带反馈的多元线性回归法在电力负荷预测中的应用

多元线性回归方法常用于电力负荷预测中,但是它不能预测非线性问题.我们把误差作为一个新的线性或者非线性的反馈自变量,用在下次的多元线性回归预测中.在理想实验环境下,我们发现这种方法是有效的.在电力负荷预测的实验中采用这种方法,得到了比用多元线性回归法更好的实验结果.     

基于多元线性回归的锂动力电池荷电状态鲁棒预测

目前广泛使用的锂电池荷电状态(state-of-charge, SOC)预测方法的训练数据需要通过大量的仿真实验获取,而电动汽车在充电过程中产生的大量的充电记录数据并没有得到合理利用。为了能有效利用这些充电记录数据,将多元线性回归算法应用到SOC预测中。多元线性回归方法将电压、电流、电容等物理量作为与SOC直接相关的输入变量从而对SOC进行回归预测。由于SOC的时序特征,将SOC预测分为多个子预测过程,不断迭代计算,循环预测SOC的下一时刻输出值。同时为了克服异常样本对SOC预测精度的影响,采用两种常见的鲁棒回归算法(Theil-sen算法与RANSAC算法)来进行SOC预测。实验结果表明,鲁棒回归算法及多元线性回归算法能够很好地捕捉到SOC的增长规律,相比之下,Theil-sen算法精度更高,误差约1.398%,能够很好地满足SOC预测的实际需求。     

基于浮动车数据非参数回归短时交通速度预测

非参数回归算法是近年来提出的一种较新型的短时交通流预测算法,为了提高预测精度,提出了基于误差反馈的预测方法.加入误差反馈机制,针对状态向量中的权值进行实时的反馈修改,得到了较满意的结果.采用成都市浮动车系统中的出租车浮动车数据对红星路二段的速度进行了预测,预测结果表明,该算法的预测精度优于无反馈的非参数回归和BP神经网络.     

高峰期网络流量高精准度预测模型研究

针对当前网络流量预测法是通过监测网络流量历史数据进行预测,存在预测精准度低和流量信息参数自适性差的问题,提出基于多元线性回归分析的高峰期网络流量预测模型。通过BP神经网络法,确定网络流量信息权值,采用滑动窗口算法得到流量序列中对应信息数据,构成新的网络流量序列,得到多元线性回归初始模型;引入最小二乘法对流量信息参数进行估算,得到流量信息的样本回归函数,使用可决系数F检验及统计样本回归函数,完成高峰期网络流量预测模型的构建。实验结果表明,使用该模型可降低误差、提高拟合度、增加能量利用率,为高峰期网络流量预测提供了基础保障。     

税收组合预测仿真研究

研究税收组合准确预测问题,税收受到经济、政策等多种因素作用,单一模型只能反映税收变化的部分信息,预测精度低.为提高税收预测精度,提出一种灰色模型和多元线性回归的税收组合预测模型.首先分别采用灰色模型和多元线性回归对税收进行预测,然后采用拟合误差的方差最小原则确定两种模型的权重系数,最后得到组合模型的税收预测值.采用我国1988 ～2010年税收数据进行仿真,结果表明,相对于单一预测模型,组合预测模型不仅提高了税收的预测精度,而且为全面税收的复杂、动态准确预测提供了依据.     

适用于线性回归和逻辑回归的场景分析

针对机器学习领域中两种常用的预测与分类算法,线性回归和逻辑回归,比较适用于两者的应用场景。基于python sklearn中的糖尿病数据集,采用两种算法建立三个不同模型,即一元线性模型、多元线性模型、逻辑回归模型对同一目标值进行预测并得出预测准确率进行比较。结果表明,在数据集各自变量呈离散分布并与因变量间缺少良好线性关系的情况下,使用线性回归方法所获得的准确率低于使用逻辑回归算法所获得的准确值。     

基于MapReduce的多元线性回归预测模型

针对传统的多元线性回归预测方法处理时间长且受内存限制的特点,对时序样本数据设计了基于MapReduce的并行多元线性回归预测模型。模型由三组MapReduce过程组成,分别求解由历史数据所构成叉积矩阵的特征向量和标准正交特征向量,用来预测未来参数的特征值和特征向量矩阵和未来时刻回归参数的估计量。设计并实现了实验来验证提出的并行多元线性回归预测模型的有效性。实验结果表明,基于MapReduce的多元线性回归预测模型具有较好的加速比和可扩展性,适合于大规模时序数据的分析和预测。     

运用概化理论和BP网络进行创造力研究

心理学的数据往往是通过主观评判得到的,和物理学的数据相比有较大的误差。以创造力测量为例,运用概化理论对心理测量数据的质量进行了描述。采用BP-Adaboost RT方法对心理测量数据进行建模,并且和多元线性回归、单个BP网络的建模进行了比较,结果表明,概化理论可以用来分析心理测量数据,数据的质量会影响到模型的预测精度。     

具有模糊控制变量的多元线性回归

多元线性回归被广泛用于预测。回归式反映了响应变量和预测变量间的线性关系。将模糊集理论引入多元线性回归中,通过模糊控制变量,可以得出更符合实际,也更容易为人所理解的回归模型。针对真实数据的实验表明,具有模糊控制变量的线性回归可以解决一类复杂的回归问题。     

基于ZigBee的室内空气质量感知系统的设计

物联网技术的快速发展,给人们的生活带来越来越多的应用;因此,对无线传感器网络节点部署到室内,实时采集室内环境数据,并对数据进行相应的融合和处理,分析出室内环境的动态变化情况,并且能够预测每个时间段的环境状况,并将其分析结果实时反馈给用户,提醒当前的室内环境问题;首先,采集室内的温度、湿度、PM2.5和VOCs,利用ZigBee无线通信技术作为传感器网络的通信基础,同时利用各传感器实时获取室内环境物理数据,通过多元数据的多元线性回归算法对室内环境进行有效监控和评估,通过实验对数据的分析最终在多元线性回归算法中拟合出的均方根误差RMSE为0.0495,能够预测出室内各项因素的变化情况.     

遗传算法在数据挖掘中的应用

论文介绍一种利用遗传算法的演化计算机编程的方法来自动建立一种动态非线性数学模型进行数据挖掘,并进行社会经济趋势预测和回归曲线拟合,改变过去那种只使用拟合粗糙、预测结果准确度差的传统预测模型进行曲线拟合和趋势预测的分析方法。在数据实验中,使用遗传算法演化计算机编程的方法自动生成的演化模型对一些真实的历史资料进行了曲线拟合和发展趋势预测以及对前馈、后馈误差进行了深入分析。结果表明,使用该方法建立的演化模型要比传统的线性回归、指数回归、抛物线回归三种固定传统数学模型所预测的数据准确度高很多,而且拟合曲线的前馈标准差和预测后馈标准差也明显要小。     

基于近似偏最小一乘的闭环系统辨识新方法

本文基于近似最小一乘准则和主成分分析,针对反馈通道模型阶次低于前向通道模型阶次且反馈通道不存在噪声的闭环系统,进行了近似偏最小一乘递推辨识算法的推导.为解决最小一乘准则函数不可微的问题,本文算法用确定性可导函数近似代替残差绝对值.近似偏最小一乘辨识算法可以克服基于最小二乘准则的辨识算法在受到满足(SαS)分布的尖峰噪声干扰时残差平方项过大的缺点,具有目标函数可导,计算简单的优点.同时,通过主成分分析去除数据向量各元素之间的线性相关,可以得出模型参数的唯一解.仿真实验表明,本文算法可以对反馈通道模型阶次低于前向通道模型阶次的闭环系统进行直接辨识,抑制了尖峰噪声对辨识结果的影响,具有优良的稳健性,可以更好地应用于闭环系统辨识.     

Implementation of hybrid short-term load forecasting system with analysis of temperature sensitivities

Load forecasting is necessary for economic generation of power, economic allocation between plants (unit commitment scheduling), maintenance scheduling, and for system security such as peak load shaving by power interchange with interconnected utilities. A novel hybrid load forecasting algorithm, which combines the fuzzy support vector regression method and the linear extrapolation based on similar days method with the analysis of temperature sensitivities is presented in this paper. The fuzzy support vector regression method is used to consider the lower load-demands in weekends and Monday than on other weekdays. The normal load in weekdays is forecasted by the linear extrapolation based on similar days method. Moreover, the temperature sensitivities are used to improve the accuracy of the load forecasting in relation to the daily load and temperature. The result demonstrated the accuracy of the proposed load forecasting scheme.     

HYBRID GREY RELATIONAL ARTIFICIAL NEURAL NETWORK AND AUTO REGRESSIVE INTEGRATED MOVING AVERAGE MODEL FOR FORECASTING TIME-SERIES DATA

The aim of this study is to develop a new hybrid model by combining a linear and nonlinear model for forecasting time-series data. The proposed model (GRANN_ARIMA) integrates nonlinear grey relational artificial neural network (GRANN) and a linear autoregressive integrated moving average (ARIMA) model by combining new features and grey relational analysis to select the appropriate inputs and hybridization succession. To validate the performance of the proposed model, small and large scale data sets are used. The forecasting performance is compared with several models, and these include: individual models (ARIMA, multiple regression, GRANN), several hybrid models (MARMA, MR_ANN, ARIMA_ANN), and an artificial neural network (ANN) trained using a Levenberg Marquardt algorithm. The experiments have shown that the proposed model has outperformed other models with 99.5% forecasting accuracy for small-scale data and 99.84% for large-scale data. The obtained empirical results have proven that the GRANN_ARIMA model can provide a better alternative for time-series forecasting due to its promising performance and capability in handling time-series data for both small- and large-scale data.     

Recursive Bayesian echo state network with an adaptive inflation factor for temperature prediction

Temperature prediction is a challenging problem and a concern in energy, environment, industry and agriculture etc. Climate models and statistical time-series forecasting methods are the ineffective forecasting tools of the long-range temperature prediction. A recurrent neural network (RNN) can model complex system with high accuracy. As a type of RNN design approach, echo state network (ESN) is used for temperature forecasting in this study. Based on analysis of monthly maximum, mean and minimum temperatures data sets, a novel recursive Bayesian linear regression (RBLR) algorithm based on ESN is presented in this study. The algorithm consists of two main components: an ESN and a RBLR algorithm with an adaptive inflation factor that changes the confidence level of the prior data. Our proposed method improves the prediction accuracy of the long-range temperature forecasting. Experimental investigations using Central England temperature time series show that the proposed method can forecast monthly maximum, mean and minimum temperatures for the next 12 months and produce good prediction.

     

基于GEP方法的数据流预测模型

传统的预测建模方法有曲线拟合、线性回归分析等,这些方法通常只适用于求解结构简单的多项式函数。该文采用基因表达式程序设计方法,该算法简便、易于遗传操作,并且其搜索空间广阔,函数复杂度高,能广泛适用于各种类型的数据流预测。在此基础上,提出当预测模型失效时的大变异策略,收到了很好的效果。     

程序化交易系统中线性回归模型及其优化算法

在程序化交易中,运用交易模型,通过对历史数据的运算预测价格的未来趋势,从而确定交易策略.提出一种线性回归交易模型,它从模型的原理分析、算法实现以及运行效率等方面进行了详细阐述,从而得出一种能够满足实时处理大量历史数据,时间复杂度最小化的交易模型的优化算法.     

GRNN神经网络在信息分析预测中的应用

用广义回归网络模型建立糖尿病和高脂血症预测网络模型,结果准确率高,达到了预测的目的.避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点.经过对比,GRNN网络具有更好的拟合精度和预报精度.实例分析证明,广义回归网络模型可以应用于疾病预测数据处理工作,并可以取得更优的分析结果.