对组合预测模型的再讨论

本文得出了关于组合预测模型及其实用形式的方差性质的两个这理，为组合预测模型的预测精度提供了可供选择的理论值。主要结论是：运用组合预测模型的实用形式进行预测，所产生的方差不大于各单一预测模型方差的几何平均值。     

基于区间数距离的IGOWLA算子的区间型组合预测模型

在用区间数描述不确定现象的预测问题中,由于每种单项预测方法在各个时点处的精度不同,定权区间型组合预测模型存在权重固定不变的不足.本文引入诱导广义有序加权对数平均(IGOWLA)算子,以区间数距离作为最优准则,构建一种基于区间数距离的IGOWLA算子的变权区间型组合预测模型.实证分析结果显示,本文所构建的区间型组合预测方法可提高预测精度,是一种有效的优性的组合预测方法.     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

一种基于时序可变加权系数的组合预测模型

为了提高预测精度,提出了时序可变加权系数的组合预测模型。以组合预测模型的误差平方和最小为优化准则,建立最优的非负可变加权系数的组合预测模型,计算不同时刻单项预测模型的最优加权系数。利用时间序列ARMA模型对可变加权系数进行预测,进而得到组合预测结果。算例表明,时序可变加权系数组合预测模型综合利用了各个单项预测模型的重要预测信息,其预测误差远小于各单个模型的预测误差,预测精度更高,模型实用性更强。     

短期电力负荷组合预测方法研究

为了解决短期电力负荷不同预测方法的预测角度片面性、预测精度差等问题,提出了基于小波神经网络(WNN)的组合预测模型.首先用小波神经网络预测模型和历史平均模型分别进行预测,然后再通过小波神经网络对两单一模型的预测值进行组合.相比BP神经网络组合模型,该组合预测模型的预测精度大大提高.该模型同时引入模糊聚类分析的方法选取组合模型的训练样本,减少了训练样本的冗余性,提高了预测模型的精度.     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子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,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于神经网络的一种组合预测的构建与应用

以长春一汽集团的汽车生产总量为研究对象,分别构建了回归分析、灰色预测和神经网络三个预测模型,并在此基础之上,借助神经网络对三个模型进行了组合,构造了一种新的组合预测模型.通过对几种模型的分析比较,得出这种组合预测具有很高的预测精度.而且,预测表明组合模型比单一模型的预测更加稳健.     

非平均权重条件下电力负荷组合预测模型研究

在对电力负荷进行预测过程中,单一的预测模型往往会出现拟合能力低和预测精度不高的缺陷,而且多个预测模型的简单组合也是一种相对粗略的预测方法。本文将非平均权重法运用于电力负荷组合预测模型中,以某省2000~2011年电力负荷为例,结果表明非平均权重的电力负荷组合预测模型的拟合方差比单项预测模型以及平均权重下的组合预测模型都小,而且预测精度更高。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

GM(1,1)-星野法沉降预测模型研究与应用

围绕目前高速公路路基沉降预测精度不高,预测方法适用性不强等问题,基于组合预测理论,借助MATLAB计算软件,将基于灰色理论的GM(1,1)预测模型和星野法沉降预测模型线性组合,以组合预测误差的平方和最小为标准确定两种预测方法的权重系数,提出GM(1,1)-星野法组合预测模型。结合广东某高速公路施工期以及运营期路基实测沉降数据,GM(1,1)-星野法组合预测模型预测结果较两种方法单独预测结果具有更高的预测精度,工程适用性更强。     

基于趋势变化分段的电力负荷组合预测方法

提出了一种基于趋势变化分段的电力负荷组合预测方法,该方法基于趋势变化与加权组合的思想,有效提高了电力负荷的预测精度。在充分研究电力负荷“三峰三谷”变化特性的基础上,将电力负荷变化曲线划分为六个时段,每个时段均采用线性回归法、趋势变化法、BP神经网络和支持向量机的加权组合预测方式,并基于最小二乘法的思想,求解得到了模型最优参数。最后以苏北某地区的电力负荷预测为例进行了分析,结果表明该方法预测电力负荷的平均相对误差为2.83%,精度高,在电力系统具有较好的应用价值,从而验证了该方法的有效性与可行性。     

旋转机械运行状态优化组合模型变权重RBF预测方法

针对现有各种非平稳非线性特征旋转机械运行状态预测方法适用性差、精度不高的难点问题,提出一种旋转机械运行状态优化组合模型变权重RBF预测方法,该方法通过对单一预测模型进行优选,对输入样本进行加权处理,采用径向基神经网络进行变权重组合模型动态建模,从而充分利用了已知的有效信息,强调了新旧信息对设备未来运行状态发展产生的不同影响.经实测数据验证,获得了比单一预测模型及定权重RBF组合预测方法精度更高的预测结果.该方法程序实现简便,预测精度高,对预测问题的适用性广.     

基于区间相离度及GIOWA算子的区间型组合预测方法

为了提高区间数的预测精度,以预测精度作为诱导值,区间相离度作为最优准则,通过广义诱导有序加权平均(generalized induced ordered weighted averaging,GIOWA)算子集结数据,提出了一种基于区间相离度及GIOWA算子的区间型组合预测方法.实例验证表明,该方法的预测精度优于各单项预测方法.通过对参数进行灵敏度分析,得到参数变化对组合预测最优解及预测精度的影响.     

基于广义诱导连续区间有序函数比例加权平均算子的区间型组合预测模型

以抽象单调函数为基础,构建了一类函数族的广义诱导连续区间有序函数比例加权平均(GICOWFPA)算子.在灰色趋势关联度为最优准则下,建立了基于GICOWFPA算子的区间型组合预测模型.实例分析表明,该模型的预测精度优于3种单项预测方法及文献[9,11]中提出的组合预测方法,因此本文预测方法是一种有效的组合预测方法.     

基于连续有序加权平均算子的区间组合预测

将连续的有序加权平均算子与诱导的有序加权平均算子相结合运用到区间组合预测问题中,首先定义了基于连续区间有序加权平均算子的区间预测相对误差、预测精度和非劣性组合预测等概念,其次以区间组合预测误差平方和为准则建立了基于连续区间有序加权平均算子的区间组合预测模型。在该模型下,进一步讨论了区间组合预测模型的性质和求解方法。最后给出了实例分析,表明该区间组合预测方法有效。     

上证指数基于SVD的组合预测模型

股票指数时间序列具有非平稳和高噪声等特点,在进行股票指数预测时,由于噪声的影响,单一模型的预测精度往往不高.作者建立了基于奇异值分解（SVD）的BP神经网络和ARMA-GARCH组合预测模型,该模型将原序列分解为趋势部分和噪声部分,分别进行研究.实证研究结果表明：该模型的拟合、预测精度较高.