基于BP-RBF神经网络的组合模型预测港口物流需求研究

为了准确、高效地预测港口物流需求量,提出一种基于BP-RBF神经网络的组合预测模型.考虑到物流需求的非线性变化特点,在建模过程中首先采用BP与RBF两种神经网络方法分别建立单项预测子模型,然后依据各子模型预测结果赋予不同权重进一步构建加权组合预测模型.再以汕头港为例,通过MATLAB软件对港口物流需求量进行仿真预测.结果表明,组合预测模型较单一预测模型具有更高的预测精度,能有效减少出现较大误差的概率,使预测结果更接近于实际情况,可为港口今后物流发展规划提供参考.     

基于GIS建设用地需求量预测信息系统研究

建设用地需求量预测是土地利用总体规划编制的核心,也是土地利用管理的重要依据。目前对建设用地需求量预测的方法和模型较多,这些预测模型和方法多建立在数学和统计基础上,专业要求高,但直观性、可视化效果不好,且没有很好利用快速发展的GIS、计算机等信息技术。基于建设用地需求量预测模型研究的基础上,建立了预测系统,并以某省为例进行实例分析,经证明是可行的。本系统的建立,在实现建设用地预测自动化、可视化、现代化方面是一大胆尝试,具有一定的参考价值。     

汉台区牛奶需求量的灰色预测模型

通过对汉台区牛奶销售市场需求量的分析，根据需求量与时间的关系，利用灰色系统理论建立了ＧＭ（１，１）灰色预测模型。并对未来几年的需求量进行预测。     

管制员需求量预测研究

通过收集整理和分析一系列统计资料,选择灰色预测模型、灰色-马尔可夫预测模型、多元回归法和组合预测法等4种不同的人才需求量预测模型,预测出我国民航未来5年每年持照管制员需求量的时间序列,并进行了精确度分析。所得到的结果对我国民航各级管制单位制定人才引进计划,管制员培养院校制定招生计划均具有一定的参考价值。     

基于BP神经网络的武汉城市圈物流需求预测

利用Matlab 7.0的BP神经网络模拟武汉城市圈的物流需求量与各经济、非经济因素的关系,以此来预测武汉城市圈未来的物流需求量.以武汉市近几年的数据为例,论证了该方法的可行性.     

天然气需求量预测研究进展

对天然气需求量准确预测和分析,能为合理进行生产调度和资源配置提供帮助,继而为管网运行企业带来经济效益。论述了目前天然气需求量预测及相似领域其他能源需求预测问题的相关研究进展,分析了国内外在该领域的研究现状和发展方向,重点介绍了其预测模型的特点及发展趋势,指出了当前研究中存在的问题及未来的研究方向,总结了可供借鉴的研究成果,可为未来进一步开展天然气需求量预测研究提供参考。     

基于知识发现复杂不确定性系统预测模型研究应用

针对复杂不确定性系统特性,将知识发现理论方法与预测理论方法有机结合起来。在研究适于预测知识发现理论与挖掘方法的基础上,继承传统统计学、概率论和神经网络等预测理论与方法,构建了基于知识发现多目标、多因素集成化预测模型(integratedpredictionmodelbasedonknowledgediscovery,IPMK),并通过对油气储量、产量和需求量的预测,验证了预测模型的有效性与实用性。     

专门人才的宏观需求预测模型

本文给出一种专门人才的宏观需求预测模型及其应用分析:回归-时序分析组合模型,并运用它根据统计资料来预测职工总数;模拟专门人才密度的半定量预测方法,预测专门人才的密度及其宏观需求量.     

利用回归模型预测我区“九五”期间化肥需求量

本文主要阐述了数学回归预测模型在我区农业生产与预测化肥需求趋势方面的应用，并建立了相应的预测模型，就“九五”期间我区的化肥需求量进行了预测，在实际应用中对影响预测模型的许多因素进行了分析，从而确定了预测数值的取值范围，为“九五”期间我区化肥工业的生产和发展以及市场的供应提供了准确、可靠的数据资料．     

基于粒子群优化算法的能源需求预测

鉴于能源系统是一个复杂的非线性系统,故本文引入解决非线性及高维模式问题具有较高精度的粒子群优化算法(PSO),以各影响因素标准化值作为输入变量,建立了基于PSO的线性和指数两种形式的能源需求预测模型.对我国2000-2011年能源需求量进行模拟与仿真,得到两模型预测精度分别为0.824%和0.568%,证明指数预测模型具有较高的精确度.并利用PSO指数模型对我国2015年能源需求量进行预测,得出在未来几年能源需求量将以平均每年7.48%左右的速度增长.     

基于支持向量机的区域运量滚动预测模型

为寻求反映区域交通需求特性机理的运量预测方法,针对一般区域运量数据小样本的问题及其诱发因素的随机性和不可控制性,在分析区域交通需求特性及现有运量预测方法缺陷的基础上,采用以统计学习理论为基础的专门研究小样本情况下机器学习规律的支持向量机,建立了区域运量预测支持向量机模型.该模型通过预测值与统计值不断交互,实现区域运量的...     

预测城市用水量的人工神经网络模型研究

为了提高多层前馈神经网络权的学习效率,引入变尺度方法来训练神经网络的权值,并根据训练误差自适应调整学习系数和动量因子.将该方法应用于城市用水量预测中,建立了非线性人工神经网络预测模型.该模型考虑了城市工业用水重复利用率、用水人口、经济发展等众多因素对用水量需求的影响,具备系统决策功能.杭州市预测实例表明,建立的模型及其相应计算方法具有较高的预测精度和准确度.     

城市日用水量预测的神经网络方法

介绍了城市日用水量预测的BP神经网络方法,分析了日用水量的变化规律和影响因素.以每日最高温度、最低温度、晴雨情况、星期及前一日用水量为输入节点,预测日用水量为输出节点,建立了日用水量预测神经网络模型,编制出预测模型的计算机程序.通过实测数据进行了模型检验,对预测结果进行了分析.     

城市停车需求预测模型的分析

城市停车需求预测是解决城市静态交通问题的关键点，预测得到合适的停车需求量，将会避免资源的不必要浪费．对常见的停车需求预测模型进行了分析，并根据模型的各自特点，提出了相应的适用范围，这对预测模型的正确选用具有一定的参考价值．     

基于经济增长的高速公路诱增交通量预测

诱增交通量预测是道路交通量预测的一部分,它对项目的经济评价有重大影响,同时也直接关系到道路技术标准的选用及道路投入运营后的管理.论文通过对诱增交通量产生机理的分析,总结其发展变化分为聚集形成、快速增长和逐渐稳定三个阶段,在此基础上提出了一种基于经济增长量的高速公路诱增交通量经济预测模型,在模型中首先给出了诱增交通量预测步骤,然后详细地描述了预测步骤中初期诱增交通量确定方法、交通区经济增长量的预测和诱增交通量经济预测模型,最后通过对京哈高速公路黑龙江段的实例计算,验证了该方法的有效性.     

基于特征合成的周期性备件需求预测方法Symbol`@@

针对工程机械备件需求预测准确性低的问题,提出一种新的基于特征合成的周期性维修备件需求预测方法. 定义等间隔备件需求样本集的相似度模型,采用优化算法确定最优备件需求周期长度,并利用回归模型建立各周期内的备件需求模型;提出基于特征合成的模型综合方法,借鉴物理力学中的矢量合成方法,将多个历史备件周期需求模型特征矢量合成新的特征矢量,利用新特征矢量还原获得最优的周期预测模型,该模型综合考虑了各个历史备件周期预测模型,使获得的备件周期预测模型具有更好的鲁棒性和泛化性. 采用人工数据和矿用圆环链的实际需求数据对该预测模型进行验证,实验结果表明,该模型具有良好的稳定性和准确性.     

基于目的地魅力度的出行生成/分布联合模型

传统的交通需求预测方法以交通小区为研究单位,会产生集计误差,在出行生成阶段对于不同的交通小区使用相同的平均出行率来确定出行生成量,没有考虑交通小区魅力度对出行生成的影响,为减小城市交通需求预测中由于不同小区出行生成率不同造成的预测误差,应用非集计模型理论,分析了影响交通小区魅力度的因素,结合目的地选择模型给出小区间出行效用以及小区魅力度的计算方法,以此来修正传统的出行生成和分布模型,并以北京市调查数据为例说明了上述方法的应用。     

灰色计量经济学模型在中长期电力需求预测中的应用研究

提出了一种基于灰色计量经济学模型的中长期电力系统负荷预测方法。通过在传统计量经济学模型中融入灰色系统模型,改善了传统模型的拟合效果,提高了预测精度。在华北地区某市"十一五"电力需求预测工作中,分别用传统计量经济学模型和灰色计量经济学模型对电力负荷进行了预测,结果表明灰色计量经济学模型具有显著的优越性,是一种实用而有效的电力需求预测方法。     

基于IOWGA算子的组合预测方法及其应用

针对汽车配件需求量的预测进行了预测模型的建立、选择并优化．特别是将灰色预测和神经网络预测与IOWGA算子相结合,提出了以对数误差平方和为准则的基于IOWGA算子的组合预测方法,从而提高了预测的精度。将该方法用于汽车配件需求预测取得了较好的效果,说明了算法的有效性．     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...