基于ARIMA和BP神经网络的生态系统服务价值预测仿真

针对现有生态系统服务价值预测体系误差大、研究不足等问题,本文构建了面向未来生态服务价值的预测机制。该机制采用主成分分析法和Person相关系数法,建立了以GDP、人口、土地利用率、土地管理政策和城市人口密度为驱动力的生态系统服务价值关联矩阵,提出了基于ARIMA和BP神经网络的生态系统服务价值的时间序列预测机制。为验证预测机制有效性,本文选取中国主要土地利用类型代表省份的真实土地数据集进行分析,研究结果表明本文建立的预测模型平均绝对误差仅为0.023,且从预测结果来看,未来草地生态会向较好趋势发展,林地生态发展不容乐观。     

面向生态系统服务价值的组合预测算法研究

In order to solve the problems of single evaluation and low prediction accuracy in the current ecological environment service value system, this paper puts forward three dynamic combination forecasting systems for ecosystem service value, namely ARI-MA-BP, PCABP-ARIMA and PCABP ARIMA prediction model, and makes an empirical analysis on the ecosystem service valueprediction of grassland in Tibet Autonomous region, forest land in Heilongjiang Province and cultivated land in Henan Province.The experimental results show that the average absolute error of based on ARIMA-BP ecosystem service value prediction model isonly 0.87%, and the average absolute error of PCABP-ARIMA and PCABP+ARIMA prediction model is 1.98% and 2.24% respec-tively.ARIMA-BP is the best, which is 62.67% smaller than the traditional BP neural network prediction model     

面向价值的组合服务优化方法

为了支持服务系统最大限度地实现顾客期望的服务价值,提出了一种面向价值的组合服务优化方法。该方法是基于面向价值的组合服务分析的结果,利用人工蜂群算法(ABC),通过对组合服务中影响价值实现的服务要素进行替换,得到组合服务的优化方案。实验结果表明文中的面向价值的组合服务优化方法能够以最小的优化代价、最大限度地保障服务系统的价值实现。     

面向服务组合的跨组织工作流性能预测与分析*

面向服务的体系结构促进了工作流技术与服务组合技术的结合,为跨组织业务应用开发提供重要技术支撑。针对实时监控到的服务质量属性数据,提出一种基于时间序列的工作流性能分析方法,采用综合自回归移动平均模型来预测工作流的动态性能。当预测到性能值超标时,分析导致工作流性能异常的主要服务,有利于为组合服务提供更加合理的优化服务调整策略。实验结果表明所提出方法的可行性。     

分布式多媒体服务组合中的异常预测算法

为提高分布式多媒体服务组合系统中路径的健壮性和可靠性,提出一种基于Markov链和加权朴素贝叶斯分类器(WNBC)的异常预测算法。该算法利用Markov模型预测系统节点的资源状态信息,使用WNBC对预测的节点状态进行分类,以判断节点是否可能发生异常。实验结果表明,该算法能根据节点的状态信息预测系统节点的不同异常状态,性能较同类算法有较大的改善。     

基于组合预测模型的股票价格趋势预测

针对股票市场高度非线性的特点,单一预测模型很难描述出股票价格趋势的整体特征,提出了一种金融时序预测的组合预测模型。首先,利用自回归移动模型(ARIMA)对股票价格线性趋势进行预测。然后,利用回归支持向量机(SVR)模型对非线性随机变化规律进行预测。最后,采用模糊时变权重方式对两种模型进行结合,得到一种综合考虑股票价格线性和非线性的预测模型。仿真结果显示,组合预测模型取得了令人满意的效果。     

面向在线客服系统的服务量预测算法

在线客服系统的服务量受到多种因素影响,为提高系统的服务量预测精度,本文基于离散变异控制参数的自适应差分进化算法DMPSADE,提出了一种改进算法IDMPSADE,并将其与长短时记忆神经网络LSTM相结合建立了对服务量的预测模型IDMPSADE-LSTM.在IDMPSADE中,当子代种群测试函数寻优性能没有父代种群好时,对父代种群个体进行反向引导,跳出局部最优,提升搜索到全局最优能力.由于LSTM的神经元数量、迭代次数、学习率以及训练批次需要通过经验进行设置,具有较大的随机性,故利用IDMPSADE对这些参数进行寻优.IDMPSADE-LSTM将分析得到的气温、降水量作为影响因素结合服务量的时间特征对系统的服务量进行预测.文中实验结果表明,IDMPSADE-LSTM预测模型比一般的神经网络以及SARIMA-SVM混合预测模型的精确度要高.     

森林生态系统的价值及其评估

回顾了对森林资源价值的认识过程，对森林生态系统价值评估的对象和方法进行了论述，同时指明了森林生态系统价值评估在天然林保护工程中的重要意义。并对森林生态系统价值评估中应注意的一些问题进行了探讨。     

面向复杂业务的组合服务方案选择算法

针对串行或并行的组合服务路由算法不适用于电子商务等业务中的复杂服务组合关系问题,提出多回合组合服务的服务发现方法及组合方案的选择算法,服务发现时,将延迟最小作为首要考虑因素,选择组合策略时,将服务组件间的交互次数量化为路径选择的一项度量指标。仿真实验结粜表明,对于多交互的复杂服务组合路径选择问题,提出的算法在性能上优于以往的服务组合路由算法。     

基于组合预测模型的云计算资源负载预测研究

随着云计算技术的不断发展,云计算资源负载变化呈现出越来越复杂的特征。针对云计算资源的负载预测问题,综合考虑云计算环境中资源负载时间序列的线性与非线性特性,提出了一种基于自回归移动平均模型ARIMA与长短期记忆网络LSTM的组合预测模型LACL。使用公开数据集与传统负载预测模型进行了对比实验,实验结果表明,该云计算资源组合预测模型预测精度明显高于其他预测模型,显著 降低了云环境中对资源负载的实时预测误差。     

基于组合模型的农产品物价预测算法

当今时代,科学技术高速发展,涌现出一批新技术,数据挖掘、机器学习等新科学领域被深入研究,众多智能算法逐渐出现,同时被应用到了不同的领域中.本文构建了一种基于BP （Back Propagation）神经网络和SVR （Support Vector Regression）支持向量回归机的组合模型.依托于农产品价格数据进行实例验证分析,结果表明相对于单一的预测模型,BP-SVR-BP组合模型在预测精度上有了很大的提升,拟合效果更加逼近真实数据曲线,能够客观真实的反应农产品物价变化规律.     

犯罪量动态优化组合预测方法

单一预测模型在预测犯罪量时难以协调拟合和泛化关系,从而影响预测结果的准确性。针对以上问题,提出一种数据驱动的可动态优化组合预测方法。以分析自回归求和移动平均模型、向量自回归模型及支持向量机模型的优点为基础,使用后验概率为每个模型赋予权重,结合误差最小原则动态调整权重。实验结果表明,该方法具有较高的预测精度和稳定性,能满足短时犯罪量预测的需要。     

智慧农业中时序数据组合预测模型

智慧农业是实现农业精准化的技术解决方案,智慧农业系统可以实时监测植物生长的各类环境参数,并可以应用相应的预测模型来模拟农作物生长环境的变化趋势,为科学决策提供依据.近年来有很多学者提出了时间序列的预测模型算法,在预测稳定性方面取得了不错的效果.为了进一步提升时间序列的预测精度,提出一种基于差分整合移动平均自回归模型和小...     

基于组合预测模型的产业总产值的预测研究

对于预测复杂的经济数据来说,选取合适的预测模型将是提高预测精度的关键。本文采用灰色模型与回归模 型的组合预测模型对贵州省高技术产业总产值进行预测,利用了组合模型可以改善线性回归模型中没有考虑指数增长以及灰 色模型中没有考虑线性因素的不足,从而达到提高预测精度的目的。并进行了计算机数值仿真实验表明了组合预测模型的有 效性。     

中长期电网负荷组合预测研究

中长期负荷预测是地区电网系统负荷预测的重要组成部分,对于电网运营成本的节约,电能质量的提高,系统安全稳定运行的保障等具有重要意义.文中采用基于IOWA算子的组合预测模型来研究地区电网中长期负荷预测模型和预测方法,该组合预测模型将RBF神经网络和灰色系统有机结合,既充分发挥单一预测模型的优点,又避免了单一预测模型所存在的...     

基于ARIMA-BP组合模型的房地产价格预测方法研究

针对使用单一预测模型存在数据特征提取不充分,预测精度不高的问题,提出了一种基于ARIMA-BP组合模型的房地产价格预测方法。结合ARIMA模型处理线性问题的优势以及BP神经网络模型在非线性问题上的优势,利用误差方差加权平均训练法训练出最佳权重的组合并建立组合模型对某市区房地产价格和趋势预测进行实证分析。理论分析和实验结果表明,所提两者的组合模型有效解决了不能充分提取数据特征,预测精度不理想的问题,比单一预测模型能获得更准确的预测效果。     

Stock-Price Forecasting Based on XGBoost and LSTM

Using time-series data analysis for stock-price forecasting (SPF) is complex and challenging because many factors can influence stock prices (e.g., inflation, seasonality, economic policy, societal behaviors). Such factors can be analyzed over time for SPF. Machine learning and deep learning have been shown to obtain better forecasts of stock prices than traditional approaches. This study, therefore, proposed a method to enhance the performance of an SPF system based on advanced machine learning and deep learning approaches. First, we applied extreme gradient boosting as a feature-selection technique to extract important features from high-dimensional time-series data and remove redundant features. Then, we fed selected features into a deep long short-term memory (LSTM) network to forecast stock prices. The deep LSTM network was used to reflect the temporal nature of the input time series and fully exploit future contextual information. The complex structure enables this network to capture more stochasticity within the stock price. The method does not change when applied to stock data or Forex data. Experimental results based on a Forex dataset covering 2008–2018 showed that our approach outperformed the baseline autoregressive integrated moving average approach with regard to mean absolute error, mean squared error, and root-mean-square error.