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。     

基于ConvLSTM-GRU的公交客流量预测模型

公共交通在城市智能交通系统中发挥着重要的作用,准确的公交客流量预测对智能交通的发展至关重要。为了提高公交客流量预测的准确度,提出一种基于卷积长短期记忆(convolutionallongshort-termmemory,ConvLSTM)网络和门控循环单元(gaterecurrent unit, GRU)算法的预测模型Conv LSTM-GRU,结合公交车客流量、天气特征和气温特征以及节假日特征来预测未来的公交客流量。通过提取不同时段公交客流量之间的相关性并采用编码器-解码器结构来减少递归多步预测中的累积误差,提高了预测精度。最后,将ConvLSTM-GRU模型与反向传播(back propagation, BP)神经网络、长短期神经网络、门控循环单元结构、卷积长短期神经网络和自回归网络5种算法进行比较,结果表明所提模型在预测准确度方面均优于对比算法。     

基于灰色神经网络的航线客流量预测

准确预测航线客流量对于航空公司制定航线销售政策有着重要的作用。现有研究中鲜见考虑民航旅客出行的随机性、客流量表现出的非线性特征以及对航线客流量影响因素的分析。针对以上问题,提出一种基于灰色神经网络的航线客流量预测模型。该模型运用灰色理论弱化数据序列的随机性,再结合非线性处理能力较强的BP神经网络,构建基于灰色神经网络的航线客流量预测模型。同时验证了平均折扣率对航线客流量的影响。实验结果表明,相比于灰色GM(1,2)模型、BP神经网络模型,灰色神经网络模型具有更高的航线客流量预测精度和更强的稳定性。     

基于ACA-NN的合肥公路客运预测与分析

针对BP神经网络存在无法有效收敛最优值问题,构建基于蚁群算法的优化神经网络的公路客运预测模型。该模型采用常见的BP神经网络结构,算法采用的是一种新型的进化算法——蚁群算法。然后以合肥市2012年公路客运预测为实例,尝试了蚁群优化神经网络ACONN在客运量预测中的应用,结果表明蚁群优化神经网络模型的预测精度比其他模型高。     

蚁群灰色神经网络模型在稻瘟病预测中的应用

水稻稻瘟病这种灰色系统具有复杂的非线性.综合利用蚁群灰色GM(1,1,θ)预测模型和RBF神经网络预测模型的特点,建立了蚁群灰色RBF神经网络组合预测模型.经过14年对水稻稻瘟病的预测分析,得出蚁群灰色神经网络模型的预测精度高达96.77％,验证了预测模型的有效性.     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

基于蚁群算法的电力负荷预测方法研究

为了提高负荷预测的精度,提出基于改进蚁群算法的电力负荷组合预测方法。该方法以回归分析、灰色模型、二次指数平滑值、龚帕兹模型、弹性系数法、逻辑斯谛模型法、二次移动平均模型为基础建立负荷组合预测模型,利用改进蚁群算法优化组合预测模型的权值,并与单个预测模型进行比较。预测结果表明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

基于改进WNN的城市轨道交通客流量预测

针对城市轨道交通短时客流量预测问题,提出了一种基于自适应[t]分布变异的蝙蝠算法（ATM-BA）优化的小波神经网络（WNN）预测模型（ATM-BA-WNN）。在基本蝙蝠算法（BA）中引入带有线性递减控制因子的自适应[t]分布变异,使其具有变异机制,能够跳出早熟收敛。并将ATM-BA与WNN两者相互耦合,利用ATM-BA优化WNN的参数配置,进而提高WNN的预测精度。运用ATM-BA-WNN模型对郑州地铁1号线短时客流量进行预测,并与传统的WNN预测模型、BA优化的WNN（BA-WNN）预测模型以及支持向量机（SVM）预测模型进行比较。仿真结果表明,相较于其他3种模型,所建预测模型预测精度最高,拟合能力更强,误差最小,从而证明了该模型在短时客流量预测领域的可行性及优越性。     

基于深度学习的轨道交通客流量预测模型

为提升客流量预测精度,提出基于深度学习的轨道交通客流量预测模型。首先,通过自助站台系统收集乘客的进出站信息。其次,初步处理数据,包括数据清洗、归一化整理。最后,整合不同模型中的客流量数据,以揭示它们之间的相关性。基于深度学习中的卷积神经网络算法,构建了一种新型的轨道交通客流量预测模型,该模型利用历史客流数据进行训练,并能够自动学习数据中的复杂特征和规律,从而精准预测未来客流量变化。实验结果显示,所设计的模型精度达到89.91%,表明新模型在客流量预测准确性方面取得了显著的提升。     

基于灰色GARCH模型和BP神经网络的股票价格预测

针对传统算法进行股票价格预测存在预测精度低和滞后性大的缺点,提出一种基于灰色GARCH模型和BP神经网络的股票价格预测模型。通过BP神经网络校正灰色GARCH模型预测残差实现股票价格的高精度预测。研究结果表明,与灰色GARCH、BP、GARCH和灰色模型相比较,本文提出的灰色GARCH-BP组合模型可以有效提高股票价格预测精度,为股票价格预测提供新的方法和途径。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

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.     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

A new short-term load forecasting method of power system based on EEMD and SS-PSO

Aiming to the disadvantages of short-term load forecasting with empirical mode decomposition (EMD) such as mode mixing and many high-frequency random components, a new short-term load forecasting model based on ensemble empirical mode decomposition (EEMD) and sub-section particle swarm optimization (SS-PSO) is proposed in this paper. Firstly, the load sequence is decomposed into a limited number of intrinsic mode function (IMF) components and one remainder by EEMD, which can avoid the mode mixing problem of traditional EMD. Then, through calculating and observing the spectrum of decomposed series, some low-frequency IMFs are extracted and reconstructed. Other IMFs can be forecasted with appropriate forecasting models. Since IMF1 is main random component of the load sequence, the linear combination model is adopted to forecast IMF1. Because the weights of the linear combination model are very important to obtain high forecasting accuracy, SS-PSO is proposed and used to optimize the linear combination weights. In addition, the factors such as temperature and weekday are taken into consideration for short-term load forecasting. Simulation results show that accuracy of the load forecasting model proposed in the paper is higher than that of BP neural network, RBF neural network, support vector machine, EMD and their combinations.     

小波及混沌学习神经网络在短期电力负荷预测中的应用

该文提出了采用小波和神经网络混合模型进行电力系统短期负荷预测方法。首先基于小波多分辨率分析方法将负荷序列分解成具有不同频率特征的序列。然后,根据分解后的各个分量的特点构造不同的神经网络模型对各分量分别进行预测。神经网络算法采用混沌学习算法,与传统BP算法相比,该算法利用混沌轨道的游动性使系统能够跳出局域极值的束缚而寻求全局最优点,这样克服了BP学习算法所存在的本质问题,可以加快网络学习速度和提高学习精度。最后对各分量预测信号进行重构得到最终预测结果。在构建网络模型时,该文考虑了气候因素的影响,并把它作为网络的一组输入点。实验结果表明基于这一方法的负荷预测系统具有较好的精度及稳定性。