基于灰色BP神经网络模型的电网工程造价预测研究

提高电网工程造价预测水平,是在巨大投资精益化管理要求的大环境下,精准化实现控制成本、提高投资效率的重要保障。为提高工程造价预测精准度,针对BP神经网络模型易陷入局部极小值、收敛速度慢、预测不够准确及灰色预测模型光滑离散度低、未考虑分布规律等缺点,提出将BP神经网络模型和灰色预测模型相结合的方式,构建一套基于灰色理论的BP神经网络预测模型。     

结合相似日与改进神经网络的短期光伏发电预测

为提高光伏发电预测精度,本文运用灰色关联理论分析历史气象数据,筛选出与待测日天气数据关联度较高的历史数据组作为相似日集合。建立经思维进化算法优化的BP神经网络预测模型,将上述相似日集合作为训练样本代入预测模型用于预测光伏发电功率。以澳洲某光伏系统的数据为例进行预测,结果表明,相比传统BP神经网络法、RBF神经网络,结合相似日与思维进化算法优化神经网络的光伏短期发电预测方法具有更高的预测精度。     

房价预测模型的比较研究

本文以全国历年房屋年平均销售价格作为原生时间数据序列,根据其特点建立了灰色-马尔柯夫预测模型和n次多项式模型,并比较了这两种模型的预测精度.算例的研究结果表明,在预测房价时五次多项式模型比灰色-马尔柯夫模型的预测精度要高.故适当的n次多项式模型可为房价预测提供较准确一种预测模型.     

基于灰色-马尔柯夫模型的建筑安全事故死亡人数预测

建筑安全事故预测是建筑安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔柯夫链理论适用于预测随机波动大的动态过程.结合灰色预测和马尔柯夫链理论的优点,提出了一种灰色马尔柯夫预测模型,并运用灰色-马尔柯夫模型,对1999～2009年全国建筑安全事故死亡人数进行了预测分析.结果表明,该模型既能揭示死亡人数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性.     

灰色模型的优化及其在沉降数据分析中的应用

本文利用Matlab根据灰色系统理论建立GM模型对变形数据进行分析预测进一步探讨了灰色模型参数的优化、累加生成次数对模型精度的影响、模型处理变形数据的跨度,并利用Matlab语言编写了变形数据处理程序实现了变形预测模型的建模和预测。     

灰色神经网络模型应用于证券短期预测研究

证券市场中存在大量的非线性及混沌现象使得许多基于证券投资理论建议的各种线性模型在对其发展进行预测时往往得不到很好的结果。利用两种非线性预测模型并充分考虑各技术指标之间的序列相关性,在灰色GM(1,1)预测模型的基础上提出了组合灰色神经网络预测模型。通过对近期深证成指及首钢股份进行短期预测和检验,结果表明了该方法具有很高的精确度及广泛的应用前景。     

基于残差灰色预测模型的用电量预测

为提高用电量的预测精度,适应电力营销需求,在传统灰色预测技术的基础上,本文建立了残差灰色预测模型,并通过实例分析验证了该模型的实用性和精确性.     

中国碳排放的组合预测与减排缺口分析

预测我国碳排放量的变动趋势,对国家进行宏观经济管理和碳减排工作具有重要的参考价值。（1）利用中国1997～2011年碳排放数据,分别采用三次指数平滑模型、灰色模型、二次指数模型建立中国碳排放的单项预测模型;（2）采用标准差法进行非负权重分配,建立了中国碳排放的组合预测模型,结果表明,组合预测模型的精度高于单项预测模型。（3）应用该组合模型对中国2014～2026年的中国碳排放量。预测表明,中国碳排放存在较大的减排缺口,碳减排需要从优化产业结构、优化能源消费结构和改善能源利用效率上进行。     

民用汽车保有量的灰色预测模型研究

一、灰色数列预测模型建立 灰色预测指以GM(1,1)模型为基础所进行的预测。灰色模型有五种:(1)数列预测;(2)灾变与异常值预测;(3)季节灾变与季节异常值预测;(4)拓扑预测;(5)系统预测。本文对汽车保有量的预测采用灰色数列预测。 本文对传统的GM(1,1)模型的建立过程进行了改造,用线性回归来建立GM(1,1)模型,用显著性检验方法代替关联度和后验着进行精度检验和参数识别。     

灰色预测模型及其在故障预测中的应用

灰色系统理论属于系统科学,它提供了在贫信息情况下求解系统问题的新途径。一个运行的设备实际上是一个灰色系统,由于其复杂、多变,很难甚至不可能获取完备的信息,这时,灰色系统模型就显现出突出的优越性。本文论及的灰色系统方法,是进行故障诊断的一种新方法。依此法,在对设备运行状态进行定性分析基础上,充分运用灰色模型技术进行量化研究,对设备故障的劣化程度及趋势进行预测,以求设备运行于最佳状态。通过对某一大型空气压缩机轴向止推轴承     

基于灰色模型和最小二乘机原理的区域水资源供需组合预测研究

文章将灰色模型和最小二乘机模型进行组合,并将组合模型用于辽宁西部区域水资源供需预测中。研究结果表明:组合模型可综合考虑不同模型的优点,进行加权组合预测,相比于单一预测模型,组合预测模型在区域水资源供需预测中具有较高的预测精度,预测误差得到明显改善。研究成果对于区域水资源供需预测方法提供参考。     

基于ARIMA-GRACH模型的现货电价预测

通过建立ARIMA预测模型对现货电价进行预测,并对ARIMA模型存在的异方差问题通过GARCH模型进行修正。实证算例中,采用北欧四国电力市场数据,与ARIMA和灰色GM（1,1）模型进行比较,表明ARIMA—GARCH模型的预测精度更高,预测误差更小。     

遗传算法优化的小波神经网络在短期电力负荷预测中的应用

本文利用遗产算法的全局优化搜索能力来优化了小波神经网络,建立了基于遗产算法的小波神经网络短期电力负荷预测模型,克服了BP神经网络自身算法的缺陷,得到了更高的学习精度和更快的收敛速度,经实例也验证了该模型能有效地提高预测精度,减小负荷预测误差,避免了BP神经网络的固有缺陷.     

基于回归-ELM神经网络模型的滑坡变形及失稳预测模型

为准确预测滑坡的变形趋势,有效预防滑坡灾害的发生,提出了基于变形预测和检验的趋势判断模型。首先,利用回归分析,拟合得到滑坡的变形曲线,再利用组合权值,实现拟合结果的组合,得到滑坡变形的初步预测结果;其次,利用极限学习机(ELM神经网络)对初步预测结果进行误差修正,将修正结果与初步预测结果进行叠加,得到滑坡变形的综合预测值;最后,利用秩相关系数检验与Mann-Kendall检验,对滑坡变形趋势进行判断,以验证预测结果的准确性。经过实例检验得出,预测模型的预测效果较好,其组合预测及误差修正均能不同程度地提高预测精度及稳定性,且两检验模型的结果均与预测结果相符,相互验证了其可靠性。因此,预测模型能对滑坡变形趋势进行综合判断,为滑坡的变形研究提供了一种新的思路。     

混沌神经网络在球磨机故障诊断中的应用

针对神经网络极易陷入局部极小的问题,采用引入动量项和混沌映射的改进BP算法,讨论引入动量项和混沌映射的神经网络综合模型的建模思路及其算法实现;介绍球磨机常见的故障类型,建立球磨机故障诊断的混沌神经网络模型,进行仿真试验,结果表明:该模型具有较高的预测精度,可以有效地运用于球磨机诊断中的故障预测。     

国际煤炭市场价格预测的复合小波神经网络模型研究及应用

我国加入ＷＴＯ后 ,煤炭市场也必将与国际煤炭市场接轨 ,合理准确地预测国际煤炭市场价格的趋势与走向 ,对我国的煤炭出口、生产以及投资决策都具有十分重要的意义。近年来 ,灰色预测模型和人工神经网络模型用于非线性时间序列预测较为引人注目 ,其优点是它们在建模时都不需要计算统计特征 ,从理论上讲 ,可以适用于任何非线性时间序列的建模 ,但也有其不足之处。灰色预测方法由于其模型特点 ,比较适合于具有指数增长趋势的实际问题 ,对于其它变化趋势 ,则有时拟合灰度较大 ,导致精度难以提高。人工神经网络方法在应用中难以科学地确定网络结…     

非线性灰色预测模型在房地产投资价格中的应用

房地产价格预测是房地产投资决策必不可少的工作之一。本文用非线性灰色预测模型，对房地产投资价格进行了预测分析。通过实例证明此模型具有要求样本数据少、运算方便、短期预测精度高等优点，在房地产投资价格预测中能取得令人满意的效果。     

灰色预测模型在陕西省电力消费量预测中的应用

电力消费是人们日常生活必不可少的,随着城市的大力发展,有效地对电力消费进行预测显得越来越重要。本文采用灰色预测模型GM(1,1),建立陕西省电力消费量预测GM(1,1)模型,验证预测精度,进一步对2011-2015年陕西省的电力消费量进行预测,为今后陕西省的电力规划提供参考价值。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

遗传算法优化BP神经网络的岩质边坡稳定性预测

为了解决边坡工程中非线性变化给稳定性预测造成的困难,建立了GA-BP神经网络计算模型预测岩质边坡稳定性。采用定性评价和相互作用矩阵复核的方式,选取边坡坡度、边坡高度、斜坡结构类型、岩体强度、控滑结构面倾角、岩体结构特征、地表变形强度、人类活动强度8个评价因子作为BP神经网络的输入变量;利用遗传算法对神经网络的初始权值和阈值进行优化后训练岩质边坡稳定性预测模型;对比分析GA-BP神经网络和BP神经网络的预测效果。结果表明,优化后的预测结果误差绝对值小于0.15的占85%,未优化的传统神经网络仅占45%,优化后的预测结果更加接近真实值,表明遗传算法对传统BP神经网络的优化是有效的。研究结果对建立岩质边坡稳定性预测模型具有一定的参考价值。