灰色神经网络模型在物流需求预测中的研究

研究物流准确预测,进行物流优化管理问题,由于现代物流需求变化是多种因素综合的结果,传统单一模型只能反映部分变化规律,不能全面反映其需求变化规律,导致预测精度不高.为了提高了物流需求的预测精度,提出一种灰色神经网络的物流需求预测方法.组合方法首先采用灰色预测模型对训练样本进行学习,得到BP神经网络的输入值,然后采用BP神经网络对其进行预测,得到最终物流需求值.将组合模型应用于湖南省物流需求预测中,实验结果表明,改进的模型提高了物流需求预测精度,发挥了2种单一模型优势,克服了单一模型不足,提供一种物流优化管理的有效方法.     

基于灰色算法的旅游人力资源需求预测研究

研究了智能算法在旅游人力资源需求的预测及旅游人力资源开发中的应用。采用改进的灰色预测算法,对历年浙江省各城市的导游人力资源数据进行了分析,获得了2012年及2013年的预测数据及相关的分析图表,并对浙江省各城市的导游人力资源状况进行了分析,给出了一些结论。     

基于遗传算法的灰色神经网络优化算法

针对BP 神经网络算法通常具有收敛速度慢且容易陷入局部极小值的缺点,在对国内空调订单市场进行分析和研究的基础上,提出一种用遗传算法优化灰色神经网络模型参数的方法,该方法利用灰色模型( Grey Model,GM) 弱化数据的随机性以及神经网络的高度非线性,对空调订单建立了一种非线性预测模型,并采用遗传算法对其进行优化,从而提高了预测的精度并加快了收敛程度。仿真结果表明该算法能较好的解决空调订单预测的问题并可推广到同类预测中。     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式—灰色补偿神经网络。该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

灰色补偿神经网络及其应用研究

本文给出了灰色系统与神经网络的一种新的结合方式-灰色补偿神经网络.该网络利用神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值.仿真结果表明本方法优于其它灰色神经网络.     

基于改进灰色神经网络的故障预测方法研究

故障预测技术是电子装备预测与健康管理（PHM）领域的核心内容, 对电子装备关键部件实施有效的预测是保证系统正常运行的关键。首先将灰色理论和人工神经网络算法相结合, 构建灰色神经网络模型并对其进行分析; 然后在此基础上通过附加动量变学习速率法对灰色神经网络的权值更新策略进行改进, 提出一种基于改进灰色神经网络的故障预测模型; 最后以某型脉冲测量雷达中频接收组合中的压控振荡器为例, 以采集的原始频率数据为基础进行仿真验证。预测结果表明, 将该预测方法应用于电子装备PHM是行之有效的, 可有效提高故障预测精度。     

博弈改进的GM（1，1）在供应链需求预测中的应用

为解决供应链中需求预测精度不高的问题,在传统GM（1,1）预测模型的基础上,采用了一种基于遗传算法调整发展系数和内生灰作用量的灰色预测模型,运用此模型对供应链中各级需求量进行预测,使用博弈理论构建了供应链中各级需求预测出现误差时的协商策略用以对预测结果的优化。实验结果表明,协商策略获取了符合双方利益的需求量,预测结果有了较高的精度。     

灰色神经网络组合算法在复杂非线性预测中的应用

IT人才需求预测是一个复杂的非线性过程,在回归法和相关分析法失效的情况下,组合运用灰色系统方法和神经网络算法,克服了数据缺乏、影响因子非线性程度高的困难,精确地预测了珠三角IT人才的需求总量,并推算出未来合理的IT人才需求结构。     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

改进灰色模型在物流需求预测中的应用

研究物流需求问题,物流受多种因素的综合影响,需求具有趋势性、较大波动性和随机性等变化特点,传统单一预测方法难以对其进行准确预测,为提高物流需求预测准确率,将灰色理论(GM)和支持向量机(SVM)相结合建立一种物流需求预测模型(GM-SVM)。GM-SVM首先采用灰色GM(1,1)预测模型动态预测物流需求变化趋势,然后运用SVM对GM(1,1)预测结果进行修正,以提高物流需求预测精度。采用具体物流需求实例对GM-SVM性能进行测试,实验结果表明,GM-SVM利用SVM和GM(1,1)的优势,达到优势互补,提高了物流需求的预测精度,更能全面描述物流需求的复杂变化规律。     

基于优化BP神经网络的销售预测算法研究

已知国内房屋售价具有一定的不完整的规律性,其会因季节变换、人群流动、国家相关政策等一系列因素而呈现一定的规律.与此同时,该规律性并没有确定的单一因子可以直接影响,故其售价与全部因素之间的关系也是非线性的.针对这一问题,利用神经网络输入量的非线性、冗杂性和可不完整性,对一段时期内的房屋售价进行预测是一种合理的预测方法.基...     

基于改进的灰色模型的旅游需求预测研究

针对海南省旅游需求预测问题,对传统的灰马尔科夫模型进行改进,提出了一种动态优化子集模糊灰马尔科夫预测模型。该模型首先根据GM(1,1)模型预测结果的平均绝对误差百分比,通过输入子集法来确定最优输入子集个数;然后利用模糊集理论,将计算出的隶属度向量作为马尔科夫转移矩阵向量的权重,以修正预测值。为了能够根据时间推移进行预测,建立了等维递补的动态预测模型。实验以海南省各市县旅游饭店接待情况为例,验证了该模型可以有效地提高预测数据的准确性。     

改进的神经网络在网络流量预测中的应用研究

关于保证网络安全服务,研究网络流量预测问题.网络流量数据具突发性、非线性和时变性等等特点,传统RBF神经网络在网络流量预测过程存在敛速度慢、极易出现局部最优等缺点,从而导致预测精度低和难问题.为了提高网络流量的预测精度,提出一种粒子群算法优化RBF神经网络参数的网络流量预测方法.首先采用粒子群算法对RBF神经网络的参数进行优化,简化网络结构,加快收敛速度,并用优化后RBF神经网络对网络流量进行预测,防止局部最优的出现.最后在Matlab平台对模型进行了仿真,结果表明,算法提高了网络流量的预测精度.相对于传统的网络流量预测方法,提高了预测效率.     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

基于改进BP网络模型的公路流量预测

针对公路客货运量预测的问题,对现有的常用预测方法进行研究,提出改进BP神经网络预测模型。该模型首先采用动态陡度因子改变激励函数的陡峭程度,改善激励函数的响应特征,得到更好的非线性表达能力;其次利用附加动量因子,通过将以前的经验进行积累,降低了神经网络对误差曲面的局部细节敏感性,较好地遏制网络陷于局部最小;再次采取变学习率学习算法,先给一个较大初值,随着学习过程的进行,学习率不断减小,网络趋于稳定。改进BP算法既可以找到更优解,又可以缩短训练时间。结合某地区的公路运量相关数据,对改进BP神经网络预测模型进行了验证。实验结果表明,该模型的相对误差和迭代次数都取得了较大的改善,对公路客货运量预测很有效。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测.文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度.这表明该预测模型对于个股价格的短期预测是可行和有效的.     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．