新冠肺炎疫情传播预测方法综述

2019年底，新型冠状病毒肺炎（COVID-19）疾病爆发，为抑制病毒扩散并提前制定应对措施，预测病毒传播趋势成为了研究热点，各种COVID-19预测方法在疫情防控和稳定民心等方面起到了关键作用。根据近三年来的COVID-19传播趋势预测方法的文献资料，将预测方法分为数学模型预测方法、人工智能预测方法和群智能优化预测方法三类。陈述了新冠病毒的特性以及疫情带来的影响，并简要描述了目前各类预测方法的特点。分别介绍了三种预测方法中经典模型的发展历史以及分类，并从优缺点和性能等方面对各类改进模型进行了详细的对比分析。最后进行归纳总结，从预测方法的局限性入手，分析了各类方法的不足，并对传播预测方法的未来研究方向进行了展望。     

基于示例的组合预测方法

本文提出了一种基于示例的组合预测方法，强调知识方法和数学方法的结合，提出了一种算法和组合预测框架，并结合实验数据讨论了预测结果，分析了不同预测方法的不足。     

一种基于人工神经网络在线学习的自适应预测方法

本文在分析和比较了传统预测方法的基础上，研究基于人工神经网络非线性映射的预测方法，针对一类缓变故障的预测问题，提出单样本在线学习的自适应预测算法，并用于柴油机故障预测和诊断。     

基于示例的组合预测方法*

本文提出了一种基于示倒的组合预测方法，强调知识方法和数学方法的结合，提出了种算法和组合预测框架，并结合实验数据讨论了预测结果．分析了不同预测方法的不足．     

基于.NET组件化的销售预测系统的设计与开发

为改变企业对未来销售量预测手段的单一性和随意性，设计开发基于．NET组件化的销售预测系统，从而给企业决策者一个有效的、简单明了的预测结果以指导决策。文中根据不同预测方法对某一组具体历史数据的敏感程度不同，通过．NET组件技术实现多种预测方法和预测精度的检验，自动遴选出最适合某一组数据的预测模型或预测方法，达到最佳的预测效果。最后，运用该系统对某汽车制造企业的销售量进行预测，得到较好的效果。     

基于遗传算法的发动机需求量组合预测方法

阐述了基于改进遗传算法组合预测的原理，给出了此类组合预测的建模方法及有效性评价指标。在军用航空发动机采购需求量的预测中，运用计算机仿真的方法对比了多种预测方法，验证了组合预测法的有效性和准确性。     

基于遗传算法的发动机需求量组合预测方法

阐述了基于改进遗传算法组合预测的原理，给出了此类组合预测的建模方法及有效性评价指标。在军用航空发动机采购需求量的预测中，运用计算机仿真的方法对比了多种预测方法，验证了组合预测法的有效性和准确性。     

基于特征提取与改进SVM的电价预测

针对传统电价预测方法由于冗余数据量庞大，特征选择和特征提取准确率低，导致电价预测精度低，预测时间过长的问题，提出构建基于DGCA-PCA的特征提取的改进DE-SVM的电价预测模型GGPDS。首先，采用考虑周期性特征的GCA算法和时段关联性特征的改进GCA算法进行电价特征数据选择；然后采用主成分分析PCA方法进行特征提取；之后将提取数据特征输入改进DE-SVM模型中进行电价预测。实验结果表明，提出的特征提取方法可对海量数据进行有效处理，为后续电价预测模型提供了准确的数据，并进一步提升了电价预测模型的预测精度，降低了模型训练时间成本。日预测实验结果中，本模型的MAPE指标和MAE指标分别取值为7.44%和3.71,对比于传统的电价预测方法电价预测误差更小，预测精度更高。由此说明，本模型可提升电价数据特征提取准确率，从而提高电价预测精度，可在短时间内实现电价准确预测。     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。     

神经网络在股市行情预测中的应用

人工神经网络以其独特的信息处理特点应用于预测领域具有很大的理论和实际应用价值。本文以股市行情为对象，详细论述了神经网络在股市行情预测领域中的应用，给出了相应的神经网络模型和两种历史数据的预处理方法，通过实验和测试，证明了这种方法的可行性和正确性，文章最后还对神经网络预测方法和基于数据统计基础之上的定理预测方法进行了比较。     

WSN目标定位动态预测方法研究

针对固定预测时间间隔下目标机动对无线传感器网络目标定位预测效果影响较大的问题,分析目标预测误差产生机理及主要影响因素,提出WSN目标定位动态预测方法。该方法根据目标预测模型构造预测时间增量函数,通过固定预测时间增量函数取距离自变量值动态调节目标预测时间间隔,实现目标运动状态自适应动态目标预测。仿真平台分别应用运动学预测、粒子滤波预测方法建立预测模型,并进行目标预测实验;结果表明,目标机动情况下,目标动态预测方法误差相比固定预测时间时间间隔方法分别减小18.5%、12.8%,动态目标预测方法能较好改善机动性目标预测效果,增强预测方法对目标运动变化的自适应能力。     

混沌时间序列改进的加权一阶局域预测法

加权一阶局域预测法是目前最常用的一种混沌时间序列预测方法。基于延迟坐标相空间重构理论,提出了混沌时间序列改进的加权一阶局域预测法。仿真结果表明该方法的多步预测性能与一步预测性能明显好于加权一阶局域预测法的多步预测性能与一步预测性能。     

基于灰色系统理论的瓦斯含量多变量可视化预测方法实现

针对煤矿瓦斯含量预测采用单因素梯度法存在可靠性不高的问题,提出了一种基于灰色系统理论的瓦斯含量多变量可视化预测方法,建立了预测模型的总体框架,给出了动态链接库实现灰建模数值算法的流程;并结合某矿实际,详细介绍了该预测方法的具体实现过程:首先通过数字化瓦斯地质图获取瓦斯含量原始数据,设置建模所需的相关参数,建立瓦斯含量多变量预测模型,选择瓦斯含量点击预测或批量预测,对预测结果的误差进行分析并与图形信息结合起来显示。该预测方法提高了预测的效率及决策的科学性,为煤矿日常瓦斯含量预测、管理及决策提供了一个直观、方便、高效的可视化预测手段。     

一种移动无线传感器网络的节点位置预测方法

针对目前移动无线传感器网络中现有位置预测方法的预测精度较低以及需要依靠大量的历史运动路径数据的不足,提出了一种基于不确定性支持向量机的“角度-分类”(A-USVC)位置预测方法。该方法利用节点收集的节点隶属度向量来构建归类预测模型,根据所构建的预测模型和计算的移动节点偏转方向来确定未知节点所在的区域,从而完成对移动未知节点的位置预测。仿真实验表明: 在精度方面,该方法相比于传统的马尔科夫模型预测方法提高了35%,相比于神经网络预测方法提高了19%。A-USVC位置预测方法有效地提高了位置预测的精度,且计算量小,在小样本的情况下依然能保持良好的预测能力。     

基于时序指数平滑法的风电场功率预测研究

针对现有风电场功率预测方法存在预测时间短、预测精度低,不能跟踪风电波动性、间歇性进行可靠预测的问题,提出了一种基于时序指数平滑法的预测方法。该方法首先将原始数据利用指数平滑法进行去畸变量处理,得到较规则的功率数据,然后根据初步处理后的功率数据利用反馈式时序指数法进行预测。利用该方法对某大型风电场4台风电机组未来1天的发电功率进行了预测,预测结果与实测数据大致吻合,证明了该方法的可行性。     

基于小波去噪及ARMA模型的故障率预测方法研究

在现有的故障诊断与预测方法的基础上,提出了一种基于小波及ARMA模型的预测方法。首先给出了小波去噪的原理,以及ARMA模型预测的思想,结合民机故障率的特点,对实际的故障率数据进行小波去噪,保留故障发展的主要趋势,对主要趋势进行ARMA建模预测,并将预测结果与实际值进行比较。结果说明,进行小波去噪后的ARMA建模预测的结果有较高的准确率。     

移动App即时缺陷预测模型的可解释性方法

在移动App即时缺陷预测领域,大部分研究只关注预测模型的性能,而忽略了模型的可解释性,因此会造成开发人员对缺陷预测模型的预测结果缺乏信任,并阻碍了缺陷预测模型在实践中的应用。主要针对Android移动App即时缺陷预测模型的可解释性展开研究,通过差分进化算法对局部可解释技术LIME方法进行超参优化得到ExplainApp方法,该方法可以对预测结果生成高质量解释。选择了14个实际Android应用程序作为实验对象,最终结果表明,ExplainApp方法可以解释移动App即时缺陷预测模型得到的实例预测结果。ExplainApp方法在拟合优度上要优于原始的LIME方法,可以平均提高94.50%。     

基于径向基神经网络的局域预测法及其应用

一般的加权一阶局域预测法是利用最小二乘法求解模型,从而对混沌时序进行预测。基于径向基神经网络的局域预测法是在加权一阶局域预测模型的理论基础上,应用径向基神经网络代替加权一阶局域预测模型构成了基于径向基神经网络的局域预测模型。通过对Logistic映射以及Lorenz系统的3个分量的混沌时间序列的预测仿真,表明该预测方法对混沌时间序列的预测具有较好的效果。     

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。     

不确定性车辆路口的轨迹预测

在城市道路中,实时、准确、可靠地对移动车辆进行轨迹预测具有极高的应用价值,不仅可以提供准确的基于位置的服务,而且可以帮助过往车辆预知前方的交通状况。目前,移动车辆的轨迹预测方法主要基于历史轨迹的欧氏空间进行,并未考虑在受限路网中采用不确定性历史数据的车辆轨迹预测。针对这一问题,提出一种补全路径的基于马尔科夫链的轨迹预测方法,其优势在于:重新定义了补全路径算法,弥补了不确定性历史数据的不完整性,利用马尔科夫链低时间复杂度、高预测准确度的优势实现预测,避免了因频繁模式挖掘带来的查询时间过长而影响预测效率以及存在多余噪声影响轨迹预测准确率的问题。通过真实数据和实验分析表明:在参数设置相同的情况下,该方法比挖掘频繁轨迹模式算法的预测准确率平均提高了18.8%,预测时间平均缩减了80.4%。因此,该方法对于车辆路口的轨迹预测具有较高的预测准确率,并且能预测一系列的车辆未来轨迹。