方法研究的基础上, 将基于灰色关联分析和支持向 量回归机的组合预测模型综合应用于我国猪肉消费量的预测实践中, 通过实验结果比较分析, 验证了研究成果的 有效性。     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基（RBF）神经网络对灰色预测模型结果进行预测,以作为其最终的预测值．实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型．该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围．     

证券组合选择理论在股票投资中的应用

以上海证券交易所中上证材料,上证能源,上证工业,上证可选（可选消费）,上证消费,上证金融,上证医药,上证信息,上证电信,上证公用十个行业的数据为样本,利用马科维茨证券组合选择理论,通过均值-方差模型、以期望收益最大值、最小值,方差最小值确定投资组合的有效边界,根据有效边界选择投资组合。     

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。     

简单平均组合预测有效性的应用分析

通过实例分析,说明了当序列模式变动较大时,简单平均组合预测模型相对于其他组合预测模型的优越性,并且基于样本段的拟合精度不足以说明组合预测模型的外推预测精度。文中的分析对于组合预测模型的选择和应用具有实际参考价值。     

基于组合电力负荷预测模型的电力经济调度研究

根据武汉地区近10 a电力负荷使用情况对武汉供电公司电力负荷预测进行研究,以此为经济调度及负荷管理提供依据.选用基于GM(1,1)模型和一元线性回归法的组合负荷预测模型.对武汉地区每月最大负荷进行预测;算例证明组合预测模型有效提高了电力系统负荷预测能力,且证明了该组合电力预测模型对发电量预测同样具有可行性.     

组合模型在中期电力负荷预测中的应用

为了对中期电力负荷进行合理预测,结合三次指数平滑法和GM(1,1)预测模型,建立了新的组合模型,并以预测偏差平方和最小为准则优化了各单一模型的权重.通过MATLAB编程并以某市全年用电量为例对3种方法的预测精度进行了仿真验证.结果表明,组合模型具有更高的预测精度和更低的预测误差,能避免各单一预测模型的局限性.因此,用组合模型对未来用电量进行预测的结果更可靠.     

评估系统在短期负荷预测模型中的应用

目前的短期负荷预测大多采用组合预测方法,组合预测模型的优点是将多个电力系统负荷预测模型有机的结合起来,深入地研究了该方法的实现和应用原理,提出进一步放宽组合预测模型权重不等式约束的条件,并给出理论根据,应用评估系统理论确定了各个时间点的组合预测模型的权值取值.     

灰色模型GM(1,1)及其改进模型在短期特殊日电力负荷预测中的应用

讨论了灰色模型GM (1 ,1 )及其改进模型在短期电力负荷预测中的应用 ,采用ARI MA(p ,d ,q)模型与GM(1 ,1 )改进模型对特殊日电力负荷进行组合预测 ,提出了适合电网特殊日电力负荷预测的数据处理方法 ,提高了预测的精度 .准确度可达 95 %以上 ,解决了每日2 4点正点采样情况下预测精度较低的问题 .     

基于初值修正的灰色预测模型的改进及其应用

对GM(1,1)建模的预测精度进行了分析,表明初值的选取对模型的预测精度有着重要影响,进而提出了可以提高预测精度的修正初值的方法.实证分析结果表明通过初值修正能够提高预测模型的预测精度.     

变权组合预测模型在滑坡预测中的应用

为探讨变权组合预测模型在滑坡预测中的应用,以湖北省秭归县新滩滑坡为例,以A3点实际监测数据为基础,采用基于灰色预测法、Verhulst模型预测法以及协同预测法的变权组合预测方法,对新滩滑坡部分监测点位移进行了建模和预测。预测结果表明,利用变权组合预测方法,比单纯运用某一种预测方法,预测精度更高,误差平方和最多相差10．408,最少相差0．184。该方法可应用于实际工程。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于预测模型库关联优化的电力负荷组合预测模型

针对中长期电力负荷同时具有增长性和波动性的二重趋势,基于预测模型库关联优化的电力负荷组合预测模型理论,首先对GM(1,1)模型进行改进,引入修正系数,使得原始序列与新预测值的误差在最小二乘意义下达到最小。然后建立模型库,通过灰色关联分析选取两个关联度最大的预测模型,再对这两个预测模型进行优化组合,得到最优模型。通过实例验证,基于预测模型库关联优化的电力负荷组合预测模型达到了满意的预测结果。     

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BP神经网络的非线性组合预测模型在粮食物流需求预测中的应用

鉴于单项预测模型的局限性,在确定粮食物流需求量的基础上,建立了基于BP神经网络的非线性组合预测模型,并把这一模型应用于长春市粮食物流需求的预测。误差分析表明,该预测模型可以有效地提高粮食物流需求量的预测精度。