基于感染人数预测的应急仓库订货数量研究

文章基于LSTM模型预测感染人数,构建了物资需求模型,推导出应急仓库订货数量。文章首先从应急物资分类入手,为构建订货模型铺垫。然后,针对预测感染人数这一问题的特点选定LSTM作为预测模型,并搭建LSTM模型网络。最后综合各方面影响因素,建立订货数量计算公式。文章提供了重大突发公共卫生事件下单周期应急仓库订货数量量化方法,为应急物资供应链仓储订货提供了科学的数据支撑。

经典灰色预测模型与Markov模型在高校招生人数预测中的比较研究——以河南省为例

高校招生人数是一个非平稳的时间序列,为比较经典灰色预测模型与Markov模型在预测高校招生人数中的优势,验证序列模型的可行性和精确度,以河南省高校招生人数为例,分别利用两个模型对其进行预测。通过预测发现,经典灰色预测模型可以对数据较少的序列进行预测,与其相比,Markov模型在非平稳的波动预测方面具有更高的精确度,可为相关教育部门和高校的招生工作提供一定的参考和指导。

基于ARMA模型的高考人数预测研究——以H市为例

高考是为高校招生设置的全国性统一考试,是国家级重要考试之一。高考人数的变化既能反映人口发展规律,又能反映某一时期社会政治、经济、文化等方面的特点。以H市2009—2022年高考人数为研究基础,通过时间序列分析算法构建ARMA模型,再利用Matlab软件进行数值计算可预测该市未来五年参加高考的人数。研究结果显示,H市未来五年高考人数可能会持续增加,在2027年左右达到3万人。与此同时,未来几年H市经济、社会、科技等方面的发展会对实际高考人数产生一定影响。

基于GSK-AdaBoost-LightGBM的交通事故死亡人数预测研究

交通事故预测研究有助于降低交通事故发生的概率。为提高交通事故预测模型的精度,首先应用网格搜索法获得LightGBM模型的最优超参数,并进行5折交叉验证提升模型的抗拟合能力,建立优化的LightGBM(GSK-LightGBM)模型;然后基于AdaBoost算法训练多个GSK-LightGBM模型,加权组合得到AdaBoost-LightGBM增强集成模型,并采用网格搜索法结合5折交叉验证,实现了AdaBoost-LightGBM模型的参数优化,构建了GSK-AdaBoost-LightGBM模型;最后基于采集到的1953—2018年我国道路交通事故死亡人数相关样本数据训练模型,得到基于GSK-AdaBoost-LightGBM的交通事故死亡人数预测模型,并引入均方误差、平均绝对误差和平均绝对百分误差3项评估指标评估了模型的预测性能,探究了模型的优化效果。结果表明:GSK-AdaBoost-LightGBM模型的3项评估指标值分别为0.014、0.00035和0.077,低于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型的评估指标值,说明该模型的预测精度较高,且明显优于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型。

基于网络搜索指数的游客人数预测研究——以新疆阿勒泰冰雪旅游为例

文章主要对新疆阿勒泰地区的旅游需求进行预测。通过选取影响阿勒泰地区旅游人数的影响因子建模,采用网络搜索指数合成方法对旅游人数进行预测,得到2013年9~12月的旅游人数预测数据,较之传统的时间序列模型,预测精度有一定的改进。

我国奥运项目一、二线等级运动员发展比较分析及人数预测研究

我国一、二线等级运动员比例从1984年的1：0．6增长到2001年的1：6。1991年后，一线运动队运动健将与二级运动员人数呈逆向发展的趋势。预测到2008年，我国奥运项目一线运动员人数将会达到17006-21652人，二线运动员为51525人，三线运动员为407710人，一、二、三线运动队人数的比例关系将达到1：3．0：23．8，二三线后备队伍将会获得更好的生存环境，奥运项目金字塔结构将获得一个更加雄厚的基础。

BP神经网络的样本拓展及旅游人数预测

城市旅游人数预测是一个城市建设规划中的重要决策因素,神经网络恰能描述其非线性的特点。为了使算法在对不同城市的预测上具有通用性,只根据往年旅游人数这一单一指标进行预测,有效地避开了其他因素对其的影响。同时,通过对网络的样本拓展,增加了预测数据的有效性。实验结果表明,该预测模型可以解决城市旅游人数的预测问题,验证了模型的可行性和通用性。

基于马尔可夫链的高校报考人数预测

生活中大部分的预测方法都是在大量连续不断的历史资料基础上预测的,而利用马尔可夫链方法只需要近期的资料就可以很好的预测未来。所以,其应用比较广泛,可以应用在经济、社会、计算机应用、天气等方面。根据马尔可夫链的特点,通过建立学校报考人数的数学模型来对学校报考人数进行预测。

人工神经网络在旅游人数预测中的应用研究

旅游市场趋势预测是旅游业发展战略和旅游规划与开发工作的重要基础依据,是旅游市场研究中最重要的内容之一。本文基于人工神经网络方法,提出使用遗传算法对人工神经网络进行优化,进而进行预测,探索更精确、更适用于旅游市场预测现实状况的预测方法。

基于灰色马尔可夫Verhulst模型的因特网访问人数预测分析

为了科学准确地预测近几年因特网访问人数，提出了应用灰色马尔可夫Verhulst模型进行预测的方法。首先，利用历史数据建立灰色Verhulst模型，通过确定系数可获得因特网访问人数的时间响应序列的表达式，从而可获得未来年份因特网访问人数的发展序列值。然后，结合马尔可夫链过程将序列状态划分为三类，通过确定状态转移矩阵可获得序列处于各状态的概率值及与各状态对应的预测中值，最终求得各序列的修正值。最后，通过2006／12～2012／6期间我国互联网上网人数的历史数据，预测了最近四个统计时段的访问人数。实例表明，该模型预测结果的误差更小、精度更高，还能提供预测结果的波动范围及出现概率，能够为网络建设及管理提供决策依据。

主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用

为有效解决地震伤亡人数预测所需影响因子多、运算量大、模型训练烦琐等问题,构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型,采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分,将贡献率较大的主成分作为支持向量机的输入变量,以地震伤亡人数作为输出变量,利用GA对SVM模型性能参数进行优化,建立基于PCA-GA-SVM的地震伤亡人数预测模型,并对测试样本进行预测,结果表明:与SVM模型、GA-SVM模型和PCA-GA-BP模型相比,PCA-GA-SVM模型的预测准确率和运行效率分别提高4.73%、1.14%、9.99%和47.05%、36.76%、44.55%。结果显示,PCA-GA-SVM模型预测精度高,泛化能力强,能够科学合理地对地震伤亡人数作出预测。

考虑节假日因素影响的上海市月入境旅游人数预测

通过对上海市月入境旅游人数时间序列数据特征的分析,提取了该时间序列的成长性趋势项和周期性趋势项,建立了乘法模型,并对乘法模型的预测误差进行分析,发现节假日因素对预测精度有着重要的影响.关于节假日因素对上海市月入境旅游人数的影响,引入相关变量对乘法模型进行修正,将平均相对误差从4.54%下降到4.12%,将最大平均误差从22.81%下降到18.67%,说明在乘法模型中引入节假日因素能有效提高预测精度.

基于乘法季节模型的海南旅游人数预测

从2011年1月-2017年8月共80个月海南旅游人数数据出发,利用SPSS软件进行季节分解,建立了乘法季节模型。通过拟合最优趋势-循环方程,利用季节指数,实现对海南旅游人数的预测。2017年9、10月份接待过夜游人数预测相对误差分别为2.93%和3.39%,国内旅游者人数预测相对误差分别为2.88%和3.92%,一步预测效果很好。在信息化、数字化时代,月度预测利于有关部门更准确、及时地掌握旅游人数变动,并及时做好预防和调控措施,提升海南旅游业的服务品质。

基于优化马尔可夫模型的煤矿事故死亡人数预测

为准确预测煤矿事故死亡人数,分析灰色模型、维新灰色模型和无偏灰色模型3种灰色模型在煤矿事故死亡人数预测方面的适用性和应用性。首先,采用后残差比、平均相对误差和小误差概率3个指标,分别分析3种模型的预测准确性;然后,用马尔可夫模型优化修正最佳的灰色模型预测结果;最后,预测2020—2022年煤矿事故死亡人数。结果表明:原始数据的区间选择对预测精度影响较大,应尽量选择预测精度较好的数据区间段;通过对比分析3种模型的预测精度,无偏灰色模型为最佳模型;无偏灰色马尔可夫模型不但能消除灰色模型的固有偏差,而且能提高预测精度。该模型平均预测精度达到93.8%。

基于门控循环单元的多因素感知短期游客人数预测模型

提出的预测模型采取分时序分段策略,使用卷积神经网络(CNN)提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元(GRU)以挖掘其中的时序信息,结合预测时刻的情境信息(天气状况和节假日)预测短期景区内游客人数.在某景区的闸机数据集和监控点车辆数据集上的实验结果表明:基于门控循环单元的多因素感知短期游客人数预测模型可以充分考虑多情境因素并对不同因素时序数据赋予不同的权重,均方根误差(RMSE)和平均绝对百分比误差(MAPE)均小于传统模型,能够有效降低短期游客人数预测误差。

基于改进型RBF神经网络震灾伤亡人数预测

地震发生后,准确、快速地预测受灾地点的人员伤亡情况,对于有效开展救援工作具有重要指导意义。针对现有预测方法的不足,设计基于PSO优化算法的改进型RBF神经网络预测模型,以震级、地震破坏烈度、发生时间等7个指标作为输入,以人员伤亡数作为输出,经过对比验证,该方法较传统预测方法具有更好的时效性和准确性。

基于GM(1.1)模型的出国留学人数预测研究

基于有限的出国留学人数的数据,利用GM(1.1)模型建立了我国出国留学人数的预测模型。结果表明,模型的预测精度等级为好。预测结果为国家有关部门掌握出国留学的趋势,制定有关政策提供了辅助决策依据。

BP神经网络模型在应急需求预测中的应用——以地震伤亡人数预测为例

为更准确地预测应急需求,以地震伤亡人数预测为例,收集1990—2010年全国范围内破坏性地震的伤亡人数资料,综合考虑影响地震人员伤亡的众多因素,选取地震发生时间、震级、震中烈度、人口密度、抗震设防烈度、预报水平等6项主要因素作为评价指标,采用BP神经网络,以主成分作为输入层神经元,伤亡人数作为输出层神经元,经过网络训练对样本数据进行仿真,建立地震伤亡人数预测模型。算例表明,与高斯拟合函数模型相比,BP神经网络模型对地震后伤亡人数的预测精度提高了7.5%。

利用等维新息灰色模型的互联网人数预测方法

为了提升互联网人数预测的精度,采用经典的灰色模型方法进行研究,并在此基础上进行2次改进。首先对其背景值进行重构,再利用等维新息优先的思想进行第2次改进,最后结合2010-2015年互联网用户人数对2016-2018年互联网用户人数进行预测。结果表明:2次改进的灰色模型与传统的灰色模型相比,平均相对误差约减少5.83%。

基于数学模型的南京旅游人数预测与方案优化

本文通过建立灰色模型和回归模型,以近年来前往南京市旅游的人数为数据基础,对未来几年前往南京市旅游的人数和南京市旅游收入的发展进行了分析与预测。结果表明,南京市的旅游人数随着年份的增长在按不断增加。且随着旅游人数的增加,南京市的旅游收入也在增长,并与旅游人数有着密切的关系。针对此结论,我们对南京市未来的旅游规划提出了合理的建议及优化方案。