基于GA-Elman动态回归神经网络的股价预测模型研究

文章针对股价预测问题的复杂性、不确定性、时变性及动态性等特性,利用Elman神经网络具有记忆性的优点,采用遗传算法训练优化Elman神经网络的初始权值,提出了高效的GA-Elman动态回归神经网络股价预测模型。实验模拟结果表明:该模型快速稳定且具有较高的精度,将其用于股票价格预测可行且有效。该模型的提出也为股票价格预测提供了一种新的技术和方法。     

基于灰色神经网络模型的建筑物变形预测方法研究

将灰色理论与BP神经网络有机地结合，建立灰色神经网络模型用于建筑物变形预测，通过建筑物变形的实测时间序列资料，分析模型的预测精度，与通常采用的人工神经网络和灰色系统模型等预测方法进行比较，反映该模型能取长补短，并具有所需信息量少与精度高等优点。     

基于小波神经网络的沪深300指数收盘价预测

针对传统BP神经网络模型预测的缺陷,本文采用小波神经网络对沪深300指数收盘价的短期走势进行了预测分析.实验结果表明小波神经网络比直接使用神经网络进行预测的精度更高,预测的效果也更好.     

基于神经网络的专家预测方法研究

针对复杂预测问题的需求,基于神经网络的思想对专家预测方法进行了探讨。首先,在神经元模型的基础上提出了专家预测模型。然后,根据专家预测模型的需要对专家给出的模糊语言判断信息的合成进行了研究,并给出了具体的量化方法。最后,为提高预测方法的精度,提出了一种专家权值的调整方法;算例表明,该方法具有简单实用的特点。     

基于主成分的BP神经网络煤层气产能预测方法

提出基于主成分的BP神经网络煤层气产能预测方法具有良好的仿真预测功能,预测结果相对误差平均1．67％,相对误差最大3．33％,最小0．22％,预测精度较高;为采用量化的排采参数预测煤层气产能提供了一种新方法。BP神经网络煤层气产能预测方法引入主成分分析,可以有效提高网络运行效率。对于产出关系不确定的煤层气井,可利用该方法获得排采参数到产气量的非线性映射关系,实现产量预测。     

基于神经网络的旅游收入预测模型建立研究----以山西为例

本文采用人工神经网络原理,对山西省入境旅游市场需求进行预测。论文以人工神经网络理论为基础,对旅游市场需求预测指标的选择、神经网络预测模型的选择、旅游需求神经网络预测模型的建模流程和实现方法进行了初步探讨,构建了基于人工神经网络的旅游需求预测模型。     

基于改进小波神经网络的中国天然气消费量多情景预测研究

天然气是人民生活和工业生产的一种主要能源,随着天然气使用的逐步推广和天然气消费量的快速增长,正确合理地对天然气消费量进行预测有着重要而深远的意义。利用灰色关联度分析法筛选出影响天然气消费量的六个主要因素——人均GDP、天然气生产总量、居民消费水平、用气人口、城镇化率和管道运输长度,在此基础上提出了基于遗传算法优化的小波神经网络预测模型,以1995-2013年中国天然气消费量的统计数据为例对预测模型进行训练和检验,并将该预测方法与传统BP网络、小波神经网络预测方法作对比,预测结果表明,该方法的预测精度更高。遗传算法和小波神经网络相结合的预测方法,可以科学预测我国未来年份的天然气消费量,有效地提高了预测精度,为天然气行业的发展提供理论依据和实证支持。     

基于免疫粒子群优化神经网络的经济预测算法研究

在分析宏观经济系统特点之后,针对现有的采用人工神经网络对经济系统进行建模和预测的方法存在的问题,文章提出了一种改进的免疫粒子群优化神经网络算法。仿真结果表明：这种算法能够增强神经网络的泛化能力,提高系统模型的预测精度,使预测误差从原来BP神经元网络的15％下降到改进后的5％.     

基于神经网络的建筑业碳排放强度预测——以京津冀为例

通过统计分析得出影响建筑业碳排放强度的13个影响因素,基于收集的京津冀相关数据,运用逐步回归分析找出其中6个关键因素.借鉴五折交叉验证解决数据稀缺问题,采用神经网络对京津冀建筑业碳排放强度进行预测.利用敏感性分析简化模型,筛选出4个核心因素.结果表明,此模型预测精度高达99％,同时根据挖掘出的核心因素和关键因素,提出建筑业节能减排的建议.     

基于小波神经网络的上证50指数多步预测

以神经网络为代表的人工智能模型对股票价格具有良好的预测效果,但是该智能模型侧重于单步预测,很难满足实际股票预测的要求。提出基于小波和神经网络相结合的股票指数多步预测智能模型。选取上证50指数为建模数据,运用小波分解将上证50指数收盘价序列分解成不同尺度的分层数据,依据迭代策略,利用BP神经网络分别预测小波分解后的各层数据,最后将各层的预测结果使用小波重构成原始股票收盘价的预测数值。结果表明,基于小波神经网络的多步预测模型具有良好的多步预测效果。     

基于Elman神经网络的星级酒店人才需求规模预测与分析

文章采用Elman神经网络模型和灰色系统模型,利用《中国旅游统计年鉴》公布的星级酒店就业数据,使用Python和Matlab编制相关计算程序,预测星级酒店岗位的需求量,并对两种模型进行了比较,此方法可以为旅游企业提供参考。     

模糊规则在神经网络预测模型中的应用前景

在采用径向基函数神经网络(RBFN)对太阳能发电系统输出功率进行预测的模型中,可以明确日照强度的精度对整个预测系统的精度起到了决定性的作用。通过在RBFN模型中引入模糊规则,改善云量数据的精准度,进而提高预测模型的精度。仿真结果表明,加入了模糊规则的模型,预测曲线更为近似。在全面考虑模糊的基础上,有可能提高预测精度。同时也证明了该方法可用于实际应用。     

基于不同指标类型的财务危机预测模型比较——来自我国制造业上市公司的实证研究

本文选取我国证券市场上446家制造业上市公司,以因财务状况异常而被ST作为公司进入财务危机为标志,分别建立了基于财务指标的危机预测模型、基于非财务指标的危机预测模型和基于混合指标的危机预测模型,并对模型的预测结果进行了比较分析。分析发现,财务指标模型对于训练样本预测精度好于非财务指标模型,但模型外推性(稳定性)不如非财务指标模型。财务指标模型和非财务指标模型的互补性较强。混合指标模型兼具了单指标类型模型的优点,对于训练样本和测试样本的预测精度都具较高水平。     

一种新的光伏发电预测模型的设计

为了对光伏发电的输出功率进行预测,本文分析光伏发电的影响因素,提出了一种基于太阳辐射功率曲线匹配的预测模型。该模型将历史数据按时段进行分解,查找与当前时段太阳辐射功率曲线最为匹配的数据,以此构建并训练BP神经网络,来预测未来3个小时内的太阳辐射功率,能够较好的实现预测目标。实验结果表明,该模型有较高的精度,可对电网调度起到重要的指导作用。     

基于ARIMA-BP神经网络模型的桥梁SHM应变预测分析

桥梁结构健康监测的应变监测数据具有较强的趋势性与随机性，为提升数据的预测精度，提出将传统单一的自回归积分滑动平均模型（ARIMA）和BP神经网络预测模型进行加权与组合，并将这两种方法分别运用于江西省某跨江大桥桥梁结构健康监测系统记录的应变监测数据的预测进行验证。结果表明：仅运用单一模型预测时，BP神经网络的预测效果要优于ARIMA模型；加权与组合模型的预测精度均优于单一模型，其中加权模型及组合模型的残差平方和（SSE）与BP神经网络模型相差最大，分别高达50.23%与49.87%；对比加权模型与组合模型的各项误差指标，发现二者预测模型的预测精度极为接近；单一预测模型的误差包络范围大于其他两类模型，其中ARIMA模型的误差总和约为50 με，BP神经网络模型的误差总和约为30με，加权模型的误差总和约为21.09 με，组合模型的误差总和约为20.97 με。经分析，加权预测模型与组合预测模型均能实现对桥梁SHM应变预测。     

BP神经网络在安徽省GDP预测中的应用

根据2008年安徽省统计年鉴中的数据,构建并选用合适的BP神经网络建立了安徽省GDP的神经网络预测模型。计算结果表明,BP模型应用于安徽省GDP预测具有较高的预测精度和良好的泛化能力,它为经济预测工作提供了一种全新的思路和方法。     

基于遗传算法优化的BP神经网络城市道路延误预测研究

交通延误是评价道路交通状态、优化交通管控策略的重要指标之一。如何利用现有交通数据,构建精度高、时延小的交通延误预测模型,对城市交通状态精细化描述以及管控起着至关重要的作用。文章在分析延误预测模型适用性的基础上,提出了基于遗传算法优化的BP神经网络延误预测模型,融合浮动车和路段卡口检测器数据,预测路段平均延误。选择济南市典型路段和信号控制交叉口进行验证,结果表明,与传统的BP神经网络相比,该模型能显著地提高城市道路延误预测精度,用于预测城市道路交通延误具有一定可行性。     

基于机器学习的斜坡堤越浪量预测方法研究

针对斜坡堤越浪量预测方法,分别建立集成神经网络(ensemble neural network,ENN)、随机森林(random for-eset,RF)和支持向量回归机(suppport vector regression,SVR)3种机器学习模型对斜坡堤越浪量进行预测,并利用决定系数R2和均方根误差RMSE来评估模型性能.最后,对3种模型的性能进行分析.结果显示,集成神经网络模型的决定系数R2和均方根误差RM S E分别约为0.96和0.0018,随机森林模型的决定系数R2和均方根误差RMSE分别约为0.97和0.0014,支持向量回归机模型的决定系数R2和均方根误差RMSE分别约为0.94和0.002.对比发现,3种模型的决定系数都达到0.9以上,都具有较高的预测精度,随机森林相比其他两个模型精度更高.     

整县光伏发电的综合LSTM功率预测模型研究

为了更好实现整县屋顶光伏集约化发展，提高大规模分布式屋顶光伏并网经济性，分析基于气象数据的预测方法弊端问题，挖掘海量时序光伏发电功率数据规律，提出基于改进长短期记忆递归神经网络（LSTM）的整县光伏综合功率预测模型。使用所提模型进行单一光伏电源预测实验，结果表明，改进LSTM模型较其他模型更精准，且在整县光伏综合功率预测场景下具有更高整体预测精度，可以用于整县光伏发电功率预测，有助于实现高比例分布式光伏消纳。     

安徽省人均可支配收入的预测——GIOWA算子的优化组合预测方法应用

以安徽省最近20年的人均可支配收入数据作为分析样本,运用GM(1,1)、ARIMA(p,d,q)和BP神经网络三种单项方法给出预测.这些单项预测方法在各个时点的预测精度不一,预测的稳定性欠佳,而对他们重新进行变权组合,构建基于算术平均最小贴近度的GIOWA算子优化组合预测方法,取得了比每个单项预测方法更加优良和稳定的效果,并将该方法应用于人均可支配收入的预测,效果理想,方法优良,值得推广.