基于CBP的卷烟销售二重趋势时间序列预测模型研究与应用

二重趋势时间序列的预测结果与其整体趋势变动性和季节波动性的特征有较大的关系,在采用神经网络并针对其特征的基础上还没有较好的预测方法.本文以圆形反向传播网络(CBP)为基础,提出二重趋势时间序列预测组合模型(CCBP),即根据二重趋势时间序列特征对其趋势分量与周期分量采用圆形反向传播网络分开进行预测,再对二者积乘.以云南省某片区若干卷烟销售网点的采样数据为研究实例,证实了CCBP模型在二重趋势时间序列预测方面性能有所提高.

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节型负荷预测问题 ,说明了此优化模型分别优于两种单一发展趋势负荷预测模型 ,给出了电力负荷预测的应用实例 ,为季节型电力负荷预测提供了一种新的。

基于二重趋势预测模型的安徽城市居民消费价格总指数预测分析

主要针对安徽城市居民消费价格指数的变化进行研究,重点分析了消费价格总指数的增加趋势和周期循环态势,预测未来几年安徽城市居民消费价格指数将在增加趋势和周期循环趋势的共同作用下出现的态势,分析其具体的原因并提出双向控制、承接大势、农村先行和稳定房价等建议。

电力负荷预测的最优分段校正模型研究及应用

中长期电力负荷同时具有增长性和波动转折性的二重趋势,这使得电力负荷的变化呈现出复杂的非线性特征。传统的中长期负荷预测模型仅考虑一种变化趋势,从而预测效果较差,不能符合实际需要。为了提高预测精度,更精确地反映负荷变化规律,通过改变GM(1,1)模型中微分方程的初始条件,且对历史负荷进行最优分段,在此基础上建立了电力负荷预测的最优分段校正模型,使模型具有二重趋势性特点。通过实例验证,较大提高了预测精度。

电力需求的非线性回归组合神经网络预测研究

电力需求同时具有典型的增长性和季节波动性二重趋势,从而显示出复杂的非线性组合特征。为了提高电力需求的预测精度,提出一种新的预测模型——非线性回归组合神经网络模型。该模型有效兼顾了非线性回归分析和人工神经网络的优点,与其他预测模型进行了比较,该模型明显提高了电力需求预测的精度。仿真实验表明了该模型用于电力需求预测的可行性和有效性。同时,该模型也可以作为其他类似季节型时间序列预测建模的有效工具。

基于Beta样条曲线与GM模型组合的月度负荷预测

本文基于月度负荷具有增长性和季节波动性的二重趋势特征,提出了一种新的月度负荷预测方法。该方法通过运用GM模型对纵向历史数据预测,对于横向历史数据采用Beta样条曲线预测,共同构建组合预测模型,最后给出这种预测方法的建模步骤。通过实例和对比分析,证明新的方法是可行和有效的。

综合最优灰色支持向量机模型在季节型电力负荷预测中的应用

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。