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CS_BPNN的光伏发电功率预测模型研究

光伏发电功率预测对电网的安全稳定运行具有重要意义。通过数据预处理,运用灰色关联度分析计算时序相似度,提高了相似日选取的准确度。提出了基于布谷鸟搜索算法优化BP神经网络的光伏发电功率预测模型,并通过实验的方法分别对晴天、阴天和雨天三种天气类型下的光伏功率进行预测,将其与粒子群优化算法优化BP神经网络模型、BP神经网络模型进行对比。结果表明,基于布谷鸟搜索算法优化BP神经网络的光伏发电功率预测模型,在光伏发电功率预测领域具有更高的精度与稳定性。     

改进的灰色电力负荷预测研究——基于粒子群算法和BP神经网络

本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。     

一种自编码组合优化的成绩预测模型

针对现有成绩预测方法不能有效利用学生成绩数据本质特征的问题,提出一种自编码组合优化的成绩预测模型。该模型采用边缘降噪自编码与堆栈稀疏自编码组合优化的混合式自编码器(HSAE),从历史成绩数据与学生行为数据中,经过无监督的网络训练,学习更具鲁棒性和稀疏性的深层特征。在顶层连接BP神经网络,构成HSAE-BP神经网络模型,实现学生成绩预测。实验结果表明:所提出预测模型的预测准确率相比其他未进行特征学习的浅层预测模型都得到了较好的改善。     

基于BP神经网络与GM(1,N)组合的生产项目后评价模型

通过构造回归方程初步明确了生产项目设备实际生产生产投入与设备的典型表现指标之间的关系.之后建立BP神经网络与GM(1,N)组合的预测模型,预测未来的生产投入.为实现精准投资、投入策略优化提供相应的支撑.     

人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。文中提出了一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法。为了消除单一神经网络预测模型的系统偏差,探讨了组合神经网络时序预测方法;并用实例验证了组合神经网络比单一神经网络的预测精度高。     

基于BP神经网络的LT模型影响力最大化研究

影响力最大化问题的主要目标是挖掘社交网络中影响力排名前k个用户，使影响力发挥至最大效用。为了提高识别用户的准确率，提出一种基于BP神经网络的影响力最大化算法。该算法基于数据驱动方法利用BP神经网络优化预测模型，并使用改进的樽海鞘优化算法识别有效节点。在BA网络中的实验结果表明，该算法优于其他几种影响力优化算法。     

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。     

基于组合预测模型的航空货运吞吐量预测研究

目前对于机场货运吞吐量的预测方法不尽合理,导致预测与实际情况差别较大,为此本文提出将内在影响因素融入组合预测模型,从而对航空货物运输进行预测,使得预测结果更加接近实际情况.本文以香港国际机场为背景,运用Shapley值法将BP神经网络和灰色理论预测模型进行组合,对其航空货运吞吐量进行了实证研究,并将此预测方法推广应用于其他机场的预测.     

基于蚁群算法的改进神经网络备件库存分类模型研究

针对基于BP神经网络的备件库存预测模型的不足,提出基于蚁群算法的改进神经网络算法应用于备件预测模型。首先建立了基于蚁群算法的改进神经网络备件库存分类模型：其次进行了实验分析及对比。验证了模型的可行性。对装备备件预测具有一定的参考价值。     

基于BP神经网络与GM(1,1)组合的北京市物流需求预测模型

通过分析影响北京市物流需求的相关因素,构建北京市物流需求预测影响因素指标体系。运用BP神经网络和GM(1,1)方法,建立北京市物流需求组合预测模型,选取近20年的统计数据对未来五年的物流需求进行预测,得出物流需求总量及变化规律,并以此提出推进北京市物流业发展的有效途径,为物流系统规划提供合理依据及有效发展途径。     

基于人工神经网络的PPI预测模型

将人工神经网络模型引入到工业品出厂价格指数预测领域,利用我国1990年-2008年的工业品出厂价格指数数据,建立了工业品出厂价格指数预测的人工神经网络模型。实验结果表明:基于BP算法的神经网络模型预测精度高,而且收敛速度快,它为工业品出厂价格指数预测工作提供了一种全新的方法。     

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。     

主成分分析—BP神经网络在备件需求预测中的应用

备件需求预测在装备维修保障中占据重要的地位,针对当前主要以经验为主进行估计,与实际需求相差较大,提出基于主成分分析—BP神经网络模型的备件需求预测方法。首先利用主成分分析方法去除原始输入数据的相关性,降低数据维度,减小网络规模,选择合适的隐含层的BP神经网络。最后通过结合实例进行分析,取得较好的效果。     

灰色GM(1,N)方法在股票预测中的应用

对股票价格的预测,直接影响投资者的投资决策,与投资者的经济利益密切相关。股票市场特有的的波动性和不确定性,给股票的预测带来困难。20世纪80年代兴起的灰色系统理论,应用于股市预测的探索已经取得一定成就,已经采用过GM(1,1)模型、灰色神经网络模型、以及灰色马尔可夫模型等预测方法。文中拟采用GM(1,N)模型对股票价格进行预测,并与GM(1,1)模型进行比较,证实了GM(1,N)拥有更好的精度。     

Elman网络在短期负荷预测中的应用

文章介绍的Elman神经网络的短期负荷预测模型,具有模型简单、运算效率高的特点,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷。文章还比较了Elman网络和BP网络结构的建模效果。通过仿真实验证明了Elman神经网络具有动态特性好、逼近速度快、精度高等特点,是一种实用、可靠的负荷预测方法。     

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。     

基于BP神经网络的安徽省物流需求预测研究

利用BP神经网络构建安徽省物流需求预测模型,在初步确定了预测模型的输入指标和输出指标后,通过灰关联分析,验证了两者之间的强关联性。借助MATLAB7.0软件实现了神经网络预测模型的建立,该模型揭示了输入指标与物流需求量指标之间的非线性映射关系。对训练好的网络进行仿真预测,预测精度较高,说明基于BP神经网络的物流需求预测模型是有效的。