工业用电市场用电量组合预测方法研究

在总结现有用电量预测的主流方法基础上,对工业用电量数据特征进行分析,提出一种新的工业市场用电量预测方法。文章通过分析文献,总结了当前主流预测模型和方法的优势和劣势,从而提出灰色预测和梯度提升回归的组合模型。针对文章建立的模型,使用某地区四年实际用电量数据,与传统灰色预测模型、神经网络模型、单一梯度提升回归模型的预测结果进行对比,发现该组合模型在数据量较少或数据量比较充足的情况下,预测精度和稳定性很高,证明了所建立模型可靠性和有效性。     

基于IOWGA算子的生态足迹组合预测模型研究

随着经济水平的不断发展，我国生态资源与环境正面临着巨大的压力与挑战。作为衡量自然生态资源与环境状况的重要指标，生态足迹的准确预测对于制定自然资源保护与环境治理政策具有重要意义。本文基于2003至2014年安徽省各生物资源及能源消费量，计算了各年人均生态足迹，并采用灰色GM模型、长短期记忆神经网络模型、差分自回归移动平均模型作为单项模型进行预测，建立了基于诱导有序几何加权平均算子（IOWGA）的人均生态足迹组合预测模型，并将组合预测模型与单项预测模型进行比较。结果表明，组合预测模型对人均生态足迹的拟合程度较好，具有较高预测精度。     

基于组合预测理论的上市公司财务危机预警研究

针对组合预测比单项预测具有更高的预测精度,本文采用基于BP神经网络的非线性组合的预测新方法,构建了财务危机预警模型,并进行了实证研究。通过与Fisher判别分析模型和Logistic回归模型的预测结果对比表明,组合预测方法有效提高了预测精度,具有很好的适用性和优越性。     

基于ARIMA-GRNN组合模型的汽车零部件需求预测研究

单一的预测方法难以准确预测市场需求趋势,通过构建ARIMA-GRNN组合需求预测模型提高预测精确度:首先利用ARIMA预测出每月需求数并计算出每月实际需求数与每月预测需求数的误差值,再利用GRNN神经网络对误差值进行函数逼近与拟合,将拟合值对ARIMA预测值进行修正后的结果即为最终预测值。性能评估显示组合模型可以较好帮助汽车零部件企业提高市场预测精度。     

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。     

基于组合灰色预测模型的物流企业运营成本预测

运营成本预测是物流企业制定企业发展战略的基础。文章基于GM(1,1)模型、Verhulst模型和SCGM(1,1)c模型建立组合灰色预测模型,运用预测有效度方法确定组合预测模型的权重系数,对物流企业运营成本进行预测。选用P物流企业2000—2009年的运营成本实际值作为原始数据,利用各预测模型预测2010—2012年物流企业运营成本。预测结果表明,组合灰色预测模型比单一预测模型具有更高的预测精度。在验证组合灰色预测模型可行性的基础上,进一步预测物流企业2013—2017年运营成本,为成本预测及相关领域提供理论及方法借鉴。     

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。     

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.     

基于组合预测理论的上市公司财务危机预警研究

针对组合预测比单项预测具有更高的预测精度，本文采用基于BP神经网络的非线性组合的预测新方法，构建了财务危机预警模型，并进行了实证研究。通过与Fisher判别分析模型和Logistic回归模型的预测结果对比表明，组合预测方法有效提高了预测精度，具有很好的适用性和优越性。     

基于粒子群优化算法(PSO)的电力需求预测分析

在电力需求预测领域,本文提出了基于粒子群优化算法(PSO)的组合预测模型,选用灰色GM(1,1)模型和BP神经网络作为单个预测模型,并在BP神经网络中将GDP指标做为输入。同时考虑了GDP对电力需求的影响,最后利用PSO对组合预测模型中的权系数进行优化以得到最优结果。根据真实数据所做对比,本文所提出的PSO算法在预测精度上较单一预测模型相比有了较大幅度的提高。     

基于BP神经网络的企业财务危机组合预警研究

本文根据组合预测比单项预测具有更高预测精度的原因,采用基于BP神经网络的非线性组合的预测新方法,构建财务危机预警模型,并进行实证研究.通过与Fisher判别分析模型和Logistic回归模型的预测结果对比表明,组合预测方法有效提高了预测精度,具有很好的适用性和优越性.     

基于IOWA算子的组合预测模型在物流需求预测中的应用

根据2000~2009年宁波市物流需求的数据,采用灰色GM 1,,1,模型和一元线性回归模型进行组合优化,建立了基于诱导有序加权平均(IOWA)算子的物流需求量组合预测模型。结果表明基于IOWA算子的组合预测模型能有效提高预测精度,说明了该方法用于物流需求预测的可行性和有效性,并在此基础上对2010~2013年宁波市物流需求作出预测。     

基于IOWA算子的灰色—多项式组合模型在武汉市物流需求预测中的应用

针对2002～2009年武汉市物流需求的数据,采用灰色GM 1,1模型和多项式拟合模型两种单项预测模型对数据进行建模预测。并结合组合预测理论,采用基于IOWA算子的组合预测模型进行预测,结果表明基于诱导有序加权平均算子的组合预测模型的预测精度明显高于两种单项预测方法,说明了该方法用于物流需求预测的可行性和有效性,并在此基础上对2010～2012年的武汉市物流需求作出预测。     

基于灰色神经网络组合模型的废旧产品回收预测

制造企业对废旧产品进行回收再利用,是节约资源和保护环境的有效方式。由于在产品回收过程中存在诸多不确定性因素,如何对产品回收量进行有效预测是亟待解决的关键问题。本文针对废旧产品回收的特点,将灰色GM（1,1）模型与BP神经网络预测方法结合,构建了灰色神经网络组合预测模型对产品回收量进行预测。该组合模型兼具两种预测方法的优点,预测效果优于各独立模型。案例分析表明了该种预测方法的有效性。     

基于灰色组合模型的区域物流需求预测研究

系统分析区域物流需求与相关影响因素关系,建立GM(1,1)、GM(0,N)单项预测模型,基于方差最小化准则构建组合模型,该组合模型克服了单项预测精度及适用条件等局限,改进了现有区域物流需求预测组合模型单因素多种方法简单组合的不足。最后采用2001-2009年安徽省物流需求数据进行实证分析,验证了组合预测模型的有效性。     

基于灰色组合模型的区域物流需求预测研究

系统分析区域物流需求与相关影响因素关系,建立GM(1,1)、GM(0,N)单项预测模型,基于方差最小化准则构建组合模型,该组合模型克服了单项预测精度及适用条件等局限,改进了现有区域物流需求预测组合模型单因素多种方法简单组合的不足.最后采用2001-2009年安徽省物流需求数据进行实证分析,验证了组合预测模型的有效性.     

基于径向基神经网络的网络流量预测

针对网络流量在时序上的复杂非线性特征,采用径向基函数神经网络对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,建立了基于MATLAB6.5环境下径向基神经网络的网络流量预测模型,并用本校网络流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。     

基于熵权灰色组合预测模型的区域能源需求预测研究

本文在充分考虑传统GM(1,1)模型所存在缺陷的基础上,结合灰色预测模型的最新理论成果,提出了基于GM(1,1)模型,新陈代谢模型,离散DGM模型三种灰色预测模型的组合预测模型,采用熵值法来确定组合预测模型中各单项方法的权重,并以湖北省为例,对湖北省2001-2010年能源需求总量进行实证研究,结果表明基于灰色组合预测模型的预测精度明显高于三种单项预测方法的精度,证明了该模型用于区域能源需求预测的科学性和有效性,在此基础上对2011-2015年湖北省能源需求进行了预测。     

基于贝叶斯组合模型的物流需求预测及分析

为克服单一预测方法假设条件及适用范围存在局限性的不足,以贝叶斯概率模型为基础,建立了基于GM(1,1)和多元线性回归模型的贝叶斯组合预测模型,各模型权重能够根据前期预测误差进行自适应调整,以保证预测精度.以北京市2009-2013年物流需求预测为例进行实例分析,结果表明贝叶斯组合预测模型的平均预测误差为0.95%,模型具有良好的自适应性和动态调整性,预测精度较高,可应用于物流需求预测研究.