基于主成分分析-RBF神经网络模型的备件预测研究

备件预测在产品物流保障中占有极其重要的地位,针对现有各种航空备件预测方法精度较低,无法满足实际需求的现状,文章提出了基于主成分分析-RBF神经网络模型的备件预测方法：首先利用主成分分析方法去除原始输入层数据的相关性,以解决RBF神经网络模拟预测备件需求时输入变量过多,网络规模过大导致效率下降的问题．最后选择合适的径向基函数密度训练神经网络。通过结合实例进行分析,取得了较好的效果。     

基于LM-BP算法的轨道交通客流短时预测

BP神经网络是当前比较常用的人工神经网络,针对BP神经网络存在易陷入局部极小值、收敛速度慢等缺陷,将LM算法引入到BP神经网络中,以改进BP神经网络在预测时的训练过程,并利用轨道交通客流的时间序列对其有效性进行验证,结果证明该方法对轨道交通客流的短时预测有着更高的准确度和精度。     

径向基神经网络在木材销售量预测中的应用

基于径向基的神经网络算法在木材销售量预测上的应用,利用历史销售量数据作为样本训练数据,通过径向基的神经网络算法得到的预测值。通过Matlab仿真的结果表明预测值与实际销售量值相比较误差很小。预测数据可作为申请采伐的依据上报给上级国家林业部门,有助于林业管理部门制定更科学的采伐计划,有助于减少贮木场库存,从而提高经济效益。     

ARIMA模型与BP神经网络模型的比较研究——基于供电企业电费现金流入预测

文章基于供电企业对电费现金流入预测的现实需要,分别建立了基于时间序列的ARIMA模型和BP神经网络预测模型,并对两种预测方法进行了对比分析,最终确定了以ARIMA模型为主、BP神经网络为辅的综合预测手段,有效地提高了电费现金流的预测精度,增强了供电企业的现金流管理水平。     

基于K-means算法的神经网络文本分类算法研究

本文在分析文本分类算法的一般模型和现有技术后,针对传统神经网络算法存在的问题,提出了一种引入Kmeans算法用于训练RBF神经网络的径向基函数中心,改善误差反向传播（BP）神经网络分类算法收敛速度较慢的缺点。实验结果表明,改进后的RBF网络与BP网络、RBF网络相比,在取得较好分类精度和召回率情况下,具有较高的运算速度和较强的非线性映射能力。     

波动性产品需求预测的神经网络模型

随着市场竞争的日益激烈,消费者的心里越来越复杂,这样导致了产品的需求的波动性大大增加。这种强波动性的产品需求序列中除了随机性外还存在混沌性,根据混沌理论可知,混沌的短期预测是可行的。为了有效的对这些混沌性进行预测,选择了神经网络作为预测模型,因为神经网络对非线性具有较好逼近能力。在网络结构选择中考虑了混沌序列的嵌入维数,并在隐层中加入了径向基以更好的拟合数据。在针对目前很多企业具有数据库和数据仓库的背景,给出了基于数据挖掘的具体预测方法,并通过实例演示了预测的有效性。     

基于粒子群优化BP神经网络的房价预测

针对房价预测问题,文章给出一种基于粒子群优化的BP神经网络算法,并利用该算法提出两种预测房屋销售价格指数的方法。对房屋销售价格月指数的时间序列预测,直接建立PSO-BP模型;而对年指数预测,首先选择房价影响因素进行因子分析,然后在此基础上建立PSO-BP模型。两种对房屋销售价格指数的PSO-BP模型预测结果与BP模型相比,其精度均有较大提高,收敛更快。     

小波神经网络对沪深A300的分析和预测

针对金融时间序列非平稳性、非线性的特点,本文采用小波分析与人工神经网络相结合的方法,对沪深A300收盘价进行分析和预测。结果表明,小波神经网络有较强的预测能力,能达到预期效果。为了验证该方法的预测能力,进一步将时间序列数据多步分段,全方位地进行预测,并与小波-ARIMA模型、BP神经网络预测方法进行比较,体现了小波神经网络的预测优势。     

一种应用BP神经网络的混沌短期电力负荷预报方法

文章结合混沌理论及BP神经网络方法,提出了一种非线性时间序列预测算法。该方法基于相空间重构理论,将单维电力负荷时间序列映射到高维相空间中,并采用BP神经网络作为高维相空间拟合工具,通过算例的验证,证明了该方法具有较高的预测精度。     

城市干道交通拥堵识别技术研究

为快速有效地进行城市干道的交通拥堵识别,文中提出一种基于朴素贝叶斯的城市干道交通拥堵识别算法。最后,基于南京市主干道的交通调查数据,对朴素贝叶斯算法以及基于径向基函数神经网络的城市干道交通拥堵识别算法进行对比。结果表明,朴素贝叶斯算法在对城市干道交通状态的识别上比基于径向基函数神经网络算法具有更好的准确性、优越性以及更低的误判率。     

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MRO需求量预测模型研究

在分析MRO物料特点的基础上,利用BP神经网络算法,对MRO类物料历史需求数量的时间序列数据建立预测模型,解决了MRO类物料由于需求不稳定,影响因子难以确定等带来的需求量预测精度偏低的问题.并通过实证分析说明了BP神经网络在MRO类物料需求量预测上的有效性.     

基于优化BP神经网络模型的上市公司财务危机预警

利用粗糙集的约简技术对上市公司的预警指标进行约简,降低神经网络的复杂性和提高网络预测速度及精度,采用遗传算法作为神经网络模型的前置装置,对网络输入端的初始值和阀值进行最优化,缩短网络训练时间,提高了网络的预测精度。实证研究显示,优化模型的财务危机预测精度高于传统BP神经网络模型的预测精度。     

基于改进BP算法的短期电力系统负荷预测

BP算法较强的自学习能力使之可对短期电力负荷进行预测,将一种改进的BP神经网络学习算法应用于短期电力负荷预测中,该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度,使得预测结果具有更高的精度,算例验证了该算法处理短期电力系统负荷预测的高效性。     

基于人工神经网络的时间序列分析方法在物流需求预测中的应用

当在对物流需求进行预测遇到较大波动的时间序列数据时,传统的以统计学为基础的预测方法在进行预测分析时误差会很大,本文建立了基于人工BP神经网络的预测方法并证明了其有效性。     

企业提升预测大宗商品价格精准度的方法研究--基于时频递归与非递归分解的混合价格预测模型的运用

大宗商品交易在我国经济循环中占比极高,但国内众多企业由于没有选取世界大宗商品价格预测最优方法,造成巨额损失屡见不鲜。在时间序列信号的递归于非递归时频分析分析的基础上,构建传统自回归移动平均模型和新兴神经网络的新复合模型对商品期货价格进行预测。使用墨西哥湾沿岸煤油航空燃料价格历史数据作为建模时间序列数据,以此建立航空燃料价格动态预测模型。通过对比,从模型的预测结果来看,结合时频非递归分解的预测模型在预测精度上优于基于递归分解的复合模型优于单一预测模型,可以有利于提升企业对世界大宗商品价格预测的精准度,从而控制成本,有效地降低风险。     

基于混沌理论和PSO神经网络的短时交通流预测

交通流预测已成为智能交通的重要组成部分,针对短时交通流的非线性和不确定性,文中根据实际交通流中存在的混沌,利用C-C方法和小数据量法对交通流混沌进行了分析,在交通流混沌时间序列相空间重构的基础上构建了基于粒子群优化神经网络的单点单步预测模型,运用该模型对实际采集的美国加州城市快速路交通流数据进行了仿真研究,结果表明,该预测模型具有较高的预测精度,能够满足智能交通控制和诱导的需求。     

基于果蝇算法优化小波神经网络的输电工程造价预测

为了准确控制输电工程造价水平,提出一种基于果蝇算法优化小波神经网络的混合预测模型。首先,对输电工程造价影响因素进行归一化处理,并将归一化结果作为输入变量;其次,利用果蝇算法对小波神经网络参数进行优化,在此基础上,利用优化后的小波神经网络模型预测输电工程造价;最后,将本文的预测结果和其他方法进行对比。算例结果表明,该混合模型的预测效果更理性,精度更高。     

基于经验模态分解的空气质量指数组合预测方法及应用

空气质量发展趋势的预测对于空气污染问题的防治具有非常重要的意义。因此,本文提出了基于经验模态分解(EMD)的空气质量指数(AQI)的一种组合预测方法。我们首先运用经验模态分解(EMD)的方法对非平稳、非线性且呈剧烈波动的时间序列即AQI原始数据进行多尺度分解。其次,我们分别使用4种常用的单项预测方法:灰色预测(GM)、ARIMA、BP神经网络和支持向量回归(SVR),分别对于分解后的本征模态函数(IMF)序列和趋势序列进行预测,得到单项预测结果。为了提高预测的精度,我们选用平均相对误差(MRE)较小的前三种单项预测方法,并对它们的预测结果进行组合预测。最后,运用熵权法分别计算出IMF序列和趋势序列的组合预测值,并将所有预测值求和得到AQI的最终预测结果。为了评价模型的预测效果,我们选用四种常用误差评价指标,对各个模型的预测结果进行评价比较,而仿真实验的结果表明了本文提出的基于经验模态分解的空气质量指数组合预测方法具有较高的预测精度和良好的适用性。     

基于先验神经网络的港口物流量对海洋经济增长预测——以浙江省为例

提出了一种基于先验知识神经网络预测模型,分别采用时间序列和多变量建模方法对反映浙江省海洋经济发展水平的各指标进行建模预测,与其他建模方法(如GM(1,1)时间序列模型)相比,有更好的综合性能。最后采用PKNN时间序列模型对2011-2020年浙江省沿海地区海洋经济发展水平进行预测,结果表明预测得到的2015年浙江海洋经济产值接近浙江省规划值。