分段线性回归和动态加权神经网络融合的高炉料位预测

针对高炉料位难以连续高精度测量的问题,提出了一种基于分段线性回归和动态加权神经网络的高炉料位信息预测方法.首先,通过分析高炉布料机制和料位检测数据特点,提出了一种面向雷达和机械探尺检测数据时间序列的联合划分方法,用于提取高炉料位的周期性变化特征;然后,利用该变化特征构建分段线性回归模型,获得能准确描述料位变化的回归曲线;最后,以回归统计指标为权重调节系数,利用动态加权径向基神经网络对料位信息进行预测.实例验证表明,该方法融合了机械探尺检测数据精度高以及雷达检测数据连续性好的特点,实现了高炉料位信息的实时有效预测.

基于加权线性回归模型组的湖北省工矿事故死亡人数分析预测

以2005-2014年湖北省工矿企业事故死亡人数为基础,通过对时间序列图分析可知,该省工矿企业事故具有明显的周期性、季节性。另外,依据安全系统特征属性,系统近期的状况相对远期的状况对未来预测更具有影响力。因此,各个季节数据的权重应有所不同。综合考虑以上两种情况,提出对4个季节建立不同的线性加权线性回归模型,并进行组合,形成加权线性回归模型组,进而对2015-2016年各个季度进行预测。最后,与传统的时间序列分析方法比较可知,加权线性回归模型组的方法建立的模型显著性、拟合度更高,并且模型的可读性更强、更简单。

基于夹角余弦的混沌局域加权线性预测算法

针对基于欧氏距离的混沌局域预测算法在高嵌入维情况下预测精度迅速下降的问题,提出了基于夹角余弦的局域加权线性预测算法。该算法使用夹角余弦取代欧氏距离作为判别相点间相关性的标准;同时将相点间相关性大小通过加权的方式作用于预测模型;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。在详细论述改进算法理论基础的同时,使用南方某城市电力负荷进行了算例验证。算例结果表明,改进算法的预测精度明显优于原算法,验证了改进算法的有效性。

α-加权模糊线性回归模型及其在电力需求预测中的应用

建立了一种回归系数为对称三角模糊数的α加权模糊线性回归模型,运用模型进行了电量需求预测.实际需求和预测结果分析表明,该模型能够实现历史数据“重近轻远”的预测效果,进一步提高预测精度,减少预测误差,适合于电力需求预测.

灰铸铁抗拉强度预测的局部加权线性回归建模

为实现在生产现场对灰铸铁抗拉强度进行快速、准确的预测控制,引入非参数化的局部加权线性回归建模方法,过程参数的选择结合铁水热分析仪检测的碳、硅含量及光谱仪检测的锰、磷、硫等主要化学成分值。从安徽一家大型铸造厂的实际生产中采集100多炉铁水化学成分与对应抗拉强度数据,经预处理后,分成训练集和验证集,进一步从新的生产批次采集检测数据组成测试集;并从文献中收集40组数据组成另一数据集,进行两组对比验证实验。将局部加权线性回归模型,与目前灰铸铁强度预测中常用的多元线性回归模型和BP神经网络模型对比,验证了该方法能够达到更高的预测精度,且其非参数化的建模方式能够更好地适应生产现场复杂多变的工况环境。

用线性回归的加权分配法对工作流时间的预测

为了更好地为一项新设计任务估算合理的设计时间,为流程设计者提供科学的、优化的决策支持。以项目需求和创新性为评价标准,采用线性回归法对工作流中的设计过程进行预测,对得到的回归方程进行线性回归关系的显著性检验,并给出了预测时间值的置信区间。采用加权分配法对工作流各个节点的执行时间进行估算,给出了加权分配法的公式,并采用正态分布对工作流及工作流各个任务节点的工作进度进行了估算。

基于局部加权线性回归模型的风速短期预测研究

为提高风速预测的准确性,引入局部加权线性回归算法,建立风速局部加权线性回归预测模型。该模型首先通过核函数对每一历史风速设置权重,产生新的风速数据集。其次,对新的数据集进行最小二乘线性拟合回归,建立风速局部加权线性回归模型。最后,根据该模型对风速进行短期预测。以某风电场的实测数据进行仿真验证,并与传统的ARIMA模型和BP神经网络预测模型对比,实验结果表明本文所提方法的有效性,为风速预测提供一种新方法。

混沌时间序列的局域线性回归预测方法

混沌时间序列预测是８０年代末发展起来的一种非线性预测新方法．它已在天气预报、经济预测、电力负荷预测、股市预测等方面得到成功应用．混沌运动是确定系统具有内在随机性的一种运动，它的行为极其敏感地依赖于初始条件．混沌系统从两个极其邻近的初始点出发的两条轨道...

基于IOWA算子的指数平滑模型与非线性回归模型的组合预测

文章首先对观测值进行单个预测,然后通过建立基于IOWA组合预测模型,构建了以误差平方和最小为准则新的组合预测模型,通过求解非线性规划模型给出了基于IOWA组合预测的最优权系数。最后对比预测效果评价指标体系的各个指标,表明该组合预测模型能提高模型预测的精度。

加权模糊回归方法在电力负荷预测中的应用

探讨了社会经济指标及其时间序列对电力负荷影响的程度,采用模糊数学和优化理论建立起一套加权模糊预测模型.通过对深圳地区远景年电量的预测实例表明,该预测方法是可行而有效的.

电力负荷预测线性相关方程的最佳权重加权最小二乘法

针对电力系统负荷预测的一元线性回归模型,提出了基于加权最小二乘法建立相关方程的最佳权重法.与传统的最小二乘回归法相比较,该方法综合考虑x及y方向误差确定相关方程,所求相关方程不会因坐标系的选取而改变,结果较为客观,可作为电力负荷预测的一种新的补充方法.

小波预处理的加权灰色线性回归组合模型及应用

准确预测高速公路路基沉降是有效预防和控制高速公路建设期和建后运营期路基沉降的重要保障。针对路基沉降系统是一个信息不完全的灰色系统,收集到的监测数据通常含有噪声,利用小波消噪函数对样本数据进行预处理,运用灰色预测理论构建灰色模型GM(1,1)与线性回归的加权组合模型,用于对路基沉降量进行预测。研究表明,模型改善了原灰色预测模型仅能反映指数增长趋势而不能反映线性变化趋势的不足,和单纯灰色模型相比,预测精度更高,预测结果更为可靠,具有一定的实际应用价值,也为路基沉降预测研究提供了新的途径。

非线性回归的杠杆点及其在预测中的应用

本文讨论了非线性回归的诊断问题。给出了非线性回归模型中样本点杠杆值的几种度量方式。本文还提出了利用杠杆值作权重的加权最小二乘方法，改进了模型预测精度。

基于局部加权线性回归的交通事故数据分析

结合我国1998—2016年交通事故有人员伤亡的事故数据,对未来若干年的事故数据走向进行预测.利用局部加权线性回归方法,建立预测模型,预测结果包含2017年以后每年的交通事故数及死亡人数.分析了1998年至2016年的交通事故数发展趋势,并初步探究其背后的原因.该预测及分析结果可为国家道路交通安全管理提供参考.

α-加权和贴近度递变模糊线性回归模型及应用

用模糊线性回归分析方法进行多元线性回归分析,能较好地处理传统模糊线性回归模型中因变量和影响变量之间关系复杂、预测结果有一定模糊性的回归分析预测问题。以因变量和各回归变量的相关系数为基础,采用α-加权和递变的贴近度标准对传统的模糊线性回归模型进行了改进,并对改进后的模型进行了评价。实际算例结果表明,改进模型的拟合精度和预测精度均有较大的提高,具有一定的实用性。

基于密度峰值聚类和改进LWLR的短期电力负荷预测

短期电力负荷数据具有复杂性和不确定性等特征,这些特征往往会对数据的预测结果产生不可控制的影响。使用传统的聚类方法对短期电力负荷数据进行聚类分析时,预测结果会因电力负荷的不确定性等特点产生偏差。此外,考虑到全局回归预测方法在建模阶段无法对不同部分的数据采用不同的建模方式,限制了对于不同分布区域或不同特征子集的自适应性能力的问题。文中采用K近邻和加权相似性的密度峰值聚类算法对短期电力负荷数据进行特征分类,并提出一种利用K近邻的局部加权线性回归模型对短期电力负荷进行预测。该模型的优点在于避免了欧氏距离对簇类中心选取的影响,降低了全局数据对局部数据的负面影响,避免了簇类划分的集中效应,提高了模型的泛化能力。通过与模糊C均值聚类和传统的全局回归预测方法对比,本文提出的模型对于真实电力数据的预测效果更加优越。

基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。

递进自回归预测方法

提出递进自回归预测方法,其中包括递进自回归模型、递进自回归滑动平均模型、递进时变自回归模型、递进时变自回归滑动平均模型、递进回归—自回归模型。建立时间序列的递进预测公式,给出其最佳无偏预测,并推导出递进均方误差计算公式和高置信水平的递进预测区间估计。该方法是以逐步线性形式表示的一种非线性预测,既具有线性预测的简单性,又具有非线性预测精度高的特点。它不但可用于平稳时间序列预测,而且还可用于非平稳时间序列预测、确定性时间序列预测和小样本预测。此外,文中还给出时间序列线性组合及乘积的预测方法。并通过加权累加、倒数变换等方法,对观测值进行映射变换,使其呈现出更强的规律性,以进一步提高预测精度。