基于优化BP网络的电网短期负荷预测研究

如何提升电网负荷短期预测水平是电网企业亟待解决的问题。本文针对传统的BP神经网络算法所存在的学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷,引入粒子群优化算法对其进行优化和改进,使之具备更加完善的性能。通过实际电网负荷预测的实验与比较,证明了所构建的符合预测系统的准确度。     

基于有动量和自适应lr梯度下降法BP神经网络的城市用电量预测技术

文章在标准BP(Back Propagation)神经网络算法的基础上,增加了动量和自适应来进行改进,给出了改进的公式和算法,并应用于城市用电量的预测工作。通过Matlab仿真可知训练效果良好,仿真的数据预测结果具有一定的实用参考价值。     

基于模糊BP神经网络的钢箱梁焊接质量评价方法

针对钢箱梁焊接质量难以判别的问题，提出将智能BP神经网络算法与模糊集合理论相结合的策略，首先对BP神经网络根据实际需求进行建模，进而将BP神经网络预测输出值与模糊理论相结合。最终通过与原始的BP神经网络算法相比较，确定研究提出的模糊BP神经网络算法的优越性和鲁棒性。     

基于灰色神经网络的短期电力负荷预测分析

电力负荷预测是电力系统一项重要的工作。本文应用了灰色预测和人工神经网络相结合的方法进行短期电力负荷预测。首先介绍了灰色预测和神经网络的基础理论,其次利用一个仿真算例来验证灰色神经网络算法的可靠性。     

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数，这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的，因此，为了解决超参数搜索问题，引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足，提出一种基于自适应惯性权重的混沌粒子群优化（AWCPSO）算法，该算法在基本PSO的基础上进行了改进和优化。具体方法是，使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡；进而将混沌思想和粒子群算法相结合，解决粒子群算法易陷入局部最优的问题。实验表明，AWCPSO算法用于AC-BiLSTM模型的超参数寻优时，既解决了BPSO算法的早熟收敛问题，又提高了流量预测的精度。     

基于改进型BP神经网络的随机车祸持续时间预测

由于道路交通事故的复杂性使之对事故持续时间的预测困难。采用因子分析和BP神经网络相结合的方法，以福银高速福州段近两年交通数据为依据，采用因子分析获取造成车祸事故的少量公共因子，将公共因子做降维处理后作为BP神经网络的输入参数，利用三层BP神经网络实现对随机车祸持续时间的预测。其结果与回归算法、支持向量机算法以及传统BP神经网络算法相比，精准度高、收敛速度快。     

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。     

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险,基于A股市场上70余只智能板块的股票近10年的四因子数据,从神经网络模型入手实证分析,利用随机梯度算法对收盘价预测,比较预测值与实际值的模型误差及损失函数,进行因子选取、算法改进及指标择优。结果表明,神经网络模型参数在批次为2、迭代次数为4 150时,MSE(均方误差)、MAPE(平均绝对百分比误差)、MAE(平均绝对误差)分别为60.191 1、30.732 6、4.803 2,收盘价的拟合效果最佳,该参数下的神经网络模型可用于探究股票市场价格趋势,为投资者、金融机构提供一定参考依据。     

基于改进RBF神经网络物流配送中心选址的决策

文章从物流规划项目的要求出发,提出了改进的RBF神经网络学习算法,并通过数学推导阐明了这种改进算法的基本原理,较客观地对多个选址方案的优劣进行评价。     

制造业上市企业的融资约束预测——基于机器学习算法的视角

企业融资约束指数的构建方法一般采用两步法,一是判断企业是否存在融资约束,二是通过财务指标构建融资约束指数。本文运用机器学习的方法探讨企业的融资约束指数的构建,首先,判断企业是否存在融资约束,采用聚类算法（K均值聚类和系统聚类）对这些企业进行分类,然后在聚类的基础上,采用分类算法（决策树、逻辑回归、神经网络）探讨企业融资约束的影响特征。本文通过分类算法预测结果,得到决策树算法的准确率是最好的,逻辑回归模型预测的稳定性是最好的,而神经网络预测模型较差。采用逻辑回归模型预测的融资约束概率与SA指数和祝学文的LFC融资约束指数较为密切相关。从企业融资约束的重要特征来看,在聚类的预分类中,重要特征变量为利息保障倍数和股利支付率,在分类算法中,重要特征变量为财务费用率和净资产报酬率。     

基于BP神经网络算法的风电功率预测

针对风电功率的预测,从神经网络的训练仿真入手,综合运用BP神经网络、平均绝对误差MAE等多种方法,建立风电功率预测模型,运用Matlab和Excel软件编程,得到了后续7天中时隔5min和15min的风电功率预测趋势和时隔5min样本数据的预测误差水平相对于15min来说降低了6.349%等结果。     

基于神经网络的订单预测研究

快速变化的市场对企业的生存和发展提出了更高的要求,而按照代表顾客需求的订单进行生产则是企业提高柔性和竞争力的关键.正因为如此,准确地预测订单就显得异常重要.文章利用BP神经网络和径向基神经网络建立了新的订单预测模型,并通过解决一个实际问题对其仿真结果进行了比较.     

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。     

Short-term forecasting of prices for the Russian wholesale electricity market based on neural networks

The article considers the possibility of using neural networks for the short-term forecasting of electricity prices in the day-ahead market (DAM) based on factors strictly determined for the forecast period. A set of six factors has been determined, which allows an hourly forecast of the DAM price to be constructed for a month in each of the four seasons with a high accuracy. The proposed model shows low average errors in forecasting the price for each hour of the month and in turn allows possible significant price deviations to be anticipated.     

基于组合模型的股票预测研究综述

随着金融业数据环境的日益复杂,利用传统单一模型进行高精度股价预测变得愈加困难。面对日益突出的股票分析技术需求,组合预测模型开始得到发展并取得了很多成果。首先介绍影响股价波动的分析指标,概括基于传统统计预测模型、机器学习、神经网络等单一预测模型在股票预测中的优势与不足。然后依据组合预测模型的组合形式,将其分为线性模型的组合、非线性模型的组合以及线性与非线性模型的组合3种类型,并报告多种组合模型的实际应用与研究现状。最后,对组合模型股票预测方法的有效性和稳定性进行展望。     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。     

基于因果聚类分析理论的维修成本控制体系研究

供电网络的维修维护工程比较复杂,影响的因素较多,影响方式多种多样,这给成本控制造成了很大困难。为了解决这个问题,我们采用数据分析,建立预测模型的方法,通过分析预测误差和预测的置信区间,确定维护成本的控制范围。为了提高预测得准确性,利用历史数据对要素变量进行因果聚类。然后将各类型中的变量进行主成份分析,降低变量集的维数。对选出的变量用神经网络算法构建预测模型,并利用其误差的性质确定误差范围,实现对成本的控制。     

A NONLINEAR EXTENSION OF THE NBER MODEL FOR SHORT-RUN FORECASTING OF BUSINESS CYCLES

To avoid the pitfalls of the widely used NBER model, in this paper we have adopted neural networks to forecast business cycles. We find that our model has overcome some of the main deficiencies of the classical leading indicators model: first, the model was able to correctly forecast all reference points in in‐sample and out‐of‐sample data; second, the model can forecast the future value of reference series; and third, the model has a constant forecast horizon. Sensitivity analysis suggests there are some nonlinear relationships between the reference variable and selected leading indicators. This explains why we were able to improve the forecasting performance of the original model.     

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。