基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

基于小波变换和极限学习机的网络流量预测模型

为了提高网络流量预测准确性,结合网络流量的变化特点,针对当前网络流量预测模型存在的局限性,设计了基于小波变换和极限学习机的网络流量预测模型。首先分析了当前国内外网络流量预测研究现状,找到引起网络流量预测准确性差的原因;然后采用小波变换对原始网络流量时间序列进行去噪,得到无噪声的网络流量时间序列;最后采用极限学习机对网络流量时间序列进行建模,得到相应的预测结果。与当前经典的网络流量预测模型在相同环境下进行对照测试,测试结果分析表明,小波变换和极限学习机的网络流量预测精度达到了95%以上,网络流量预测误差得到了有效的控制,而且提升了网络流量预测效率,预测结果要远优于当前经典的网络流量预测模型。     

基于改进自适应卡尔曼滤波的电力大负荷预测与计费研究

电力大负荷预测是电力公司进行高效电力系统规划和运行的重要基础;为了提高电力负荷预测精度进而更加有效地估计电力计量与计费,创新地提出了一种基于改进的自适应卡尔曼滤波(AKF)的电力大负荷计量计费预估方法;分析了电力负荷预测研究现状,针对传统卡尔曼滤波算法不足,引入自适应遗忘因子对卡尔曼滤波算法进行改进,建立数学模型、整定因子调整模型关键参数,得到电力大负荷数据的预测值,最终通过计量计费转换公式得用电量以及电费计量预估值;仿真结果表明：基于AEKF的电力大负荷计量预测方法的负荷预测结果与实际结果误差小于1.35%,电力计费预测结果与实际结果相对误差小于1.263%;应用实例证明：基于AEKF的电力大负荷计量计费预估方法,能够提高电力公司的调度效率12%,增加电费营收5.3%～12.2%。     

道路通行能力实时校正技术研究

针对目前道路通行时间预测的不确定性和预测精度不高等缺点,论文提出了一种可应用于道路通行能力预测方面的实时校正技术.将现代系统理论中的实时校正技术应用到交通行程时间的预测模型中,建立相应的预测时间误差实时校正模型,以进一步提高交通时间的预测精度.论文将实测数据的去噪值、预测值及实时校正值进行对比,对比结果表明,应用实时校正技术后可以较好地提高道路行程时间预测的准确性、可靠性和精度.     

Optimal parameters estimation and input subset for grey model based on chaotic particle swarm optimization algorithm

Optimum prediction is a difficult problem, because there are no optimal models for all forecasting problems. In this paper, the authors attempt to find the high precision prediction for grey forecasting model (GM). Considering that chaotic particle swarm optimization algorithm (CPSO) will not get into local optimum and is easy to implement, the paper develops an approach for grey forecasting model, which is particularly suitable for small sample forecasting, based on chaotic particle swarm optimization and optimal input subset which is a new concept. The input subset of traditional time series consists of the whole original data, but the whole original does not always reflect the internal regularity of time series, so the new optimal subset method is proposed to better reflect the internal characters of time series and improve the prediction precision. The numerical simulation result of financial revenue demonstrates that developed algorithm provides very remarkable results compared to traditional grey forecasting model for small dataset forecasting.     

基于集成学习的中小河流洪水预报

为解决传统数据驱动的洪水预报方法预报误差较大以及传统集成学习预报方法各个子网络间无法交互的问题,本文在单个模型预测基础上,选取异构的BP、CNN、LSTM神经网络,建立基于负相关学习的神经网络集成洪水预报模型,通过显式地添加正则化项对模型进行整体的误差-方差分解和分歧分解,使集成神经网络中各子网络之间并不完全独立,以保证集成模型的多样性,从而提高最终模型的预测准确率。在安徽屯溪流域的实验表明,基于负相关学习的模型可以有效地对洪水过程进行预报,与传统使用单个模型相比预测结果精度更高。     

基于Adaboost算法和BP神经网络的税收预测

针对传统税收预测模型精度较低的问题,提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值;然后初始化BP神经网络权值和阈值,并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990—2010年税收数据进行仿真实验,结果表明该方法相比传统BP网络预测,平均误差相对值从0.50%减少到0.18%,有效地降低了单个BP陷入局部极小的影响,提高了网络预测精度。     

话务量预测模型的建立与仿真研究

研究话务量预测精度问题,由于话务量受到节假日、周末等影响,记录数据浮动性大,存在周期性和时变性等特点。传统预测方法对工作日和节假日话务量采用同一个模型预测,导致预测结果不稳定,时高时低。为了提高话务量预测精度,针对话务量变化特点,提出一种支持向量机的话务量预测模型。利用话务量数据分正常工作日和周末两大类,再分别用支持向量机建立预测模型,采用模型对相应时间段话务量进行预测。实验结果表明,支持向量机模型提高了话务量预测精度,减少了预测误差,更准确刻画了话务量变化规律,为话务量网络管理提供了一种新的预测工具。     

可容忍预测误差及其在汇率组合预测中的应用

鉴于传统的最优化组合预测模型确定权重的方法未考虑到数据中极端值的影响,存在一定的局限性。为了更好地提高组合预测的精度,提出了预测结果可容忍误差的相关概念。将其应用到每种单项预测结果及组合预测结果的效果分析中,提出了一类基于可容忍误差的最优化组合预测模型,从而确定组合预测中各单项预测方法的权重。以2016年1月4日至2018年6月12日日元兑换美元日汇率收盘价的数据为例验证了模型的可行性和合理性。结果表明,所提出的最优化模型能够有效提高组合预测的精度。     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率。为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型。首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网络和注意力机制来共同构建预测模型。实验结果表明由于同时考虑了交通速度数据的时空特性,本文模型均方根误差、平均绝对误差和平均绝对百分比误差均小于传统模型和单个模型,验证了提出的模型预测精确度更高。     

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

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。     

三支残差修正的燃气负荷预测

燃气负荷的准确预测对于燃气调度、规划燃气使用有着重要的意义。单一的预测模型在燃气负荷预测中不能取得很好的预测效果,故基于燃气负荷数据的特点设计了一种三支残差修正的燃气负荷组合预测模型。首先基于燃气负荷数据特点,采用鲁棒局部加权回归对负荷序列进行了分解,针对分解后的趋势项、周期项、余项设计了ARIMA(autoregressive integrated moving average)和LightGBM(light gradient boosting machine)的组合预测模型,然后结合三支决策理论设计了三支残差修正法对LightGBM的预测结果进行修正。实验结果表明该组合模型的表现良好,预测效果优于常见单一模型。     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

基于正则化GRU模型的洪水预测

针对传统神经网络模型在洪水预测过程中存在准确性低、过拟合等问题,本文以赣江流域外洲水文站每月平均水位为研究对象,提出基于正则化GRU神经网络的洪水预测模型来提高洪水预报精度.选用relu函数作为整个神经网络的输出层激活函数,将弹性网正则化引入到GRU模型中,对网络中输入权重w实施正则化处理,以提升GRU模型的泛化性能,并将该模型应用于外洲水文站每月平均水位的拟合及预测.实验对比表明,弹性网正则化优化后的模型预测拟合程度较高,合格率提高了9.3%,计算出的均方根误差较小.     

基于局部高斯过程的短期风速预测

准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。     

Short-term wind speed forecasting based on a hybrid model

Wind power is currently one of the types of renewable energy with a large generation capacity. However, operation of wind power generation is very challenging because of the intermittent and stochastic nature of the wind speed. Wind speed forecasting is a very important part of wind parks management and the integration of wind power into electricity grids. As an artificial intelligence algorithm, radial basis function neural network (RBFNN) has been successfully applied into solving forecasting problems. In this paper, a novel approach named WTT–SAM–RBFNN for short-term wind speed forecasting is proposed by applying wavelet transform technique (WTT) into hybrid model which hybrids the seasonal adjustment method (SAM) and the RBFNN. Real data sets of wind speed in Northwest China are used to evaluate the forecasting accuracy of the proposed approach. To avoid the randomness caused by the RBFNN model or the RBFNN part of the hybrid model, all simulations in this study are repeated 30 times to get the average. Numerical results show that the WTT–SAM–RBFNN outperforms the persistence method (PM), multilayer perceptron neural network (MLP), RBFNN, hybrid SAM and RBFNN (SAM–RBFNN), and hybrid WTT and RBFNN (WTT–RBFNN). It is concluded that the proposed approach is an effective way to improve the prediction accuracy.     

包容性检验和SVM相融合的网络流量预测

模型选择对网络流量组合预测结果至关重要,为了提高网络流量的预测效果,提出一种包容性检验和支持向量机相融合的网络流量预测模型（ET-SVM）。采用多个单一模型对网络流量进行预测,根据预测结果的均方根误差对模型优劣进行排序,通过包容性检验,根据t统计量检验选择最合适的单一模型,采用支持向量机对单一模型预测结果进行组合得到最终预测结果,通过仿真实验对模型性能进行测试。仿真结果表明,ET-SVM降低了网络流量的预测误差,预测精度得到了提高。     

一种基于LSTM模型的日销售额预测方法

精准的销售额预测对于商业运营有非常大的指导意义,可以指导运营后台提前进行合理的资源配置,帮助管理者制定合理的目标。零售商店日销售额预测指从商店已有日销售额的数据资料中总结出商品销售额的变化规律,并根据该规律动态预测未来一段时间内的日销售额。预测目的是通过增加企业销量,从而完善生产模式,使企业获利。目前,现有的关于商品销售额预测方法的精度大都不高,低于85%。因此,提出了一种基于TensorFlow的LSTM模型的零售商店日销售额预测方法,能够提高预测未来一周的日销售额精度。实验结果显示,预测精度达到90%;同时得到LSTM模型的MAPE为0.031932,MAE为168.3207,明显高于现有模型的预测结果。     

基于改进的灰色模型的旅游需求预测研究

针对海南省旅游需求预测问题,对传统的灰马尔科夫模型进行改进,提出了一种动态优化子集模糊灰马尔科夫预测模型。该模型首先根据GM(1,1)模型预测结果的平均绝对误差百分比,通过输入子集法来确定最优输入子集个数;然后利用模糊集理论,将计算出的隶属度向量作为马尔科夫转移矩阵向量的权重,以修正预测值。为了能够根据时间推移进行预测,建立了等维递补的动态预测模型。实验以海南省各市县旅游饭店接待情况为例,验证了该模型可以有效地提高预测数据的准确性。