基于NEGM(1,1)与BP神经网络的广义加权比例平均备件需求组合预测

针对备件需求预测问题,构建了基于NEGM(1,1)与BP神经网络的广义加权比例平均组合预测模型,充分利用NEGM(1,1)在解决时间间隔不等的序列拟合预测问题的优越性和BP神经网络特有的计算能力强、鲁棒性好的优点,克服了单纯使用统计分析、灰色理论或神经网络的弊端.并通过实例分析,验证了此模型在备件消耗预测中的有效性与准确性.

基于IGOWFPA算子的组合预测模型

集成算子是当前组合预测研究的一个热点,早期的关于算数平均算子、几何平均算子、调和平均算子的理论已经成熟。但是目前关于广义型集成算子的研究还比较少,很多地方值得更深入细致地研究。首先探讨了什么样的函数可以与加权比例平均算子结合(即单调函数),将现有与"加权比例平均算子"结合的"指数函数、对数函数"推广为一般的单调函数;其次,提出加权函数比例平均(WFPA)系列算子,研究了这些算子的性质;最后,建立了基于IGOWFPA算子的新的组合预测模型,以5类常见单调函数为例进行了实证分析,结果显示误差较小,且具一般性。