基于灰色关联和BP神经网络的汽车保有量预测

为提高汽车保有量的预测准确性,运用灰色关联分析法,计算分析与汽车保有量相关的主要社会指标,确定汽车保有量的影响因子分别为国民总收入、人均GDP、进出口总额、城镇居民人均可支配收入、钢材产量、公路客运量和社会消费品零售总额。将所确定的因子作为汽车保有量的预测指标,建立基于BP神经网络的汽车保有量预测模型,并对模型进行应用测试。结果表明:BP神经网络模型具有较高的精度,最大相对误差为2.2%,平均相对误差为1.5%。,可为我国汽车保有量的预测研究提供方法支撑。     

融合粗糙集和灰色GM（1，N）的西安市供水量预测

对于多变量预测问题,构造了粗糙集和灰色理论的融合预测模型。该模型运用粗糙集的知识依赖度理论对多属性进行约简,在约简基础上建立GM（1,N）模型。用所建模型对西安市年供水量进行了拟合和预测,并与离散灰色GM（1,1）模型作比较。实验结果表明该模型的预测精度高于传统的用灰关联度选择影响因子建模,从而为供水量预测问题提供了一种新方法。     

广东省农村居民消费与收入关系的协整研究

本文利用协整理论对1978-2005年间广东省农村居民人均可支配收入和人均消费支出的年度数据进行了相应的分析,结果表明,1978-2005年间广东省农村居民收入与消费之间存在着协整关系,并据此建立了相应的误差修正模型。     

改进的BP网络及其在数据预测中的应用

本文研究了传统BP神经网络模型的缺陷并提出附加动量的改进的BP神经网络。通过分析了城镇居民家庭人均可支配收入模型,改进的BP网络在收敛速度、误差等方面都有很好的效果,可应用于数据预测等方面。     

基于改进BP神经网络私家车保有量的预测研究

根据某地区1996年-2007年连续12年私家车的保有量,提出了一种改进的BP神经网络的私家车保有量的预测模型,以人均国内生产总值、公交车营运总里程、居民人均可支配收入等10个指标作为网络的输入因子,以私家车保有量作为输出因子,利用1996年至2007年的数据进行训练和检验,得到了预测仿真的结果,预测值与实际值的误差比传统的神经网络预测的误差更小,达到了预期的目的.     

基于机器学习方法的空气质量预测与影响因素识别

空气质量指数(AQI)的精准预测及影响因素识别,对空气污染防护和治理具有重要现实意义。选取北京市2014年第一季度至2022年第二季度AQI作为研究对象,探究六大污染物、五个气象因子和十四个经济变量对空气质量影响。选用DT,RF,GBDT和XGBoost模型对AQI进行预测,并使用稳定性选择方法定量分析各个变量对AQI的贡献。结果表明：四种模型方法均有良好的预测效果,其中XGBoost和RF的预测效果最优;六大污染物中PM2.5,PM10浓度和气象因素中的风速和气压对AQI影响较大;十四个经济变量对AQI的影响差异较大,其中城镇居民人均可支配收入、第三产业GDP和规模以上工业总产值等对AQI影响较大,而第一产业GDP和公路货物运输量等影响较小。     

基于回归模型的养老服务床位规划运营研究

主要针对增加养老服务床位需求进行了相关研究,利用多元线性回归模型判断出全国所有养老机构床位数与人均可支配收入、人口数量、60岁以上人口数量存在一定的线性关系,并得出其函数表达式.为了预测出养老服务床位数量的市场需求,建立了灰色预测模型,得出了预测结果.为使计算出的数据更加准确,运用查询到的人口数量、人口年龄分布、消费水...     

2020商场超市企业创新排行榜

传统商超的新发展趋势 2020年我国人均可支配收入32189元,比上年名义增长4.7％,扣除价格因素,实际增长2.1％.其中,城镇居民人均可支配收入43834元,同比名义增速3.5％,扣除价格因素,实际增长1.2％.从居民人均可支配收入的增长就可以看出,居民消费水平的提高为商超行业市场需求提供了经济基础.     

AR1MA时间序列模型在电信产品收入预算中的应用

本文通过AR1MA时间序列模型,利用SPSS统计软件对某电信产品收入进行了预测研究。结果表明,模型拟合较好,将模型预测数据与实际数据比较显示,模型预测精度较高。为电信制定经营决策、编制下年度的工作计划提供依据与参考。     

民航货运量IOWHA算子组合预测

收集我国民航货运量及其影响要素（职工平均工资、人均GDP、GDP、人均消费支出、航线里程、全社会固定资产投资和人口数量）的统计数据为基础,应用多元回归模型和GM（1,1）模型对样本数据进行分别预测,以此为基础,指出引入诱导有序调和加权平均算子（IOWHA）进行组合预测的必要性,基于该算子的优化组合模型进行预测,并构建误差评价指标体系。结果表明,基于诱导有序调和加权平均算子的民航货运量预测的各项误差指标值均低于任一单项预测值,说明该组合预测模型的预测效果更佳,预测精度更高,可应用于实际预测。     

改进熵值法和马尔科夫链的组合预测及应用

机场货邮吞吐量是机场决策规划和发展的基础。传统的单一预测由于精确度低等各种缺陷,已不能满足越来越高的要求,为了准确合理预测航空货邮吞吐量,提出了在各单一预测模型的基础上,利用熵值法建立组合预测模型的方法,并对西安咸阳国际机场货邮吞吐量进行组合预测。实例表明,熵值法组合预测模型与单一预测模型相比,实用性更强,预测精度也有所提高。选用马尔科夫链模型对熵值法组合模型预测结果进行修正处理,增加预测结果的可信度。     

基于灰色BP网络的城市建设用地预测模型

城市建设用地的准确预测是城市合理规划,持续发展的重要保证,建立一种灰色BP网络预测模型,把灰色预测与BP神经网络组合起来,通过历史数据预测城市建设用地量,该模型既考虑了城市建设用地的时序特性,又考虑了它的非线性特性。通过具体的实例研究,对比了单独灰色预测模型与组合预测模型的预测结果,结果显示组合预测的结果与实际有较高的拟合度。     

分解组合模型在短期燃气预测中的应用

在对城市燃气负荷数据特性进行分析的基础上,提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型,同时提出了三种分解方法对分解-组合预测模型进行了验证.首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正;其次,为了验证准确性,将三种方法的预测结果与其他单一、组合模型预测结果进行对比;最后为了验证该模型的有效性、适用性,对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测,通过对预测值和实际值的误差分析,实验结果进一步验证了分解-组合模型的适应性和准确性.     

灰色变异粒子群算法在公交客流量预测中的应用

由于公交客流量是公交系统发展规划的基础依据,因此提高公交客流量预测的准确性有利于城市公交的发展。利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出用灰色变异粒子群组合预测模型来预测公交客流量,提高公交客流量预测精度,并通过实例对组合预测模型的预测精度和有效性进行了分析。结果表明,此组合预测模型的预测精度优于单一的灰色预测模型,也优于其他几种常用预测算法,能很好地预测公交客流量,为公交系统的决策规划提供了可靠的科学数据。     

灰色变异粒子群算法在电力负荷预测中的应用

由于电力负荷量是电力系统发展的基础,因此提高电力负荷量预测的准确性有利于电力系统的快速发展. 本文利用粒子群算法优化参数的良好性能和灰色预测法适合预测不确定因素影响系统的优势,提出了灰色变异粒子群组合预测模型来预测电力负荷量,提高了电力负荷预测的精度,并通过实例对组合预测模型的预测精度和有效性进行了分析. 结果表明,此组合预测模型的精度优于单一的灰色预测模型,且优于其他几种预测算法,该组合模型能很好地预测电力负荷量,为电力系统的决策和发展提供了可靠的科学数据.     

Hadoop下面元加权Voronoi图并行算法及应用

面元加权Voronoi图是生成元为面元的加权Voronoi图。针对大规模数据情况下面元加权Voronoi图存在的计算效率不高问题,结合面元边界点提取方法,提出一种基于Hadoop云平台的面元加权Voronoi图的并行生成算法,进行了单机和集群实验。实验结果表明,算法能有效处理大规模栅格数据,明显提高面元加权Voronoi图的生成速度。还可应用于城市绿地设计规划,为绿地设计提供决策依据。     

城市交通网络宏观控制模型及仿真实现

为研究适合城市交通网络控制系统应用的交通流预测模型,在改进Van Den Berg, M的路段交通流模型的基础上,建立了以路口交通流为基本建模单元,以动态非线性离散方程反映交通流变化的城市交通网络宏观模型.为验证该模型能有效地预测城市路网的交通流信息,在VC++net环境下,开发了城市交通宏观控制模型仿真系统UTFS,设计了网络拓扑结构模块,以适应不同规模、不同复杂程度的实际交通网络的仿真要求.最后选取典型网络进行应用研究.仿真结果表明:该模型满足交通控制对控制模型的实时性和精度要求,该仿真系统可以作为城市交通网络宏观控制模型验证的有效工具,也可以作为城市交通控制系统控制和优化研究的辅助工具.     

基于多元线性回归的雾霾预测方法研究

提出了一种在线样本更新的多元线性回归分析的雾霾预测方法。首先搜集了北京市天气状况,包括平均气温、湿度、风级等气象数据以及PM2.5、CO、NO₂、SO₂等大气成分浓度数据,然后通过散点图对这些因素进行主要影响因素分析,筛选出对雾霾影响比较明显的因素作为雾霾预测的依据。通过在线样本更新的多元线性回归建立了PM2.5含量预测模型,并将气象要素作为雾霾的判断标准。最后给出实际例子,利用多元线性回归对北京未来一天、三天及一周的PM2.5含量进行较为精确的预测。     

基于分割注意力机制残差网络的城市区域客流量预测

客流量预测是城市交通资源和公共安全智能化管理的重要依据。为了综合考虑城市乘客人群流动自身的既有周期性、趋势性和突发性,以及与城市物理和社会空间的耦合关系,在时空残差网络的基础上,本文提出了基于深度时空数据的分割注意力机制残差网络的城市细粒度客流量预测模型。首先以不同时空间隔的区域客流量历史数据为基础,引入分割注意力机制模块,为各模态的数据分配不同的权重,动态捕捉更高相关性的抽象数据特征;在时空数据的基础上,引入城市功能区属性作为联合特征,结合节假日、气候等外部特征,形成deep&wide网络结构,有效记忆重要特征对客流量变化的贡献。基于北京出租车数据的区域客流量对比实验表明,相比于传统的深度时空残差网络和其他经典机器学习模型,引入了分割注意力机制和城市功能区特征的预测模型能够更好地提取数据多元化的特征,预测精度明显优于其他同类别方法。