基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

组合灰色神经网络模型及其季节性负荷预测

对于季节性时间序列具有增长性和波动性的二重趋势性,提出了季节性预测的组合灰色神经网络模型,研究了同时考虑两种（非线性）趋势的复杂季节性预测问题,给出了一个应用实例,为季节性预测提供了一种新的、有效的方法。     

灰色神经网络预测修正模型研究

简述灰色系统与人工神经网络各自的特点与应用,分析两者以及组合方式的优缺点和预测能力,结合灰色系统的"少数据,高精度"的特性和人工神经网络的"纠正"能力,提出一种新的组合模型:误差纠正网络模型,并通过数据初步验证,结果表明,新的组合模型对负荷预测是可行的。     

基于三阶灰色神经网络的股指预测

将三阶灰色模型(GM(3,1))与神经网络模型进行有机的组合,建立新的三阶灰色神经网络模型,并以中国股票市场上证指数为例进行预测.实证表明,新预测模型的模拟精度较现有方法更为精确,更具有实用价值.     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

基于灰色神经网络模型预测变压器油中溶解气体的含量

建立了变压器油中溶解气体的灰色神经网络预测模型,用MATLAB仿真计算,结果表明该模型优于单独GM（1,1）模型。     

河流水质预测的灰色神经网络联合模型

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,运用响应成分模型将水质浓度分解为具有确定性的趋势项和具有不确定性的随机项,建立灰色神经网络联合模型对水质的趋势项和随机项进行预测。将该模型应用于淮河河流水质预测,结果表明,该模型拟合误差小,预测精度高。     

城市地区火灾事故发生的灰色预测方法

根据灰色理论的预测基本原理及数学建模方法，建立ＧＭ（１，１）火灾事故率－时间预测模型．结合微机技术，针对香港１９７７～１９８１年火灾事例数据，研究了该地区火灾事故的发生规律，并对其发展趋势进行了预测，为制定正确地防止火灾发生的决策提供了重要的参考依据．此外，还对预测过程中值得注意的问题进行了讨论．     

灰色神经网络最优权组合模型预测城市需水量

需水量预测是一个大量数据指标和影响因素共同作用的复杂系统。目前以单一的模型预测为主,而这种预测方法仅能体现该系统的局部。针对这一情况,利用灰色模型和改进BP神经网络,建立最优权组合模型预测城市需水量,使用Matlab进行实例计算,并与其他预测方法比较。结果表明,该模型有较高的预测精度,优于单个模型,预测效果更优于其他方法。     

灰色神经网络水质预测模型

依据水质预测的客观要求,结合灰色系统理论与神经网络理论,建立了灰色的神经网络水质预测模型,并在四川沱江的实际应用中取得了较好的结果．     

基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

灰色预测模型在纺织工业上的应用

简要介绍了灰色预测模型的原理及方法，就纺织工业中应用灰色预测模型所取得的研究成果作了综述评介，并分析了在纺织工业上进一步应用的前景。     

基于神经网络的客服中心话务量预测模型

针对现有预测模型在话务量发展趋势变化、新技术新业务引入后模型失效、预测精度下降等问题,提出一种基于神经网络和事件样本库的智能预测方法。该方法具有自学习功能,可根据预测误差自动调整预测参数并更新事件样本,对话务量趋势变化、事件影响程度变化及新事件的发生具有持续自适应能力。仿真结果表明,该预测方法能有效降低预测误差,与现有方法相比,话务量的预测精度提高了6．57％。     

晶体振荡器老化预测的径向基函数神经网络法

建立了预测石英晶体振荡器老化的一种径向基函数神经网络模型,这种人工神经网络由输入层和输出层组成,输入层由计算径向距离范数的非线性神经元组成,输出层由一个计算径向基函数的神经元组成.提出了确定规格化径向距离尺度因子的一种方法,并在此基础上导出了一种径向基函数神经网络的学习算法,这种算法具有计算形式简单和易于实现的优点,适合于用加速老化法和外推法进行石英晶体振荡器老化预测的实验数据处理.     

基于神经网络的山区公路桥梁造价预测

针对山区高速公路桥梁工程造价管理的难点,本文采用误差反向传播人工神经网络模型(简称BP网络模型)和模糊数学相结合的方法,以桥梁工程特征为参数,对山区高速公路桥梁工程造价进行管理和预测.其中用模糊数学理论对山区高速公路造价数据进行筛选,作为训练样本;再采用神经网络BP算法,通过三层前馈神经网络实现山区高速公路桥梁的工程特性与造价之间的复杂非线性映射,得到桥梁工程的造价预测模型.根据本文提出的造价预测模型估算得到的造价与样本的实际造价误差可控制在10％的范围内,因此,该神经网络估测桥梁造价的模型可用于山区高速公路的桥梁工程造价估算,并为有一定经验的造价工程师提供了一种实用的工具和方法.     

Route Temporal-Spatial Information Based Residual Neural Networks for Bus Arrival Time Prediction

基于线路时空信息的残差神经网络预测公交到达时间

#$TAB

杨超，茹小磊，胡斌*

（同济大学 交通工程学院 道路与交通工程教育部重点实验室，上海201804）

中文说明：

公交到站时间预测有助于提高公共交通的服务质量。如果能提前知道准确的公交到达时间，乘客就可以有效地安排出发时间。本文提出一种机器学习方法，RTSI-ResNet模型，来预测公交到达目标车站的时间。利用残差神经网络框架对公交线路时空信息进行建模。研究发现，两站点之间路段的公交行程时间不仅与同路段前一班次公交行程时间存在相关性，而且与临近的上下游路段的公交出行时间也存在共同的变化趋势。从包含目标路段的正反方向公交路线中提取公交出行时间和车头时距两个特征，构成公交路线时空信息，综合反映道路交通状况。对深圳公共交通系统10号公交线路的轨迹数据进行实验，结果表明本文提出的RTSI-ResNet模型优于其他著名的方法(如RNN/LSTM、SVM等)。特别地，当公交车与目标车站的距离越远时，预测精度的优势越明显。

关键词：公交到达时间预测; 线路时空信息; 残差神经网络; 递归神经网络; 公交轨迹数据