时间序列模型在降水量预测中的应用研究

研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景.     

基于等维新息灰色马尔可夫模型的互联网用户人数预测研究

对互联网用户人数的科学预测可为网络的建设和管理提供决策依据。在传统灰色预测模型的基础上,结合新信息优先的思想,建立了等维新息灰色预测模型,并利用马尔可夫链模型预测出结果的波动范围,形成等维新息灰色马尔可夫预测模型。再以2007年12月－2012年06月我国互联网上网人数实测值为原始数据,构建预测模型,预测2012年12－2014年06月的互联网上网人数。实例结果表明,等维新息灰色马尔可夫预测模型其预测结果的误差更小,精度更高,还能提供预测结果的波动范围及出现概率。     

组合模型在人才需求预测中的应用研究

为了提高人才需求预测精度,提出一种将灰色理论和支持向量机相结合的人才需求预测模型。首先采用灰色预测模型预测人才需求基本变化趋势,然后运用支持向量机对灰色模型预测结果进行修正,以提高人才需求预测精度。结果表明,组合预测模型提高了人才需求的预测精度,更能描述人才需求变化规律,为人才需求预测提供了一种新的预测方法。     

灰色模型和支持向量机组合的预测模型及其应用

针对流行色的季节性、时变性变化特点,提出一种灰色模型和支持向量机相融合的流行色预测模型.首先,分别采用灰色模型和支持向量机模型对女装流行色进行预测,然后,组合两种模型预测结果得到最终预测结果,最后,以2000～2011年度女装流行色进行仿真预测实验.结果表明,相对于其它预测模型,灰色支持向量机模型更能反映女装流行色动态变化规律,提高了女装流行色预测精度,丰富了女装流行色预测理论.     

数据挖掘在电力负荷预测中的应用

本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析。构架了一种基于CURE聚类算法的电力负荷预测模型,对短期电力负荷数据进行有效的预测。并通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性,不完整性及影响因素复杂性对预测结果的影响,发挥独特优势、实现经济价值。     

时间序列数学预测模型在瓦斯气柜负荷的应用

时间序列预测模型是基于与预测对象历史数据相关的趋势、规律以及数据间外部联系而建立的数学算法模型,一般分为短周期预测和中长周期预测,预测模型是数据挖掘算法的一个分支,预测模型只是将预测对象原有的一些内在规律及与之相关的数据间的外部联系用数学算法加以发掘分析,而对于一些随机的即缺乏内在规律的或者关联性较弱的数据,现有预测模型一般难以达到理想的效果。本文详细介绍了时间序列预测模型预测理论及其约束,然后介绍该预测模型在炼油企业瓦斯气柜负荷预测中的实际应用,对生产进行预测及指导。     

犯罪量动态优化组合预测方法

单一预测模型在预测犯罪量时难以协调拟合和泛化关系,从而影响预测结果的准确性。针对以上问题,提出一种数据驱动的可动态优化组合预测方法。以分析自回归求和移动平均模型、向量自回归模型及支持向量机模型的优点为基础,使用后验概率为每个模型赋予权重,结合误差最小原则动态调整权重。实验结果表明,该方法具有较高的预测精度和稳定性,能满足短时犯罪量预测的需要。     

基于改进变权重组合预测模型的产品销售预测

通过分析汽车产品销售时序的特性引入组合预测理论,提出了一种改进的变权重组合预测模型并给出了变权重系数的求取方法。然后针对小样本、多维、多峰、非线性的销售时序特点,采用了基于支持向量机的三种单项预测方法。再通过实例分析显示基于改进变权重组合预测模型的预测精度高于单项预测模型和普通变权重组合预测模型。最后进行了汽车销售时序预测表明基于改进变权重组合预测模型的产品销售预测方法是有效和可行的。     

组合模型在降雨量预测中的应用

研究降雨量准确预测问题,降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性和各种干扰因素,预测不可能准确。传统预测模型难以对其进行准确预测,预测精度低。为提高降雨量的预测精度,提出一种组合模型的降雨量预测模型。首先采用小波分析将降雨量数据进行分解成线性和非线性部分,然后分别采用ARIMA和RBF神经网络模型对其进行预测,最后采用小波重构线性和非线性预测结果,得到降雨量最终预测结果。仿真结果表明,相对于传统预测模型,组合模型提高了降雨量预测精度,预测结果可以帮助农业、水利部门提高防治旱涝灾害的科学依据。     

基于网络搜索数据的游客量组合预测模型

随着信息技术的不断发展,基于网络数据对事物近期发展态势预测成为热点.本文以北京市月度游客量预测为目标,以相关网络关键词搜索指数为自变量建立了BP神经网络、支持向量回归和随机森林三种单一预测模型,在此基础上构建组合模型以提高预测准确度.实验结果表明：基于GBDT建立的组合模型达到了较高的预测准确度,误差仅为3.16%,预测结果可以为旅游管理部门提供决策支持.     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性。对此,提出基于ARIMA和LSTM混合模型进行时间序列预测。应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将贝叶斯优化算法用于选择深度LSTM模型的超参数。实验结果表明,与其他混合模型相比,该模型在五种不同时间序列预测中能够有效提高预测精度。     

基于改进狼群算法的模糊时间序列预测模型

当使用模糊时间序列预测模型进行预测时, 模糊区间的不同划分对最后的预测精度有着十分重要的影响. 针对如何更有效的划分模糊区间、进一步提高模糊时间序列的预测精度问题, 本文提出了一种基于改进狼群算法 的模糊时间序列预测模型. 为此首先简要介绍了模糊时间序列, 然后阐述了狼群算法并在其游走行为中引入趋向 行为和死亡概率对其进行了改进, 最后利用改进狼群算法来划分模糊区间, 建立了一种新的模糊时间序列预测模 型. 将Alabama大学入学人数作为实验数据进行实例分析和验证. 通过与现有的一些模型进行对比分析, 本文所提 模型具有更高的预测精度, 为模糊时间序列预测提供了新思路.     

基于模糊变权组合预测模型的航材预测

由于航材预测的发展,每一种航材的预测模型有很多种。不同模型的预测模型体现了预测对象不同方向的发展趋势,合理地处理信息可以更加全面地预测航材需求趋势。模糊变权组合预测模型不同于传统组合预测模型,它采用权重系数为三角模糊数来组合不同预测模型结果,并以单项预测方法预测精确度指数最小为准则,集成处理得到较窄的取值范围来帮助航材预测决策。最后以实例验证方式检验该模型的有效性和准确性,具有一定的实用性。     

基于云模型的电力系统负荷组合预测

电力系统负荷预测的精确度决定着电网安全稳定、高效的运行.最小二乘支持向量机(LSSVM)被广泛应用电力系统负荷预测上,然而该方法在处理不确定性问题上有很多不足之处.为了更精确的选择核函数的参数,处理不确定性因素,提高短期负荷预测的精度,提出了一种将云模型、粒子群优化(PSO)和LSSVM相结合的组合模型.首先通过对各影响因子的不确定性分析,按不确定性高低将各影响因子分别应用Cloud-LSSVM和PSO-LSSVM进行预测,然后通过组合模型的加权计算的得到最终预测值.最后,通过仿真对比证明该模型能更好的处理不确定性,从而提高电力系统短期负荷预测精度.     

基于.NET组件化的销售预测系统的设计与开发

为改变企业对未来销售量预测手段的单一性和随意性,设计开发基于.NET组件化的销售预测系统,从而给企业决策者一个有效的、简单明了的预测结果以指导决策。文中根据不同预测方法对某一组具体历史数据的敏感程度不同,通过.NET组件技术实现多种预测方法和预测精度的检验,自动遴选出最适合某一组数据的预测模型或预测方法,达到最佳的预测效果。最后,运用该系统对某汽车制造企业的销售量进行预测,得到较好的效果。     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

Variable weights combined model based on multi-objective optimization for short-term wind speed forecasting

Accurate and steady wind speed prediction is essential for the efficient management of wind power factories and energy systems. However, it is difficult to obtain satisfactory forecasting performance because of the characteristics of random nonlinear fluctuations inherent in wind speed variation. Considering the drawbacks of statistical models in forecasting nonlinear time series and the problem of artificial intelligence models easily falling into a local optimum, in this study, we successfully integrate the variable weighted combination theory into a new combined forecasting model that simultaneously consists of three disparate hybrid models based on the decomposition technology. Moreover, the extreme learning machine optimized by the multi-objective grasshopper optimization algorithm is adopted to integrate all the forecasting results derived from each hybrid model to further enhance the forecasting accuracy. In this study, we consider a case study that employs several authentic wind speed data aggregates of Shandong wind farms for an evaluation of the forecasting performance of the proposed combined model. The experimental results reveal that this proposed model surpasses the contrasted benchmark models and is satisfactory for intellective grid programs.     

基于GM(1,1)模型和模拟退火算法的中长期负荷预测

分析了灰色模型(GM)和模拟退火模型(SA),GM(1,1)学习参数的计算采用最小二乘法,而最小二乘法是基于残差平方和最小寻优,容易陷入局部最小,对于非线性较强的负荷,会产生很大的偏差。提出了一种GM(1,1)与SA相结合的方法,根据模拟退火原理,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,自动优化GM(1,1)的参数,在负荷预测的实例中取得良好效果。     

一种新的基于模糊C均值算法的模糊时间序列确定性预测模型

模拟时间序列因为在处理数据采集中固有的不确定性和含糊性方面的显著能力而得到了越来越多的的关注,已经有许多模型致力于改进预测准确性和减少预测的计算开销,然而对于预测不确定性的控制、有效的分区间隔和对于不同的分区间隔达到一致的预测准确性方面研究较少。针对现有预测模型的不足,本文提出了一种新的预测模型,新模型增强了预测的性能并允许处理两因子预测问题。在新模型中,应用模糊均值算法来处理模糊时间序列的区间划分,划分时考虑了数据点的性质,产生不等大小的区间。最后在仿真实验中采用真实的观察数据,仿真实验结果表明本文提出的预测模型在预测准确性方面要优于现有的其他预测模型。     

AR模型在宝珠寺水库实时洪水预报校正中的应用

人类活动改变了流域下垫面,对洪水预报精度产生极大的影响,引进实时校正模型以提高洪水预报精度。根据宝珠寺水库的自然地理和水文气象特性,宝珠寺水库实时洪水预报采用新安江模型,实时校正模型采用时间序列AR模型。利用10年历史降雨径流资料,对新安江和实时校正模型的参数进行率定,并利用近年的2次洪水对模型进行检验,检验结果表明实时校正能明显地提高洪水预报的精度。