基于改进变权重组合预测模型的产品销售预测

通过分析汽车产品销售时序的特性引入组合预测理论,提出了一种改进的变权重组合预测模型并给出了变权重系数的求取方法。然后针对小样本、多维、多峰、非线性的销售时序特点,采用了基于支持向量机的三种单项预测方法。再通过实例分析显示基于改进变权重组合预测模型的预测精度高于单项预测模型和普通变权重组合预测模型。最后进行了汽车销售时序预测表明基于改进变权重组合预测模型的产品销售预测方法是有效和可行的。     

基于变精度粗糙集理论的组合预测方法研究

组合预测的关键是确定各个单模型预测方法的加权系数。文章首先给出了一种基于标准粗糙集理论的组合预测方法,将加权系数确定问题转化为标准粗糙集理论中属性重要性评价问题,通过引入目标函数,提出了一种基于变精度粗糙集理论的寻找组合预测加权系数的新方法。仿真实验表明,基于变精度粗糙集理论的组合预测方法计算量小,不带有主观性,预测精度高。     

基于近似熵测度的变权组合预测方法

提出一种基于近似熵测度的变权组合预测方法.首先,不同于传统的预测效果评价准则,从衡量样本序列复杂性的角度出发,以预测值误差序列的近似熵测度为评价效果准则,建立变权组合预测优化模型;然后,在变权组合预测权值分配问题上,为克服常规的均值估计法和回归分析法的不足,采用在线最小二乘支持向量机(LS-SVM)回归法,实现预测点加权系数的准确预测;最后,通过实例表明了该方法的可行性和有效性.     

桥梁钢-混凝土组合结构抗震性能预测仿真

为了及时预测桥梁主体结构的抗震性能,为抗震规划以及桥梁结构维修加固提供参考依据,针对当前桥梁钢-混凝土组合结构抗震性能预测方法中存在的过程复杂、耗时长,以及数据测量误差引起的准确率较低等问题,提出基于支持向量机回归法的桥梁钢-混凝土组合结构抗震性能预测方法。根据主体结构-荷载位移滞回实验的结果曲线,获取桥梁钢-混凝土组合结构恢复力矩,结合受力分析,计算组合结构的累积滞回耗能。根据累计滞回耗能值变化,结合支持向量机回归法构建钢-混凝土组合结构抗震性能预测模型;利用粒子群优化算法对模型进行优化,利用优化后模型完成桥梁钢-混凝土组合结构抗震性能预测。实验结果表明,与当前结构抗震性能预测方法相比,所提方法预测结果的准确率有一定提高,且预测耗时更短,满足抗震性能预测及时性需求。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

变结构预测控制

在变结构滑模控制的基础上，引入参数辨识和状态预估，形成了一种新的控制技术－变结构预测控制，变结构预测控制增强了变结构没模控制的鲁棒性，使之对具有大滞后和变参数的对象也能进行有效的控制，有较强的自适应能力。一般自适应控制技术闭环参数不完全辨识问题，在变结构预测控制中获得了解决，这就使控制更为精确和有效。本文探讨和研究了变结构预测控制技术的实同及其控制特性，并由仿真和实验结果加以验证。     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于模糊变权组合预测模型的航材预测

由于航材预测的发展,每一种航材的预测模型有很多种。不同模型的预测模型体现了预测对象不同方向的发展趋势,合理地处理信息可以更加全面地预测航材需求趋势。模糊变权组合预测模型不同于传统组合预测模型,它采用权重系数为三角模糊数来组合不同预测模型结果,并以单项预测方法预测精确度指数最小为准则,集成处理得到较窄的取值范围来帮助航材预测决策。最后以实例验证方式检验该模型的有效性和准确性,具有一定的实用性。     

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM（1,1）模型、离散GM（1,1）模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

一种前向型神经网络基准地价预测模型的研究

土地是国家重要资产,对地价的全面监测、分析和预测,有助于城市基准地价的快速更新和政府对土地资源的宏观控制。现阶段基准地价水平调整的预测模型有明显的不足。应用一种非线性预测方法:多层前向神经网络建立基准地价预测模型,采用时间预测序列。在介绍误差反向修正算法的基础上,通过预测实例计算,表明预测结果与实际情况吻合较好     

Comparison of forecasting methods with an application to predicting excess equity premium

This paper reviews various forecast methods including combination using theoretically optimal weights and those under model selection approaches. In addition, we suggest two modified simple averaging forecast combination methods—a mean corrected and a mean and scale corrected method. We conclude that due to the fact that real data is usually subject to structural breaks, rolling forecasting scheme has a better performance than fixed window and continuously updating scheme. In addition, methods that use less information appear to perform better than methods using all the sample information about the covariance structure of the available forecasts. The mean and scale corrected simple average approach yield smaller mean squared forecast error than the three widely used regression approaches suggested by Granger and Ramanathan [11].     

中国油气资源生产发展最优组合预测模型研建

为了得到更合理、准确的未来能源发展趋势预测结果,利用非线性函数模型描述能源生产发展系统的非线性动态特征。分别采用非线性指数回归模型和灰色系统理论中的模型方法建立了中国油气资源生产发展预测模型。并利用组合预测理论及建模技术采用标准差法进行最优组合权重分配,建立了中国油气资源生产发展的组合预测模型。经检验达到了较好的预测精度。结果表明,这一模型适合于油气资源生产发展的趋势预测,为能源预测提供了新的方法,并在实例中进行了初步的预测应用,取得了较好的效果,为我国的能源发展战略提供可靠的科学依据。     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

Combining Singular-Spectrum Analysis and neural networks for time series forecasting

In this paper, we propose a combination of an adaptive noise-reduction algorithm based on Singular-Spectrum Analysis (SSA) and a standard feedforward neural prediction model. We test the forecast skill of our method on some short real-world and computergenerated time series with different amounts of additive noise. The results show that our combined technique has better performances than those offered by the same network directly applied to raw data, and therefore is well suited to forecast short and noisy time series with an underlying deterministic data generating process (DGP).     

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．     

产生大容量IPv6转发表的定位随机预测方法*

受当前IPv6部署规模的限制,目前还不存在真实的大容量IPv6转发表,因此对各种相关算法的性能分析必须采用预测产生的转发表。通过对IPv6地址分配策略进行分析,提出了一种采用定点随机估计的方法来预测生成大容量路由表的方法。该方法具有简单、易捕获、易实现等优点,已经在相关研究中得到应用。     

基于改进灰色模型和RBF优化模型的导弹贮存寿命预测

针对导弹在贮存期间存在的故障数据量少、预测难度大的问题,在给出灰色模型和RBF神经网络优化模型的基础上,构建基于灰色模型和RBF神经网络优化模型的组合预测模型,并利用该模型对某型导弹贮存寿命进行预测。结果表明,组合模型对小样本数据具有较高的预测精度,克服了单一预测模型的不足,具有很强的实用性。      

基于改进PSO的组合预测模型研究

为进一步提高组合预测的预测精度,有必要对预测模型的权重分配进行研究。将粒子群算法用于求解组合预测中模型的权重,并在研究过程中针对基本粒子群算法的不足,对粒子群算法的参数惯性权重和加速度因子进行了改进,构造了基于改进粒子群算法的组合预测模型。以重庆市物流需求的预测为背景,以四种方法为参照对象,对比验证了该改进模型的有效性以及预测的准确性。