基于LSTM模型的船舶材料成本滚动预测

船舶建造周期长、材料成本占比大,易受大宗商品价格指数和汇率等多个因素的影响,造成实际完工成本与报价估算存在较大误差的情况。采用灰色关联分析(Grey Correlation Analysis,GCA)方法识别材料成本的影响因素,基于长短期记忆网络(Long Short-Term Memory,LSTM)模型构建船舶材料成本滚动预测模型,并使用某造船企业53艘64000 t散货船63个月的材料成本数据和对应的影响因素数据进行试验分析。结果表明,预测数据与实际数据误差在可接受范围内,可证明所选择方法和构建模型的有效性。研究结果对制造过程的成本实时预测和控制具有现实意义。

煤炭超临界水制氢反应器内多相流场智能滚动预测研究

煤炭超临界水制氢技术在高温高压条件下利用超临界水充分气化煤炭,实现了高效低排放的转化和制氢过程。为解决因反应器内复杂多相流行为导致的仿真耗时问题,以及常见代理模型时序预测时间短、精度下降快等问题,提出基于本征正交分解(proper orthogonal decomposition,POD)和Koopman理论的深度学习模型POD-Koopman,用于捕捉和学习反应器内复杂流场的长时时空演变特征,实现数据驱动的长时滚动预测。测试结果表明其能在较小计算开销下准确滚动预测反应器内多相流场时变行为,助力下游制氢反应器工业化设计及优化任务。

基于长短期记忆神经网络模型的多步滚动预测方法

飞机着陆阶段是各飞行阶段中风险最大的阶段之一,可能会遇到阵风、跑道入侵、硬着陆和跑道超限等不安全事件。较长的着陆距离会增加着不安全事件发生的风险。为了降低发生不安全事件的风险,利用长短期记忆(long short term memory,LSTM)神经网络捕获时间序列飞行数据对时间的依赖性,研究了一种多步滚动预测策略来预测飞机着陆距离以进行实时预警,飞机着陆预测模型用于预测着陆距离。结果表明:与单步预测相比,该方法可以更好地捕捉飞行参数的时间变化。通过多组仿真实验验证基于LSTM神经网络模型的多步滚动预测方法的准确性与有效性。

深基坑桩体水平位移滚动预测智能算法研究

如何精准预测深基坑施工过程中围护结构的桩体水平位移,是评判深基坑是否处于安全状态的重要指标之一。通过建立遗传算法,网格搜索法以及粒子群算法3种算法优化支持向量机模型。采用两种模式对围护结构的桩体水平位移的样本数据进行训练学习,通过不同桩学习后对同一时间的预测结果对比与同一根桩在实现多步滚动预测后的预测结果对比,验证算法适用性。研究结果表明:在现场施工监测数据较少实际情况,遗传算法优于其他两种算法,为围护结构变形提出准确度高的办法;多步滚动预测具有较好的拟合效果,提高了基坑位移趋势预警的准确性。

滚动预测纠偏机制在快消品行业的应用——以M公司为例

面对复杂多变的市场环境,通过科学的滚动经营预测,向业务和管理层提供相对短周期但更加快速精准的预测信息,对推动业务策略及时调整纠偏、保证经营目标达成具有重要作用。本文以M公司为例,建立了梳理关键变量、建立数据模型、形成沟通机制、业务改善优化、滚动追踪复盘等工作形成的滚动预测纠偏机制,使财务、业务、管理层紧密互动,共同推动公司经营目标的达成。在预测方法上,通过定性与定量预测的应用结合、全场景多维度预测模型的建立,使预测工作逐渐精准化、实时化、可视化。在工作机制上形成定期业财沟通机制,以数据驱动业务策略纠偏调整。滚动预测纠偏机制是全面预算管理的重要补充,也是护航企业经营目标达成的重要手段。

基于遗传优化的支持向量机小时负荷滚动预测

利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测。通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷。利用SVM建立预测模型,利用GA自动选择SVM模型的参数。经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷。研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法。

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络(Rolling Back Propagation Neural Network,R-BP)的温室小气候多步滚动预测模型。模型主要包括两个阶段:(1)建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。(2)建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。

电力系统可靠性原始参数的滚动预测和残差修正

可靠性原始参数的分析与确定是电力系统可靠性评估的基础。针对电力系统可靠性原始参数匮乏的情况,利用灰色系统小样本的特点,运用滚动预测对可靠性原始参数的预测进行残差检验,在考虑数据新陈代谢的同时又能减少计算量。并对滚动残差的变化规律作了分析,建立其单调区间的灰色预测模型,进行残差修正,补偿原有的预测数据,使预测值能更好地拟合原始数据。最后,通过实例计算和模型精度检验说明该方法有较高精度。

基于支持向量机的区域运量滚动预测模型

为寻求反映区域交通需求特性机理的运量预测方法,针对一般区域运量数据小样本的问题及其诱发因素的随机性和不可控制性,在分析区域交通需求特性及现有运量预测方法缺陷的基础上,采用以统计学习理论为基础的专门研究小样本情况下机器学习规律的支持向量机,建立了区域运量预测支持向量机模型.该模型通过预测值与统计值不断交互,实现区域运量的滚动预测,避免了建立和求解非线性函数的过程.以京津冀区域客运量预测为例,验证建立模型的合理性.结果表明,基于支持向量机的区域运量滚动预测较传统的预测方法提高了预测精度.

基于改进支持向量机算法的光伏发电短期功率滚动预测

光伏发电具有明显的波动性与随机性,对其短期功率进行预测可以更准确地实现电网能量管理和运行调度。首先提出了一种基于粒子群优化支持向量机算法(PSO-SVM)的光伏发电短期功率滚动预测模型;通过寻找相似日,以相似日的实际功率和预测日的天气数据作为模型的输入量,对次日一天的发电功率进行预测;再以次日的实际输出功率与预测功率进行滚动对比,当预测点不满足给定预测精度时,以当日实测数据对后期预测点的功率进行修正预测。仿真算例表明所提光伏发电短期功率的滚动预测模型可以更精确地实现功率预测。

基于支持向量回归机的空调逐时负荷滚动预测算法

针对当前空调负荷预测算法精度不高难以满足空调系统节能优化控制的问题,提出基于支持向量回归机(Support Vector Regression,SVR)的空调逐时负荷滚动预测算法,建立SVR滚动预测模型,模型参数采用网格搜索遍历算法进行寻优。为简化模型的复杂性,还对影响空调负荷的主要因素进行了相关性分析。此外,算法利用当日前1 h的滚动信息,不断对模型进行修正以提高负荷预测精度。最后探讨以期望误差为预测精度评价指标时,不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明:基于支持向量回归机的空调逐时负荷滚动预测算法较BP神经网络算法的预测精度提高10.3%,比常规支持向量回归机算法预测精度提高23.9%,训练样本较小时,算法预测性能更为优越。

深基坑变形的滚动预测方法

为了探究在深基坑开挖阶段基坑监测点的数据是否超过预警值并预测变形规律,对传统BP算法进行改进,建立了基于附加动量法和时间效应的五步一出多步滚动BP神经网络预测模型,并将该方法预测结果与传统BP神经网络预测结果进行对比分析。结果表明,所提滚动优化BP神经网络方法对监测点坡顶沉降和水平位移预测的平均相对误差分别为0.80%和0.83%,达到了较高的精度。该方法在基坑变形预测中具有重要的应用价值。

基于神经网络的双连拱隧道拱顶下沉和周边水平位移的滚动预测

在隧道施工过程中,隧道内部的变形是一个复杂的非线性动态系统,利用传统的方法和技术很难揭示其内在的规律.该文用神经网络方法对双连拱隧道的拱顶下沉和周边水平位移进行预测,结果表明神经网络滚动预测隧道的有关变形优于传统的自回归方法.

ν-SVR改进的滚动预测模型及其在大坝沉降监测中的应用

根据支持向量机的预测能力只与支持向量有关的思想,提出滚动预测时剔除非支持向量的改进的滚动预测模型。实际的大坝沉降监测算例表明,改进的滚动预测模型是有效的,预测精度得到提高。

基于支持向量机的城市私人汽车保有量滚动预测

针对城市私人汽车保有量增长预测问题,在对支持向量机理论进行改进的基础上,进行滚动预测研究。在对已有的机动车保有量预测模型进行对比分析的基础上,建立了基于支持向量机的私人汽车保有量滚动预测模型,并利用北京市私家车保有量历史数据对滚动预测模型进行了实证分析。结果表明该预测模型具有较高的预测精度、符合实际需求、具有广泛的应用前景。

动力延伸预报产品在广西月尺度降水滚动预测中的释用

对广西88个站全年各旬月尺度降水距平百分率作自然正交展开(EOF分解),选取累积方差贡献接近75%的前几个主成分为预报量。利用1982年至今的国家气候中心月动力延伸集合预报资料或回算实验资料,从月尺度平均500hPa位势高度、700hPaU、V向水平风速延伸预报场中选取初选预报因子,并运用EOF分解构建成综合预报因子,分别选取其中与各个预报分量相关程度高的主成分建立预报方程,滚动制作广西月尺度降水量预报。91个独立样本试验和实际应用证明,预报效果较好。

电动汽车与直流配电网协同的分布式自适应滚动预测调度

为充分挖掘电动汽车(EV)的灵活调度潜力,提出了EV与直流配电网协同的分布式自适应滚动预测调度方法。首先,建立了电压源型换流器、储能及直流配电网潮流的数学模型;然后,构建了不可调度、只充电和可充放电3类EV充电偏好的数学模型,并以日电能损耗和弃光电量的加权和最小为目标建立了直流配电网自适应滚动预测调度模型,通过实时EV集群的取车时间动态更新调度窗口,以满足每辆EV的期望电量需求;最后,建立了直流配电网分布式滚动预测调度模型,并采用交替方向乘子法实现分布式求解,以解决集中式调度通信量大的问题。仿真结果表明,通过对EV与直流配电网灵活性资源的协同调度可显著降低电能损耗、提升分布式电源接纳能力,同时,所采用的分布式算法具有良好的收敛性能和计算速度。

大王庄隐蔽油藏储层滚动预测方法应用研究

通过地震相分析、三维可视化、波阻抗反演等储层预测技术在大王庄隐蔽油藏储层预测中的应用研究,搞清了该岩性油藏的规模,基本探明了近千万吨的石油地质储量;探索总结出了一套以高分辨率资料为基础,以精细准确的储层标定为前提,以Jason反演、VoxelGeo三维可视化、Stratimagic地震相分析等多种储层预测技术和方法为手段的隐蔽油气藏预测描述技术。

基于互联网数据的消费者信心指数滚动预测研究

互联网的产生与应用为了解消费者心理与行为提供了新的途径,为提高消费者信心指数预测准确性与时效性提供了大量的优质数据。本文以互联网数据的两个典型代表:网络搜索关键词指数数据和网络新闻文本数据为依据,采用滑动时间窗口动态筛选解释变量,运用多种机器学习方法建立模型对消费者信心指数进行预测。研究发现:在提前1~2个月的消费者信心指数预测中自适应提升树回归模型表现最好,其次是Lasso回归模型;在提前3~4个月的消费者信心指数预测中多层感知机回归模型和Lasso回归模型表现最好,其次是自适应提升树回归模型;提前4个月的预测模型精度要明显高于其他提前期的预测精度。结果表明,本文提出的关键词滚动筛选及模型滚动更新方法,能够有效提高预测模型对互联网热词变化的适应能力,相对于宏观经济数据而言,利用互联网数据建立的机器学习模型确实能更早地“感知”消费者信心的变化,预测消费者信心指数,且具有较高的预测准确率。

财务滚动预测模型构建及应用——以恩欣格工程塑料(上海)有限公司为例

传统预算静止刻板的编制模式和机械僵化的预测手段,已难以适应企业经济活动的复杂性和内外部环境的多变性,越来越多的跨国公司转而选择更加动态灵活的超越预算及其滚动预测,作为企业财务预估、计划制定、资源配置、机会把握和客户服务的参考依据。本文以恩欣格工程塑料(上海)有限公司为例,重点就财务滚动预测模型在该公司的构建与实施,全程进行了详尽演示和透彻分析,并归纳总结了滚动预测模型之于公司经营运转的重要意义。