GA-BP组合预测方法在北洛河年径流量预测中的应用

为寻求较为合理的径流量预测方法,利用GA-BP组合模型进行径流量预测的研究,首先利用GA算法(Geneticalgorithm)全局搜索能力定位出一个较好的搜索空间,再利用BP算法(Backpropagation)神经网络的局部寻优能力,以陕西省北洛河状头站实测数据为基础进行径流量预测。结果表明:利用GA-BP组合模型预测2001—2010年结果的相对误差分别为-8.9%、-12.6%、-7.4%、9.4%、-7.6%、15.0%、-5.5%、10.7%、13.3%和-8.2%,预测精度较高,从相对误差和训练次数比较可以看出,GA-BP组合模型优于基本BP模型和GA模型。

地铁进站客流量SARIMA与GA-BP神经网络组合预测模型

为提高地铁进站客流量预测精度,提出一种基于SARIMA模型和GA-BP神经网络的客流量组合预测模型,通过已有客流相关数据构建预测客流量的SARIMA模型和GA-BP神经网络模型作为组合模型的子模型,再利用拟合SARIMA模型的最大季节回归多项式个数确定组合模型因变量个数,之后结合季节周期和子模型的预测值确定组合模型的因变量,并基于子模型预测值的平均绝对百分比误差(MAPE)确定组合模型的因变量权重,最后进行实例验证。结果表明:当预测个数为5个时,组合预测模型的MAPE为3.11%,介于子模型之间但优于传统的线性组合模型;当预测个数为10个时其MAPE为5.13%,优于所有对比模型。

基于ARMA-GABP组合模型的电网大停电事故损失负荷预测

损失负荷作为衡量大停电事故风险的重要指标,如何对其进行准确预测对于电网的安全运行具有十分重要的参考意义。选取1981—2016年东北电网和西北电网的大停电事故损失负荷作为实验数据进行分析,为消除电网发展对数据分析产生的影响,采用相对值法对电网大停电事故损失负荷进行处理。根据实验数据的特点,将损失负荷相对值的数据结构分解为线性和非线性残差部分,建立自回归滑动平均(ARMA)模型和遗传算法(GA)优化的误差反向传播(BP)神经网络组合模型,对东北电网大停电事故进行综合分析与预测。将所提模型的预测结果与单一模型和ARMA-BP模型的预测结果相对比,结果表明,所提模型的预测精度更高,预测效果较为理想。为进一步验证该预测模型的有效性,将西北电网大停电事故数据代入预测模型,实验结果表明该预测模型在电网大停电事故损失负荷方面具有良好的预测效果。

基于GA-BP神经网络与正态区间估计的需水预测——以邯郸市为例

科学准确的需水量预测结果可以为城市水资源供需平衡决策提供合理依据。针对城市需水涉及因素多、历史数据样本量少、需水量具有波动性和不确定性的特点,提出了基于GA-BP神经网络与正态区间估计的组合预测模型,模型使用主成分分析法、灰色关联分析法筛选影响因子,加入遗传算法优化BP神经网络,构建GA-BP神经网络,最后引入正态区间估计,输出需水量区间预测值,利用此模型对邯郸市2019年总需水量进行模拟预测,结果表明:单一使用GABP神经网络的点预测结果相对误差在-6.2%~5.13%之间;基于GA-BP神经网络和正态区间估计的组合预测模型的区间预测结果相对误差在-1.01%~0.004%之间,可见基于GA-BP神经网络与正态区间估计的组合预测模型更稳定、更准确,更接近邯郸市实际需水状况,该组合模型可作为邯郸市需水量预测的一种方法。

基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测

城市短期燃气负荷具有高随机性和复杂性特征,利用单一的模型难以做出准确预测。以某城市民用类燃气日负荷为研究对象,在分析该市两年多燃气日负荷特征的基础上,建立了基于BP神经网络(BPNN)-经验模态分解(EMD)-长短期记忆(LSTM)神经网络的组合预测模型,对该市短期燃气日负荷进行了预测。首先通过BPNN模型学习温度、日期属性影响下燃气负荷的主要特征,增长趋势等次要特征则体现在BPNN模型预测产生的残差中;然后采用EMD算法分解残差得到有限个本征模函数(IMF),并利用LSTM模型学习各IMF分量的短期时序规律,将各IMF分量的预测值相加得到残差预测值;最后将两部分预测值代数相加得到最终的预测结果。实证结果表明:与单一的LSTM模型和BPNN-LSTM模型相比,该组合预测模型半月步长的平均绝对误差为3.4%,预测精度更高,是一种更为有效的城市短期燃气负荷预测方法。

基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。

基于多元线性回归与BP神经网络的矿井瓦斯预测模型应用

矿井瓦斯涌出量受众多因素的影响。经研究表明,煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进度及日产量是影响瓦斯涌出的主要因素。利用多元线性回归和BP神经网络理论,分别对矿井瓦斯涌出量进行了预测,最后建立了多元线性回归与BP神经网络的组合预测模型。该模型兼顾了多元回归分析的非线性特性和神经网络的时序特性,通过具体的实例研究,对比了各种方法的预测结果。结果显示,组合预测的结果与实际有较高的拟合度,可靠性高。

神经网络结合机器学习的煤与瓦斯突出量和危险性等级预测组合模型

准确预测煤与瓦斯突出危险性能够有效预防煤与瓦斯突出事故,保证煤矿的安全高效生产。为提高煤与瓦斯突出预测模型的准确性和普适性,提取BP神经网络最后一步隐藏层作为随机森林的输入特征,构建了BP神经网络结合随机森林的组合模型(BP-RF模型)。以60组煤与瓦斯突出工程数据集作为样本,采用平均误差、均方误差、危险等级预测精度和相关系数对模型进行了定量评价。研究结果表明:所建立的BP-RF模型对煤与瓦斯突出危险等级预测的准确率为99.9%,对煤与瓦斯突出量的预测准确率为94.87%。所建立了BP-RF模型性能优于BP、RF、IFOA-GRNN模型,精度较高。同时,根据所建立模型对所有特征的敏感性进行了分析,研究认为煤层深度、厚度煤层、地质构造变化、煤层厚度变化、煤层倾角变化、软层厚度变化、煤层软塌现象、煤层坚固系数变化、钻井动力学现象、气体释放初始速度对模型预测结果最为敏感,在煤矿实际开采过程中必须要高度重视。

基于最优加权组合模型的转炉炼钢耗氧量预测

针对转炉炼钢过程中氧气消耗量难以准确预测问题,提出了一种基于灰色系统和遗传算法优化的BP神经网络组合的转炉耗氧量预测模型。首先,对提取出的转炉冶炼历史数据,运用灰色关联度方法确定出转炉炼钢氧气消耗量序列的主导因数序列;再对筛选出的主导因数序列数据运用灰色系统模型和GA-BP神经网络模型分别进行预测,最后,根据模型的预测结果,以组合预测误差平方和最小为目标函数,计算出各个模型的最优权重系数并进行加权融合进而实现了对转炉氧气消耗量的预测。仿真结果表明,提出的组合预测模型在减小预测误差、提髙预测精度以及增强泛化能力等方面优势明显,更加适合于转炉炼钢耗氧量的预测。

基于组合模型的油气管道腐蚀速率预测

对预测管道腐蚀速率的2种主要方法——灰色预测方法和神经网络方法的优缺点进行分析,在此基础上,提出一种基于双改进的复合灰色神经网络预测方法。该算法总体思路为:首先计算灰色预测样本和真实值之间的残差,其次将残差作为神经网络的输入样本进行训练,然后利用马尔柯夫过程对预测残差进行修正,得到1组最终修正残差,最后根据灰色预测值和最终修正残差确定下一时刻数据的预测值。通过实例应用,并与相关文献结果进行比较,结果表明,基于双改进的灰色神经网络组合预测模型预测精度更高。

基于集对分析的径流组合预测模型

采用人工智能BP模型、小波BP模型及GA-BP模型对径流进行预测,然后将径流的实测值系列A和上述3种模型的预测值Bi建立集对H(A,Bi),利用集对分析的同、异、反特性进行联系度计算,据此确定径流预测模型的相对隶属度,并对隶属度进行归一化处理,得到上述3种模型的权重,再依据此权重建立相应的径流组合预测模型。应用1950~1975年小浪底水库的资料,对径流组合预测模型进行模拟,结果显示其预测精度明显高于单个模型的预测精度。

基于时序数据的软件可靠性模型组合新方法

基于时序数据的软件可靠性模型受到越来越多的关注,然而单一模型在精确度和通用性上都存在不足,鉴于此,提出一种新的软件可靠性模型组合的方法,该方法将反向传播(BP)神将网络模型和支持向量机回归(SVMR)模型进行组合,通过遗传算法(GA)和滑动窗口机制构造可靠性模型输入,使用粒子群(PSO)算法选择单一模型的最优参数,并使用BP神经网络确定两个模型的权重值建立组合模型,来预测下一阶段的软件失效数据。最后进行了仿真实验并做了对比分析,结果表明该方法较单一模型具有更高的精确度和较好的通用性。

天然气产量预测的优化组合模型及其应用

对天然气产量进行合理预测决定着气田开发的效益和开发方案的科学性与合理性。为此,基于我国2001—2014年的天然气产量引入优化组合模型,对我国未来天然气产量进行了预测,并将此结果与线性回归、BP神经网络、灰色理论等预测结果进行了比较,证明了优化组合模型能够科学地预测天然气产量,这为我国准确预测天然气产量提供了理论依据和参考依据。

基于组合预测模型的变压器油中溶解气体浓度预测

结合BP神经网络和灰色理论两种单项预测模型算法,提出组合优化预测模型算法,实现对变压器油中溶解气体浓度更为精确的预测。该组合模型算法机理是根据预测误差平方和最小化的原则,首先计算各单项预测模型的权重,然后将各单项模型的权重进行加权综合计算,建立组合最优预测模型。以变压器中溶解的H_2为例验证了该组合算法汲取了两种单项算法的优点,不仅使各单项预测算法的预报误差降低,也有效提高了预测模型的预报性能。

基于经验模态分解改进神经网络光伏出力预测

光伏发电存在光伏出力不稳定性与波动性等问题。本文提出一种基于经验模态分解(EMD)的遗传算法(GA)优化BP神经网络的短期发电功率预测模型,优化了BP神经网络迭代次数多、收敛时间长等缺陷。从某小型光伏电站获得发电数据,建立EMD-GA-BP预测模型,与单一的BP神经网络预测模型和GA-BP神经网络预测模型作对比,证实本文提出预测模型稳定性好且误差较小,具有一定的研究价值。

基于组合模型的中小电商商品短期需求预测

近几年,中小型电商企业迅速崛起,库存成本过高遏制着中小型电商企业进一步发展。精确的短期需求预测可以帮助中小电商企业减少库存积压,节约库存成本。为了准确预测中小电商企业产品的短期需求量,通过建立关于GM(1,N)多维灰色模型和GA-BP神经网络模型的组合模型,将三个模型运用到实例中进行预测,对比预测结果以验证组合模型预测效果。预测结果显示,组合模型较GA-BP模型、GM(1,N)模型具有更高的预测性,具有较好的预测效果,对中小电商企业库存管理有重要应用价值。

基于分数阶灰色神经网络组合模型的四川省天然气需求预测分析

经济增长的必要支撑条件之一是能源消费量的迅速增长,因此做好未来能源需求预测为能源规划提供科学依据有重要的现实意义。分数阶灰色模型和BP神经网络在能源预测问题领域应用十分广泛,但两者各自存在相对缺点。本文将两者进行加权组合,建立分数阶灰色神经网络组合模型,利用全国制造业天然气消费数据,将组合模型与分数阶灰色模型、BP神经网络进行预测结果误差比较分析,验证组合模型的有效性和精确性。再利用该组合模型对2017-2021年四川省天然气消费数据进行预测分析,结果表明,四川省天然气消费量总体呈上升趋势。

油气管道腐蚀的灰色线性回归组合预测模型

油气管道腐蚀作用机理复杂,诸多因素存在模糊性与相互关联性,对管道腐蚀速率的有效预测存在一定困难。运用具有处理线性和非线性因素能力的灰色线性回归组合模型对油气管道腐蚀进行建模,并引入BP人工神经网络模型对组合模型的残差进行修正,以进一步提高预测精度。将所建模型应用于某油气管道腐蚀速率的预测中,结果表明:所建灰色线性回归组合模型在对油气管道进行腐蚀预测时,既充分考虑到了原始数据的线性因素,又考虑了其非线性因素,预测效果较好,同时适用于解决其他复杂腐蚀体系的预测问题。