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.     

软件可靠性预测的增强贝叶斯组合模型

针对当前可靠性预测模型的预测精度问题,提出一种增强贝叶斯组合的短期软件可靠性预测模型。该模型以基于小波分解的单个可靠性预测模型作为基本预测模型, 根据当前相邻几个失效时间间隔的预测精度,更新组合模型中各个基本预测模型的权重,解决了贝叶斯组合模型权重计算采用全部历史数据而导致某个基本预测模型权值占主导地位的缺陷,提高了贝叶斯组合模型对软件可靠性的预测精度。实验结果表明,增强贝叶斯组合预测模型的预测精度不仅优于单一的预测方法,而且也优于传统的软件组合预测模型,能显著提高软件可靠性预测的精度和模型对数据的适应性。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

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.     

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。     

包容性检验和PCA相融合的物流需求预测

模型选择以及如何进行组合是物流需求组合预测的关键,为了提高物流需求的预测精度,提出一种包容性检验和主成分分析相融合的物流需求预测模型（ET-PCA）。采用多个单一模型对物流需求进行预测,采用包容性检验选择最合理的单一模型,利用PCA对选择的单一模型预测结果进行组合,采用仿真实验对组合模型性能进行测试。结果表明,相对于传统组合模型,ET-PCA较好地解决了物流需求单一预测模型选择及组合问题,更加全面、准确描述了物流需求复杂的变化趋势,提高了物流需求的预测精度和效率,具有一定应用价值。     

基于Spark框架和ARIMA-BPNN的交通流量预测模型的研究

研究海量数据基础上高速公路流量预测建模问题,提出了一种基于ARIMA-BPNN的混合预测模型,并建立基于Spark的分布式处理平台.建立ARIMA时间序列模型提取数据的线性变化规律,研究BPNN的残差预测;建立混合预测模型,研究并行化实现及其运行效率;建立Spark分布式计算平台下高速公路流量数据的预测模型并进行仿真实验.结果表明,Spark框架下的ARIMA-BPNN组合模型优于单一的ARIMA的预测,对预测拟合效果和精度方面表现良好,对海量数据处理有明显优势.     

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

CAR-BPNN在股票价格预测中的应用

研究股票价格准确预测问题,股票价格变化具有非线性、时变性,且含有噪声,单一或传统线性预测模型不能全面反映其变化规律,预测精度低,误差大。为了提高股票价格预测精度,提出一种组合的股票价格预测模型(CAR-BPNN)。首先采用主成分分析对股票价格数据进行预处理,消除噪声,然后采用CAR对线部分进行预测,BPNN对非线性部分进行预测。采用熵值法确定CAR和BPNN对预测结果进行组合,获得股票价格的最终预测结果。通过股票价格实际数据对CAR-BPNN进行测试,测试结果表明,CAR-BPNN充分利用两种模型的优点,比单一模型的预测精度更高,可以为股票价格精确预测提供依据。     

A Prediction Method of Fracture Toughness of Nickel-Based Superalloys

Fracture toughness plays a vital role in damage tolerance design of materials and assessment of structural integrity. To solve these problems of complexity, time-consuming, and low accuracy in obtaining the fracture toughness value of nickel-based superalloys through experiments. A combination prediction model is proposed based on the principle of materials genome engineering, the fracture toughness values of nickel-based superalloys at different temperatures, and different compositions can be predicted based on the existing experimental data. First, to solve the problem of insufficient feature extraction based on manual experience, the Deep Belief Network (DBN) is used to extract features, and an attention mechanism module is introduced. To achieve the purpose of strengthening the important features, an attention weight is assigned to each feature according to the importance of the feature. Then, the feature vectors obtained by the DBN module based on the Attention mechanism (A-DBN) are spliced with the original features. Thus, the prediction accuracy of the model is improved by extracting high-order combined features and low-order linear features between input and output data. Finally, the spliced feature vectors are put into the Support Vector Regression (SVR) model to further improve the regression prediction ability of the model. The results of the contrast experiment show that the model can effectively improve the prediction accuracy of the fracture toughness value of nickel-based superalloys.     

基于多特征信息融合的模拟电路故障预测

为解决利用单一信息进行故障预测的不足以及提高模拟电路故障预测的准确度,提出了一种将信息融合应用到模拟电路故障预测中的方法.提取模拟电路多个测点的多种故障特征量,对其进行时间序列分析,采用ARMA模型研究其预测过程,将得到的预测结果转换为模拟电路故障发生的概率,最后将得到的多个数据进行加权融合,实现了基于多特征信息融合的...     

智慧农业中时序数据组合预测模型

智慧农业是实现农业精准化的技术解决方案,智慧农业系统可以实时监测植物生长的各类环境参数,并可以应用相应的预测模型来模拟农作物生长环境的变化趋势,为科学决策提供依据。近年来有很多学者提出了时间序列的预测模型算法,在预测稳定性方面取得了不错的效果。为了进一步提升时间序列的预测精度,提出一种基于差分整合移动平均自回归模型和小波神经网络的组合预测模型。该组合模型结合2个单项模型优点,用差分整合移动平均自回归模型来拟合序列的线性部分,用小波神经网络来校正其残差,使其拟合曲线更接近于实际值,采用温室内的历史温度数据来验证该组合模型的精确度,最后将组合模型与传统预测模型的预测结果进行对比。结果表明,该组合模型用于温室温度预测的精确度更高,拟合效果更好,相比于传统模型预测算法计算效能提高了20%左右。     

基于一维卷积神经网络与改进D-S证据理论的警务云安全数据融合技术

针对系统内评估信息来源单一、准确度偏差过大与异构数据提取融合不充分的问题,提出了一种可扩展攻击行为的多源异构网络安全数据融合框架。首先,建立以攻击模式为核心的安全事件分析模型,进一步精简安全数据;其次,针对决策层数据特征提取不足的问题,建立了基于攻击行为的1D-CNN （1D convolutional neural network,1D-CNN）模型,对警务安全数据进行特征学习和重构;为了进一步提高警务云安全数据的分类能力,模型改进了D-S证据理论并结合多源安全数据的可信度进行数据融合。实验分析表明,基于1D-CNN的改进D-S证据理论模型进一步提高了警务云中安全事件的报警识别率,与其他相关技术相比,该模型具有较好的分析能力,对警务云的安全入侵检测和漏洞分析具有重要意义。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

基于混合神经网络的文本分类方法

为更好解决卷积神经网络提取特征不充分,难以处理长文本结构信息和捕获句子语义关系等问题,提出一种融合CNN和自注意力BiLSTM的并行神经网络模型TC-ABlstm.对传统的卷积神经网络进行改进,增强对文本局部特征的提取能力;设计结合注意力机制的双向长短期记忆神经网络模型来捕获文本上下文相关的全局特征;结合两个模型提取文...     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

基于组合模型的股票停牌预测研究

针对股票的无规律性停牌和长时间停牌的问题,采用机器学习相关技术,提出了股票停牌预测的组合模型,选取财务和股票两方面的指标作为数据,通过计算各个指标的重要性进行筛选,并划分出多个特征数据集,进而完成多个分类子模型的学习,形成子模型池,系统随机抽取多个子模型进行分类,并通过投票法得到最终的预测结果。实证分析以中国上市公司为研究对象,结果表明组合模型预测取得了较高的准确率,与单一模型相比在误报率和漏报率上有较大的改进。