基于神经网络优化组合的供水预警机制

在供水预警机制理论分析的基础上,集结多种单个模型所包含的信息,进行优化组合,提出在单一模型预警结果基础上的基于神经网络的优化组合预警机制,并用误差灰色模型修正预测结果。该模型具有良好的预测及预警效果,从而为供水预警提供一种新的方法和思路。     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

组合模型在机场旅客吞吐量预测中的应用

研究机场运输优化控制问题,机场旅客吞吐量受到政治、经济、节假日、票价和天气等多种因素影响,具有周期性和非线性变化特点,传统单一预测方法只能描述其部分变化规律,预测精度低。为了提高机场旅客吞吐量预测,将灰色模型和BP神经网络相结合,形成一种机场旅客吞吐量组合预测模型。首先组合预测模型利用灰色模型对线性变化部分进行预测,然后采用BP神经网络对非线性变化部分进行预测,并对预测误差进行补偿。仿真结果表明,组合模型,解决了单一预测模型存在的缺陷,提高了机场旅客吞吐量预测精度,为机场旅客吞吐量预测提供一种新的思路。     

基于招生数据利用不同的机器学习方法预测大一学生成绩

利用机器学习方法从招生数据中挖掘影响高校学生大一GPA的因素并构建预测模型。首先，进行了数据清洗、筛选了招生相关数据和大一GPA成绩。随后，将学生的招生信息作为特征，训练了三种机器学习模型，分别为线性回归模型、逻辑回归模型和神经网络模型。最后，对三个模型的性能进行了评估，并对神经网络模型进行了优化。研究的成果可以为高校大一GPA预测建模提供借鉴，并有助于推进学业预警、学业成绩预测和评价的实践。研究结果表明，机器学习方法可以有效地挖掘影响高校学生大一GPA的因素并构建预测模型。通过训练和比较不同的机器学习模型，研究提供了一个可行的预测模型，并对神经网络模型进行了优化，提高了其预测精度。这些成果可以为高校学业预警、学业成绩预测和评价提供有用的参考信息，对于提高学生学习效果和改善教学质量具有积极的作用。     

基于小波神经网络的城市建设用地预测

城市建设用地的准确预测是城市土地总体规划的重要决策基础。通过对影响城市建设用地主要因素的研究,提出一种基于小波神经网络的城市建设用地预测模型,并给出相应的网络学习算法。以湖南省长沙市为例,建立了基于小波神经网络的长沙市建设用地预测模型,比较分析了小波神经网络模型与灰色BP神经网络模型和传统BP神经网络模型的预测结果。分析结果表明:小波神经网络模型比灰色BP神经网络模型和传统BP神经网络模型的收敛速度快、预测精度高,在城市建设用地预测中更具应用价值。该成果为城市建设用地预测研究提供了有益参考。     

数字城管防汛决策支持系统的设计与开发

结合城市防汛预警决策的信息化建设,开发了数字城管防汛决策支持系统.介绍了开发该系统的意义、所使用的关键性技术、设计模式和开发工具.该系统应用了基于MVC模式的SSH2框架技术,以及目前主流的JavaScript技术等.分析和展望了数字城管防汛决策支持系统的使用前景.     

金融风险预警的MPSO-FNN模型构建与应用

提出了一种改进型粒子群算法,并结合神经网络与模糊逻辑系统建立金融风险预警模型。将模型应用于信贷风险预警研究,仿真实例的结果表明,该模型所获得的预测准确性更高,是处理金融风险这类复杂经济系统预警问题的一种有效方法。     

基于数字城管的智慧城管建设研究分析

近年来,我国大力推进数字化的城市管理模式,数字城管是其中的重要组成部分,在全国重要城市的数字城管项目实践中,数字城管的弊端逐渐显现,智慧城管开始兴起。本文分析了数字城管与智慧城管的含义与特点,针对智慧城管未来的发展提出了可行性建议。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

数字城管迈向智慧城管(一)

1回顾数字城管。2004年,北京市东城区首创"数字化城市管理新模式",取得了提高城管水平的实效,得到全国党政领导和群众的好评。2005年,习近平同志批示:"‘数字城管’是‘数字浙江’的重要举措,是更新城管观念,提高城管效率,提升城管水平的重要手段,希望有关部门认真学习研究北京市东城区的经验,结合实际,抓好试点,逐步推开,以此为载体,全面提升城市日常和应急管理水平。"     

基于SOM-PNN的信贷风险预警模型研究

信贷对现代市场经济非常重要，同时又会带来风险．以人工智能的思想为指导，将SOM与PNN网络相结合．提出并建立了一种基于SOM-PNN的信贷风险预警模型；结合统计理论方法对输入样本进行预处理，解决了网络训练中样本选用的问题；并利用因素分析方法对预警结果进行了解释．实验表明，利用该模型在得到可视化预测结果的同时，还可得到较高的预警精度．     

支持向量机决策树在隐患预警模型中的应用

危化企业的安全监控数据具有社会价值,对安全隐患进行实时精确的预测是预警研究的热点,本文从人、设备、环境和管理四个维度出发,对安全生产隐患预警的相关指标进行分析,构建隐患预警指标体系,在此基础上,构建了自底向上的基于支持向量机的决策树多分类预警模型,实现对安全等级的的准确分类并用于预警未来的安全生产状态,通过与自顶向下的多分类模型比较,证实本文所采用的预警模型具有较好的实时性和精确度,满足对预警模型的基本要求.     

Analysis of early warning of corporate financial risk via deep learning artificial neural network

To forecast the financial crisis of manufacturing corporations more accurately, a risk warning model of corporate finance is constructed based on back propagation (BP) neural network to forecast the financial crisis. Firstly, based on the principle of index selection, the forecast indexes are selected and the index system of financial risk early warning is constructed. Then the index system is optimized by factor analysis. Finally, the BP neural network algorithm model is adopted to forecast the financial crisis of 200 manufacturing corporations in 2018 and 2019, and the forecasting results are compared with the traditional method. The results show that the prediction accuracy of the enterprise financial risk early warning model based on the BP neural network for 2018 is above 85%, and the prediction accuracy for 2019 is above 95%, or even 100%. Through comparison with other traditional methods, the prediction accuracy of the BP neural network in 2018 (above 88%) is higher than that of other algorithms (below 87%). In 2019, the prediction accuracy of BP neural network (above 90%) is higher than other algorithms (less than 88%). The accuracy of the proposed financial risk warning model is 95%, and the accuracy is at least 2% higher than traditional method, which prove that the risk early warning model constructed in this study can accurately forecast the financial crisis of the corporation. This study is of important reference value for the establishment of efficient financial crisis forecasting model under deep learning.     

BP神经网络在果蔬冷链物流预警中的应用

近年来,消费者对果蔬冷链产品的安全和品质提出了更高要求,而现有的系统仅从温度和湿度两方面预测果蔬安全状态,没有综合考虑人员操作和设备等因素对果蔬品质的影响。针对上述问题,分析果蔬在冷链过程中出现安全隐患的因素,整合供应链上的追溯信息和监测信息,建立果蔬预警指标体系,采用BP神经网络搭建安全预警模型,并对模型进行训练和预测。预警结果表明,该方法较传统的时间序列、回归分析方法,在解决实际问题中预测误差小,可以有效提高果蔬在冷链物流中风险预警的准确性。     

智能家居火灾预警系统建模与分析

为了实现让智能家居系统能够对家居火灾进行早期预报并及时准确的报警,从而保护家居环境和人身财产安全,开发了一种智能家居火灾预警系统。在预警系统中采用BP神经网络建立火灾预测模型,把家居温度、烟雾浓度、一氧化碳气体浓度多火灾信息作为输入参数,明火发生概率、阴燃火发生概率、无火发生概率作为输出,同时结合使用LM算法以及遗传算法对火灾预测模型进行大幅度优化。实验表明,该预警系统预测精度较高,有效的改善了传统火灾预测智能化程度低的问题     

生态流量监管“四预”业务应用探索

为提高重点河湖生态流量动态监管能力，针对各地服务支撑生态流量监管业务系统与数字孪生流域建设提出的“四统一”不相适应，以及生态流量监测预警、达标判别、统计分析、流量预测、成因分析、调度方案预演、预警响应等全过程监管能力不足等问题，本文围绕业务管理需求，提出了生态流量监管总体方案以及“四预”业务应用总体架构，提出了包括数据底板、模型库、知识库等内容的数字孪生平台建设思路以及基于图数据库的生态流量预警知识图谱构建技术，提出了包括监测告警、预测预警、水量调度预演、会商服务等功能的应用系统模块建设思路，梳理了生态流量监管“四预”业务流程，可为当前数字孪生流域建设先行先试和水资源管理与调配系统中的生态流量监管业务“四预”能力建设提供参考和借鉴意义。     

基于深度学习的网络流量异常预测方法

针对网络入侵检测系统（NIDS）能够检测当前系统中存在的网络安全事件,但由于自身的高误报率和识别安全事件产生的时延,无法提前对网络安全事件进行准确率较高的预警功能,严重制约了NIDS的实际应用和未来发展的问题,提出了基于深度学习的网络流量异常预测方法。该方法提出了一种结合深度学习算法中长短期记忆网络和卷积神经网络的预测模型,能够训练得到网络流量数据的时空特征,实现预测下一时段网络流量特征变化和网络安全事件分类识别,为NIDS实现网络安全事件的预警功能提供了方法分析。实验通过使用设计好的神经网络框架对入侵检测系统流量数据集CICIDS2017进行了训练和性能测试,在该方法下流量分类的误报率下降到0.26%,总体准确率达到了99.57%,流量特征预测模型R2的最佳效果达到了0.762。     

城市内涝水量平衡计算方法

针对当前内涝计算模型边界条件多、参数校正复杂、运算过程时间长等问题,提出一种基于水量平衡的城市内涝计算方法。以气象预报数据为输入,采用时段水量平衡法,以排水分区的总降水量、区域主干管网的排水能力为边界,建立积水预报模型,搭建城市内涝预警系统,并对系统在深圳市 2021 年 10 次较大降雨中的应用情况进行分析,结果表明：采用水量平衡计算方法进行内涝模拟的准确率达 85% 左右,能较好地预测城市内涝情况,为城市大尺度的内涝预警预报提供新的建设思路。     

基于遗传算法的BP 神经网络在城市用水量预测中的应

城市用水量的准确预测对供水系统的调度、改进具有重要意义。为解决传统BP神经网络预测模型易陷入局部极小、调整权值和参数需要不断尝试等问题,选用基于生物进化理论的遗传算法(Genetic Algorithms,GA)对其优化,提出了以GA优化BP网络的算法(GA-BP)。同时,针对以往BP神经网络预测模型因输入变量选取不当导致的误差精度过低的缺点,通过分析城市时用水量变化规律,得到合适的输入变量。最后,建立预测模型并使用历史数据进行训练和仿真。将预测模型应用于深圳市某供水公司,结果表明,该网络模型在城市时用水量预测中具有可靠性和适用性。