奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用研究

以辽宁省某气象站为研究对象,其月降水量的数据的处理利用奇异谱分析,并以此提取多个子序列,然后针对不同子序列采用支持向量回归机构建耦合预测模型SSA-SVR,对模型输出结果求和即为预测结果;最后采用耦合模型SSA-SVR、小波分析预测模型WA-SVR、支持回归机模型SVR对不同步长的月降雨量进行预测。研究表明:所构建的SSA-SVR耦合模型其预测结果具有较高的精度和准确性,能较好地揭示出研究区域的月降水量变化特征,预测结果与实测值具有保持高度的一致性。     

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。     

水泥分解炉温度预测与控制方法研究

分解炉是水泥生产线中最主要的设备之一,准确预测并保证分解炉出口温度是实现水泥优质、高效生产的技术保障。本文以现场易检测并与分解炉出口温度直接相关的数据为依据,构建了基于IPSO-SVR的预测模型,并验证了该预测方法的优越性。最后,提出了一种基于该预测模型的模糊控制算法,以使分解炉出口温度稳定在技术允许的范围内。     

基于数据挖掘的生产技改项目投资预测研究

随着我国经济社会不断进步和生产能力迅速发展，电网技改工程项目数量日益增加，技改项目种类日益多样，管理难度也逐渐增大，提升其造价预测的准确性对于提升电网企业的经济效益和社会效益具有重要作用。工程项目投资预测目前主要采用传统预测模型，传统预测模型存在精度不高、容易出现过拟合现象等问题。而随机森林算法的整体性能突出，预测效果较好。文章基于实际工程数据，构建基于随机森林算法的生产技改投资预测模型，用以预测项目的投资情况，并将其预测性能与线性回归模型和SVM模型进行对比。结果表明，当预测范围在训练集样本范围内时，基于随机森林算法的生产技改投资预测模型的预测精度较高，稳定性较好，为生产技改投资预测提供了一种新途径。     

基于遗传算法优化ELM模型的小型水利工程沉降预测研究

为找出适用于小型水利工程沉降预测的标准方法,本文基于遗传算法GA优化极限学习机ELM模型、3种不同的ELM激活函数,得到6种计算模型,并根据输入地下水动态、降水量、气温和土质变化情况4项指标的2种输入组合形式,共计12种模型输入,得出最优沉降预测模型,结果表明:GA-ELM_(sin)模型表现出了较高的精度,同时遗传算法可提高ELM模型计算精度,地下水动态是影响沉降的主要因素。     

基于多元线性回归与BP神经网络分析的失业预测建模实证研究

本文首先构建失业综合指数及其测算指标体系,用来客观地反映失业状况;其次通过文献研究、发放问卷调查等分析方法,并在考虑数据可获得性、可靠性等前提下,初步整理出影响失业的相关因素,以2000~2012年各季度对应的数据,对失业综合指数及其影响因素进行多元线性逐步回归分析,从中筛选出影响显著的因素,构建失业综合指数预测模型。同时基于线性相关分析筛选的结果,构建BP神经网络预测模型,同样对失业状况进行预测,并与多元回归预测模型的预测结论进行比较,结果发现后者预测性能高于前者。     

基于小波变换和贝叶斯证据推断框架下的LS—SVM短期风速预测

基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机（LS-SVM）回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1h的预测,预测的平均绝对百分比误差为7．63％,提高了预测精度。预测结果表明：基于贝叶斯证据推断框架下的LS—SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。     

改进的GM(1,1)模型在区域降水量预测中的应用研究

通过引入变量权重系数对传统灰色动态预测模型各变量赋予权重值,对传统GM(1,1)进行改进,并将改进的GM(1,1)模型运用区域的降水量预测中。研究结果表明:改进的GM(1,1)模型可以更好的考虑变量之间的权重,改善传统模型的计算收敛精度。在对年降水量的预测中,改进的GM(1,1)模型可通过置信度为95%的F检验,相比于传统模型,改进的模型在区域2个降水站点年降水预测相对误差分别减少9.3%和17.52%。改进的GM(1,1)模型在夏季F检验的决定系数和F值均最高,冬季最低。研究成果对于区域降水量的预测提供参考价值。     

基于数据挖掘算法的变压器热点温度时序预测方法

为了解决油浸式电力变压器热点温度预测方法缺乏对短期热点温度走势的预测,无法满足动态增容决策要求的问题,以SFPSZ-180000/220型变压器为研究对象,首先,研究对比发现变压器的热点温度与负载率相关性最大,在此基础上,建立了基于支持向量回归的局部地区负荷预测模型,为变压器热点温度预测提供数据;其次,提出了基于数据挖掘算法的变压器热点温度时序预测方法,并在此基础上分别建立了支持向量回归、BP神经网络、决策树3种数据挖掘预测模型;最后,对一般输入-输出的建模方法的预测结果与基于时间延迟方法的预测结果,以及不同时间延迟下3种数据挖掘模型的预测结果进行了对比分析。结果表明,有外在输入的支持向量回归预测模型结果比BP神经网络和决策树吻合度更高,并且时间延时更小,预测结果精确度更高。有外在输入的支持向量回归预测模型在很大程度上提高了变压器热点温度预测精度,其预测结果可为变压器的动态增容决策提供有效参考。     

区域经济预测模型的研究

本文介绍了几种基于定量分析的经济预测模型,提出了一个面向区域经济指标的组合预测模型。给出了确定组合模型中权系数的方法。研究结果表明组合预测是提高预测精度的有效方法,组合预测方法对区域经济的预测决策具有一定的现实意义。     

基于长短期记忆网络的轨道交通短期OD客流量预测

为了更准确地掌握轨道交通客流在线网中的时空分布,更高效地匹配客流需求与运输能力,实现提高轨道交通运输效率、改善运营服务质量的目的,提出了一种基于长短期记忆网络的短期OD(交通起止点)客流量预测方法。以历史客流数据为基础,定性分析车站间OD客流量的时空相关性,利用回归分析法定量分析客流影响因素,筛选出运营时刻、运营日特征、最低气温3个时间特征。为提高预测精度,以长短期记忆网络为基础,结合时间特征,为每对起讫点单独构建预测模型,形成了基于长短期记忆网络的轨道交通短期OD客流量预测模型。以苏州市为例进行验证,结果表明,加入了时间特征的短期OD客流量预测模型较移动平均模型、仅利用历史客流数据训练的基于LSTM网络的短期OD客流量预测模型,预测结果与真实值之间的误差降低了6.27%～8.58%,所提出的方法和模型可为轨道交通运营部门制定列车运行计划、组织客运工作提供更准确的数据资料。     

煤层气多分支井产能预测研究

煤层气多分支井产能预测具有重要意义,然而煤层气储集、渗流方式不同于常规气藏,准确的产能预测难度很大。本文基于物质平衡法,综合考虑煤基质收缩、裂隙应力敏感性,建立了煤层气多分支井产能预测模型,并将其应用到沁水盆地樊庄区块煤层气井的产能预测中,通过与该区块实际产气量进行对比,结果表明该模型预测结果较为准确,产气峰值之后产气预测更为精确。     

基于可计算一般均衡的货运量预测模型

现有货运量预测模型大多未考虑货运交通成本及与之相关的政策因素的影响,导致许多货运量预测结果与实际值偏差较大,对诱增货运量预测不足.本文回顾了现有货运预测模型,并简要分析其优劣和适用范围,进而提出基于可计算一般均衡(CGE)的货运量预测模型.利用该模型对重庆市的货运量进行预测模拟,并与其它模型进行比较,结果表明本模型具有更好的预测效果.     

提高矿井地测防治水预测预报精准性的技术创新研究

在地质和水文地质条件都比较复杂的矿井中,多会受到突发水害或顶板等事故的影响,这就成为严重制约一个矿井进行安全、高产高效生产的主要因素。那么,矿井地测的工程技术人员可以从完善和强化地质预报方面来入手,并通过预报的全过程来控制,逐头逐面的进行全覆盖的管理,这样便可以提升地测防治水预测预报的精准性,依靠精准预测预报方面的技术,来实现采掘前方的水害隐患透明化,采取针对性的水害防治措施,实现矿井长期的安全高产、高效的生产。     

灰色神经网络在轴承故障预测中的应用

为提高旋转机械中滚动轴承故障预测的精度,提出灰色神经网络预测模型。利用训练样本数据,使用灰色神经网络模型完成训练过程;基于已训练好的模型对未来时间点的运行状态进行拟合,实现轴承的故障趋势预测。相比采用单一的BP神经网络预测模型,该组合模型具有较高的精度,对轴承故障趋势预测有一定的现实意义。     

基于BP神经网络的短期负荷预测

电力系统负荷预测的重要性、分类和主要预测方法,BP神经网络算法的基本理论和预测过程,建立基于BP神经网络的短期负荷预测模型,以加州24 h的电力负荷预测为例进行MATLAB仿真,结果显示预测精度符合电力系统要求。     

基于灰关联度的大型科研项目费用风险预测模型

根据大型科研项目及其风险的特点,提出其风险损失主要体现于费用风险,费用风险预测是风险评估的重要内容;对多种费用预测方法进行比较分析,阐述了灰色系统理论应用于费用风险预测的科学合理性;最后构建了基于灰关联度的大型科研项目费用风险预测模型,并应用于实践,较好地解决了相似项目选取、项目总费用和各期费用估算,以及费用波动的预测问题,具有一定的实用价值.     

气候变化情景下朝阳市降水量变化趋势预测

基于不同气候变化情景下的全球气候模式输出结果,结合朝阳市各气象站的实测降水量数据对该地区2017~2060年的降水量变化趋势进行预测,为该地区的水资源量评估、农业生产规划、水环境管理、以及防洪抗旱等水利实践工作提供资料。     

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SARIMA-SVR组合模型的 空气质量指数预测

空气质量指数(AQI)在波动中既具有整体的时间序列线性特征和明显的季节性波动周期,又具有多种因素影响的不确定性,为了提高AQI的预测精度,基于Ri386 3.3.3和Matlab R2014a两种编程软件,提出了一种同时具有线性和非线性的复合特征的时间序列预测模型——SARIMA-SVR组合模型。以太原市2014年1月—2019年7月的AQI月均值数据为基础,利用SARIMA时间序列模型进行线性预测,利用SVR模型对残差进行非线性预测,加和得到组合预测模型的预测结果,分析比较SARIMA,SVR和SARIMA-SVR这3种模型的预测结果和平均绝对百分比误差。结果表明,组合预测模型发挥了2种模型各自的优势,相较于单一预测模型的预测结果而言,其预测精度更高,稳定性更好。通过此模型得到的空气质量预测结果不仅可为人们的日常生活提供指导,而且可为大气污染的防治工作提供科学依据和借鉴意义。