基于CNN-LSTM的原煤产量预测模型

为了准确地预测原煤产量,本文选择结合卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,L-STM)算法,建立基于CNN-LSTM的原煤产量预测模型。使用2010年1月至2021年12月中国原煤产量的月度数据作为训练集,2022年1月至2022年12月的数据作为检验集。利用训练后的模型预测2023年1月至2023年12月的原煤产量。通过与其他两种单一模型进行对比,并根据绝对相对误差评估模型预测结果。结果表明:CNN-LSTM模型的原煤产量预测结果与实际值的绝对最大误差为4.98%,预测精度显著提高,得到了2023年一整年的月度原煤产量预测结果,为国家未来发展和企业规划提供了科学的指导依据。

灰色理论及季节变动在原煤产量预测中的应用研究

本文应用灰色预测理论及可变季节指数法,建立了灰色预测模型及可变季节指数预测模型,并对我国2006年各季度原煤产量进行了预测,又对这两种预测结果进行了组合预测,预测效果好。

灰色理论及节季变动指数在原煤生产量预测中的应用研究

应用灰色预测理论及可变季节指数法,建立了灰色预测模型及可变季节指数预测模型,并对我国2006年各季度原煤产量进行了预测.经检验其结果是令人满意的.又对这两种预测结果进行了组合预测,这种方法在原煤生产量预测方面具有一定的实用价值.

基于DEA回归和C-D生产函数的原煤产能预测模型构建

为了克服采用灰色理论和多元线性回归预测原煤产量的不足,论文采用统计抽样的方法,选取了35家煤炭企业为研究对象,釆用数据包络(DEA)和C-D生产函数,将预测原煤产量指标由掘进总进尺(A)、掘进工作面平均月进度(D)、原煤全员效率(F)修正为掘进总进尺(A)、回采工作面平均月产量(B)和掘进装载机械化程度(E),建立了"基于DEA回归和C-D生产函数原煤产能预测模型"。该模型的建立,可用于判断企业的原煤产能是否处于"相对有效"的生产前沿面上,也可用于"生产有效"企业原煤产量的预测。