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。     

北京市垃圾产生量的预测——基于三种预测模型的比较

文章以2000~2011年北京市垃圾清运量的数据为基础,依次建立线性回归模型、灰色预测模型和BP神经网络模型,并分别利用三种模型预测出2012年的垃圾清运量。通过预测结果与实际数据的对比,得出BP神经网络模型比较适合预测北京市垃圾产生量。最后,文章利用BP神经网络模型预测出了未来10年北京市的垃圾产生量,并根据预测结果提出了结论和建议。     

电力系统负荷预测方法及特点

负荷预测在电力系统规划和运行方面发挥的重要作用,具有明显的效益,负荷预测实质上是对电力市场需求的预测.所以电力系统负荷预测的方法是非常重要的.     

浅议电力负荷预测方法

电力工业与国民经济发展和人民生活水平提高息息相关,电力负荷的稳定增长是电力工业健康发展的重要指标。作为电力规划工作的重要组成部分,电力负荷预测为地区或电网的电力发展速度、电力建设规模、电力工业布局、能源资源平衡,地区或电网间的电力余缺调剂,以及地区或电网资金和人力资源的需求与平衡提供可靠的依据,保证社会的正常生产和生活,带来经济效益和社会效益。     

基于实例的水资源预测方法概述

基于合肥市近几年的城市生活用水量数据为例,对一些水资源预测方法进行讨论和比较。对合肥市城市生活用水量的现状进行简要的概述;介绍三种水资源预测方法即指数平滑法、灰色模型预测法和BP神经网络预测法的理论方法及模型;利用给定的资料数据,运用三种预测方法进行分析,通过拟和模型误差对比,判定最佳的预测方法。     

电力市场环境下的典型产业月用电负荷预测分析

将市场竞争引入电力系统,企业竞争性得到提高,资源利用效率将得到改善。准确的月负荷预测可以提高电力系统的社会效益和经济效益,而负荷预测误差风险直接影响供电的安全性和稳定性。本文考虑到季节成分对月负荷预测的影响,基于季节变差以及季节比例理论建立短期负荷预测的指数平滑模型,并对月负荷原始数据进行预测。通过对蒙东电力的算例分析验证了本文所提出方法的合理性和可行性。     

基于组合预测方法的“十二五”期间安徽省住房价格预测

以安徽省2001-2010年住房销售面积以及销售额为样本,采用灰色预测、三次指数平滑和BP神经网络三种预测模型,基于预测误差平方和最小为最优准则建立诱导有序加权平均算子组合预测模型,预测安徽省未来五年的平均住房价格。根据预测结果,安徽省未来五年平均住房价格以14.43%的速度增长。     

组合优化的灰色模型在异常电能表查找中的应用

电力计量装置是供电企业正常作业的基本条件,是电力系统中不可缺少的组成部分,其计量准确与否直接关系到用户和电力企业的利益。若电力计量装置出现异常,尤其是负误差超差,将直接导致供电公司利益受损,严重的可能导致电力系统无法正常运行。文章利用组合优化后的灰色模型建立用户负荷预测模型:首先利用GM(1,1)建立用户负荷预测模型,然后利用马尔科夫链对GM(1,1)的预测结果进行优化,接着利用蚁群算法对优化后的灰色模型进行再度优化,建立组合优化的灰色模型。最后建立负荷阈值模型,将台区所测得用户负荷值与负荷阈值进行对比,若该用户负荷值在负荷阈值范围内,则认为电能表正常;反之则认为电能表异常,列为"潜在异常对象";实例证明组合优化的灰色模型在异常电能表查找中具有良好的工程实用性和有效性。     

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。     

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BP神经网络的辽宁省物流需求预测研究

物流需求预测对经济发展具有重要作用。选取辽宁省2004—2021年的7个经济指标影响因素作为输入指标,货物运输量作为物流需求的输出指标,利用MATLAB R2022b软件,对辽宁省物流需求进行预测。利用灰色关联度分析法,对经济指标影响因素的关联度进行分析。结果认为,输入指标与输出指标具有较强关联度。随后,基于BP神经网络法构建物流需求预测模型,经过仿真预测,BP神经网络模型对物流需求预测具有有效性。     

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。     

基于粒子群优化反向传播神经网络的铁路路基沉降量预测

铁路路基沉降规律复杂、沉降量难以预测,因此提出一种粒子群优化反向传播神经网络的路基沉降量预测模型。传统神经网络建模时存在收敛速度慢、易陷入局部极小值等不足。因此,通过粒子群算法修正网络的初始权/阈值,提高全局收敛性,建立基于粒子群优化的反向传播神经网络预测模型。通过对宝中线实测数据进行仿真实验,结果显示：经粒子群优化的神经网络可避免局部极小问题,加快网络收敛速度,提高了对铁路路基沉降量的预测精度。     

高炉炼铁含硅量的动态预测

针对高炉炼铁过程中含硅量预测滞后性和复杂性等问题,建立以改进型Elman神经网络为基础的铁水含硅量动态预测数学模型,利用MATLAB工具箱对动态预测模型进行仿真和预测.首先利用蒙特卡洛法随机选取一组数据作为仿真数据样本,对改进后的Elman神经网络进行离线训练.然后用训练后的Elman神经网络进行铁水含硅量预测,再用残差分析法分析预测值与数据样本之间的显著性差异,用统计检验法讨论模型的可行性.结果表明,铁水含硅量数值预测误差较小,铁水含硅量的实际值和预测值无显著性差异,含硅量的测结果是可信的.     

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。     

灰色-时序组合模型在建筑物沉降预测中的应用

为了获得较为准确的建筑物沉降预测结果和较高的预测精度,结合灰色模型、时间序列模型的优点,提出灰色-时序组合模型进行建筑物沉降预测的方法,有效克服了单一模型预测精度低的缺点。以某工程实例沉降观测数据作为原始建模分析数据,通过对灰色预测模型、时间序列预测模型以及组合预测模型的预测结果进行比较分析,结果表明,灰色-时序组合模型预测的沉降值更接近实测值,预测的精度比单一模型更高,具有一定适用性,有利于高层建筑物的沉降预测、预警,确保建筑物的安全性。     

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。     

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。