基于改进灰色模型的手机回收量预测及其空间分布研究

我国的手机行业发展迅速,随之带来的则是大量的废旧手机,这些废旧手机有着丰富的贵金属,合理回收并利用可以带来收益、减少环境污染。但手机的回收量有着高度不确定性,这对企业回收以及优化逆向物流的网络带来很大挑战。基于此,文章通过改良的灰色预测模型对废旧手机回收量进行预测,并对其空间分布进行了研究,为后续废旧手机逆向物流网络的设计与优化提供一定参考。     

基于灰色理论和BP神经网络的房地产价格指数预测

房地产价格指数反映房地产市场价格波动的方向和趋势,是有效地进行房地产市场分析的一种必要工具,对其的预测直接影响到众多干系人的决策,关系到各干系人的切身利益,因而对预测结果的精确度要求很高。本文运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,以Matlab为工具,对房地产价格指数进行预测。此组合模型融合了灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。并且,以中国房地产价格指数为例进行预测,结果证明了该组合模型的优势,为房地产价格指数预测研究提供参考依据。     

基于GNNM(1.1)模型的货运量及货运周转量预测

通过各种算法对货运指标进行有效预测,对于把握未来货运发展趋势有着非常重要的作用。文章将灰色预测与神经网络预测方法进行了有机结合,建立了一个基于灰色神经网络的预测(GNNM)模型。通过模型对货运量及货运周转量进行了预测,得到了较满意的结果,表明了模型具有较高的可靠性及实用性。     

湖南专利申请量的灰色组合模型预测

针对灰色模型预测效果不佳,对其进行了改进,并对改进前后的灰色模型建立了3种组合模型。结果表明,和传统的灰色模型相比,组合模型预测结果更可靠,可应用于实践中。最后,运用方差倒数法组合模型,对2013年的湖南专利申请量进行了预测。     

湖南专利申请量的灰色组合模型预测

针对灰色模型预测效果不佳,对其进行了改进,并对改进前后的灰色模型建立了3种组合模型。结果表明,和传统的灰色模型相比,组合模型预测结果更可靠,可应用于实践中。最后,运用方差倒数法组合模型,对2013年的湖南专利申请量进行了预测。     

基于BP神经网络的民用汽车运力灰色回归组合预测研究

文章根据组合预测的理论和BP神经网络对非线性数据良好的逼近特性。提出了基于BP神经网络的灰色预测、多项式回归模型的民用汽车运力组合预测模型。此模型综合了各单一模型的有效信息．能够比较客观地反映地区民用汽车运力的发展趋势．为相关部门提供决策依据。     

基于BP神经网络的铁路货运量组合预测

在介绍了BP神经网络及组合预测的基础上分别采用灰色预测法、S曲线以及指数函数对昆明市铁路货运量的历史数据进行了单项拟合预测,再利用BP神经网络对三项拟合预测结果进行了组合预测.结果表明,基于BP神经网络的组合预测方法比单一预测方法在预测精度上有很大提高,验证了该方法的有效性.     

组合灰色预测模型对物流需求预测效果的分析

在线性回归与GM(1,1)组合模型对物流需求量预测,可取得优于单方法预测效果的前提下,将线性回归法运用到与DGM(1,1)模型进行组合,检测该组合灰色预测模型对物流需求量预测效果。通过对国内2001-2012年物流需求量历史数据的分析,发现组合灰色预测模型的预测效果优于线性回归模型,但低于DGM(1,1)模型,最后利用线性回归模型、DGM(1,1)模型、简单平均组合模型和组合灰色预测模型对国内2013-2017的物流需求量进行了有效预测。     

组合灰色预测模型对物流需求预测效果的分析

在线性回归与GM（1,1）组合模型对物流需求量预测,可取得优于单方法预测效果的前提下,将线性回归法运用到与DGM（1,1）模型进行组合,检测该组合灰色预测模型对物流需求量预测效果。通过对国内2001-2012年物流需求量历史数据的分析,发现组合灰色预测模型的预测效果优于线性回归模型,但低于DGM（1,1）模型,最后利用线性回归模型、DGM（1,1）模型、简单平均组合模型和组合灰色预测模型对国内2013-2017的物流需求量进行了有效预测。     

工业用电市场用电量组合预测方法研究

在总结现有用电量预测的主流方法基础上,对工业用电量数据特征进行分析,提出一种新的工业市场用电量预测方法。文章通过分析文献,总结了当前主流预测模型和方法的优势和劣势,从而提出灰色预测和梯度提升回归的组合模型。针对文章建立的模型,使用某地区四年实际用电量数据,与传统灰色预测模型、神经网络模型、单一梯度提升回归模型的预测结果进行对比,发现该组合模型在数据量较少或数据量比较充足的情况下,预测精度和稳定性很高,证明了所建立模型可靠性和有效性。     

人工神经网络用于短期电力负荷预测网络结构初探

目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替。BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型（网络结构）进行了讨论。     

基于神经网络集成的失业预警方法

提出采用神经网络集成技术对中国失业预警系统进行建模,以克服当前失业预警系统建模中存在的小样本、高维度、非线性、噪音数据等难题。采用BP神经网络回归模型对失业率进行预测;基于两种集成技术Bagging与AdaBoost对多个神经网络进行集成,以获得比单个预测模型更好的精度与稳定性;最后基于广东省的社会经济调查数据进行了实证分析,实验结果表明:在对失业率的预测上,Bagging集成方法的预测效果优于Adaboost集成方法,也优于单个最好的神经网络模型。     

基于IOWA-FAHP的物流需求组合预测模型

面向物流需求的预测问题,提出了一种基于诱导有序加权平均算子和模糊层次分析法相结合的组合预测模型。首先,采用诱导有序加权平均算子建立组合预测模型,并基于历史数据解算各单项预测模型的加权系数;然后,针对组合预测模型中各单项模型的加权系数确定问题,引入模糊层次分析法,得到各单项预测模型的公平排序,进而确定各单项预测模型在预测年的诱导值序列,从而预测出相应物流需求量;最后通过应用算例验证了该模型的正确性和可靠性。     

安徽省能源需求的组合预测

根据预测理论,结合安徽省历年能耗的数据,在建立能源需求单项预测模型的基础上,建立组合预测模型,对2008～2014年的能源需求量进行预测。结果表明:组合预测模型的精度高于单项预测模型;安徽省能源需求量正以较快的速度在增长。     

人工神经网络技术在物流需求量预测中的应用

运用人工神经网络模拟人脑的思维过程,建立了多个变量之间的非线性模型,从而为准确预测物流需求量提供了科学的依据。     

Bagged neural networks for forecasting Polish (low) inflation

Accurate inflation forecasts lie at the heart of effective monetary policy. This paper utilizes a thick modelling approach in order to investigate the quality of the out-of-sample short-term headline inflation forecasts generated by a combination of bagged single hidden-layer feed-forward artificial neural networks. The model’s accuracy rises during the period of consistently falling and persistently low inflation in the emerging economy of Poland, and it statistically outperforms some of the popular benchmarks more frequently, especially at longer horizons. However, dispensing with data preprocessing and bootstrap aggregation compromises its forecasting ability severely. Combining linear and non-linear univariate and multivariate approaches with diverse underlying model assumptions delivers further gains in predictive accuracy and statistically outperforms a panel of benchmarks in a number of cases. While the vague interpretability of the model poses a considerable hurdle for policy makers, its inclusion in the forecasting toolbox should increase the accuracy of the ensemble of models, especially in periods of structural change.     

Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition

In this work we introduce the forecasting model with which we participated in the NN5 forecasting competition (the forecasting of 111 time series representing daily cash withdrawal amounts at ATM machines). The main idea of this model is to utilize the concept of forecast combination, which has proven to be an effective methodology in the forecasting literature. In the proposed system we attempted to follow a principled approach, and make use of some of the guidelines and concepts that are known in the forecasting literature to lead to superior performance. For example, we considered various previous comparison studies and time series competitions as guidance in determining which individual forecasting models to test (for possible inclusion in the forecast combination system). The final model ended up consisting of neural networks, Gaussian process regression, and linear models, combined by simple average. We also paid extra attention to the seasonality aspect, decomposing the seasonality into weekly (which is the strongest one), day of the month, and month of the year seasonality.     

基于模糊神经网络的商品价格预测模型

为了方便地预测大型商品的价格,建立了一个模糊神经网络预测模型。该模型能够通过分析影响商品价格的各种参数及历史数据来评定一个新商品的大致价格水平。同时,在比较了FNN与ANN的基础上得出了FNN的优势。     

Logistic-BP神经网络的变权组合模型在公司信用评级中的应用

对公司建立信用评价模型,以便及早发现信用危机信号,不仅有利于公司的经营管理,也有利于投资人的投资决策。采用logistic回归模型和BP神经网络相结合的变权组合评价方法,试图寻找出降低公司信用风险的有效措施。试验结果表明,变权组合预测模型不仅有较高的预测精度,同时也有较好的稳定性,变权组合模型优于单一模型。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。