广义加权函数平均组合预测模型及其应用(英文)

针对各种预测问题的实际情况 ,组合预测模型可以采用多种不同的组合形式 .而不同的组合预测模型 ,其预测效果是不同的 .给出一种新的组合预测模型——广义加权函数平均组合预测模型及其加权系数的参数估计方法 .利用此模型对航材消耗进行预测 。

基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型研究

建立了航材消耗的灰色系统预测模型与神经网络预测模型 ,同时给出了一种新的具有广泛代表性的组合预测模型——广义加权函数平均组合预测模型及其加权系数的参数估计方法 ,并利用此方法建立了基于灰色系统与神经网络的航材消耗广义加权函数平均组合预测模型 ,最后以实例说明了其预测效果 .

连续区间广义有序加权调和平均算子及其在区间组合预测中应用

在连续区间有序加权调和平均(Continuous ordered weighted harmonic averaging,C-OWHA)算子的基础之上,提出连续区间广义有序加权调和平均(Continuous generalized ordered weighted harmonic averaging,C-GOWHA)算子。对该算子进行拓展,提出了加权的连续区间广义有序加权调和平均算子、有序加权的连续区间广义有序加权调和平均算子、诱导有序加权的连续区间广义有序加权调和平均算子及组合的连续区间广义有序加权调和平均算子,以便能够用于计算区间数据组。此外,在诱导有序加权的连续区间广义有序加权调和平均算子的基础之上,以灰色趋势关联度为相关性指标,提出了基于灰色趋势关联度的诱导有序加权的连续区间广义有序加权调和平均算子的区间数组合预测模型,通过实例分析,表明该模型能够起到提高预测精度的作用。

基于对数灰关联度的加权几何平均组合预测模型的有效性

基于对数灰关联度的加权几何平均组合预测是一种新的非线性组合预测。针对该方法提出新的优性组合预测、预测方法优超、冗余度等概念,给出优性组合预测存在的充分条件,最后证明冗余预测方法的一个判定定理。

广义加权平均组合预测及其应用

本文利用拉格朗日乘数法给出广义加权平均组合预测权系数的简易计算方法 ,并将此预测方法用于航材消耗预测。

广义加权平均组合预测在市场需求预测中的应用

运用广义加权平均组合预测模型进行市场需求预测 ,以克服传统的单一市场预测方法的不足。通过实例分析研究 ,组合预测能获得更好的预测效果。

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.

基于指数加权移动平均多维组合模型的电力负荷预测

随着电力行业的不断发展,对电力用户侧进行用电负荷预测成了满足用户用电供需平衡和电网规划的重要部分。在大数据背景下,为提高电力负荷预测结果的准确性,针对历史数据时间远近的影响,分别考虑同期历史数据和近期历史数据两类数据局限性的影响,基于时间占优的原理,引入指数加权移动平均模型对不同时刻的数据进行权重分配,提出了改进的电力负荷预测模型。以某地区电力负荷预测为例,所得预测结果在标准误差上提高了29.5%,平均绝对百分误差提高了25.7%,分析结果表明提出的模型是可行的且有较高的精确度,为电力负荷的预测提供可靠的参考依据。

基于诱导有序加权平均算子的最优组合短期负荷预测

为提高预测精度,弥补现有组合预测方法中单项预测方法在各预测点的加权系数恒定等不足,提出了一种新的组合预测方法——基于诱导有序加权平均算子(inducedordered weighted averaging operator,IOWA)的短期负荷最优组合预测方法。该方法针对同一预测方法在不同时刻的预测效果不同,按照各单项方法在不同时刻预测精度的高低进行有序赋权,实现方法的优缺点互补,降低预测结果对某一方法的依赖性,达到提高预测精度的目的。文中基于IOWA算子的组合预测方法,建立相应的确定权系数的优化模型,给出采用现代内点法解算该优化模型的过程及步骤。实际应用结果表明,该方法能有效提高组合预测精度且计算时间短。

最优加权几何平均组合预测在短期电价预测中的应用

准确的短期电价预测可为市场参与者的竞价策略提供指导,直接影响着参与者的利益。针对电价预测的精确度问题,引入了最优加权几何平均组合预测方法,它综合利用了二次指数平滑、自适应模糊神经网络和修正的灰色模型三种方法提供的有用信息,并且该组合预测模型的误差平方和小于各单一预测方法的误差平方和,因此进一步提高了预测结果的准确性。最后用算例验证了该组合预测方法的可行性。

基于IOWC-GOWA算子的区间组合预测模型

在连续区间数广义有序加权平均(C-GOWA)算子基础上,将IOWA算子和C-GOWA算子相结合,提出诱导有序加权连续区间广义有序加权平均(IOWC-GOWA)算子的概念。以指数支撑度作为相关性指标,构建新的组合预测模型。通过实例分析说明该模型能有效提高预测精度。

中长期电力组合预测模型的理论研究

传统中长期电力负荷组合预测方法中权系数依赖预测方法,预测模型不能很好地反映负荷发展变化规律,对此,提出了基于诱导有序几何加权平均算子(induced ordered weighted geometry averaging operator,IOWGA)和加权马尔可夫链的新型组合预测模型。该模型根据每个单项预测方法在各年份上预测精度的高低按顺序对其赋权,摆脱了权重对各预测方法的依赖,实现了组合预测模型中权系数与拟合精度在任一时点上的相关性。通过加权马尔可夫链定性地推测出预测年份上各单项预测方法的预测精度状态,确定其在预测年份的权系数进而预测。算例分析表明,该组合预测模型能够较好地模拟负荷发展规律,提高预测精度,具有较高的实用价值。

基于IGOWLA算子的区间组合预测模型

文章针对实际值序列和预测值序列均为区间数的组合预测问题,将区间数的左右端点作为考虑问题的出发点,引入诱导广义有序加权对数平均算子(IGOWLA)算子的概念,以误差平方和为准则,分别建立左右端点的基于IGOWLA算子的变权系数最优组合预测模型,并通过引入偏好系数把多目标最优化模型转化为单目标最优化模型。通过实例分析说明了该模型能有效提高预测精度。

基于ARIMA与WASDN加权组合的时间序列预测

为了提高时间序列预测方法的预测精度以及增强其适用性,提出一种ARIMA-WASDN加权组合方法。该方法同时使用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型与配备权值及结构确定(weights and structure determination,WASD)算法的幂激励前向神经网络(WASDN)对时间序列进行建模、测试以及预测。根据测试结果,将ARIMA与WASDN进行加权组合。数值实验结果显示,所提出的ARIMA-WASDN加权组合方法的预测精度高于ARIMA或WASDN单独使用时的预测精度,验证了该方法在时间序列预测方面的有效性和优越性。

混合模型在沉降监测中的组合预测方法

对建筑物沉降数据进行建模预测,以便掌握其变形规律并预测变形趋势,保障建筑物的安全。单一预测模型有自己的适用情形,也存在各自的缺点,已经不能满足当前的精度要求。选取灰色GM(1,1)和自回归两种常用的预测模型,通过两种不同的方式进行组合预测,并结合南京市地铁一号线百家湖段沉降监测数据进行计算分析,结果表明两种组合方法与单一预测模型相比精度均有所提高。

GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究

目的探讨广义回归神经网络(GRNN)组合预测模型在肾综合征出血热(HFRS)发病率预测上的优势及应用前景。方法利用1990-2001年辽宁省、丹东市、沈阳市和朝阳市HFRS发病率分别建立GM(1,1)灰色预测模型和求和自回归滑动平均(ARIMA)模型,把2个模型的预测值作为GRNN的输入,实测值作为网络的输出,对样本进行训练和预测,并对3个模型的预测效果进行比较。结果针对辽宁省HFRS发病率建立的GM(1,1)模型、ARIMA模型和GRNN组合预测模型的平均误差率(MER)分别为13.5143%、25.0814%和5.5755%;R2分别为0.8961、0.6997和0.9837。针对丹东市HFRS发病率建立模型的MER分别为19.7329%、20.6275%和14.0789%;R2分别为0.8112、0.7628和0.8750。针对沈阳市HFRS发病率建立模型的MER分别为15.1421%、18.0584%和14.3592%;R2分别为0.8757、0.7889和0.8585。针对朝阳市HFRS发病率建立模型的MER分别为51.5090%、28.6593%和28.5927%;R2分别为0.7863、0.8291和0.7753。GRNN组合预测模型对于辽宁省和丹东市的HFRS发病率预测效果好于2个单一模型;针对沈阳市所建立的HFRS发病率预测模型,GRNN组合预测模型和GM(1,1)模型相当,ARIMA模型最差。朝阳市的HFRS发病率预测模型不适合用上述方法建立。结论GRNN组合预测模型充分体现了它在小样本预测中的优势,预测效果优于GM(1,1)模型和ARIMA模型,对解决时间序列类型的HFRS发病率等资料有很好的实用价值。

基于神经网络和SARIMA组合模型的短期交通流预测

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点.构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势.实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型.然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测.

基于WHAC-E组合预测模型的短期电力负荷预测

首先选用回归滑动平均、神经网络模型、支持向量机模型和粒子群优化支持向量机模型4种单一模型进行预测分析;然后利用运筹学中非最优的组合预测思想,选线性组合、加权几何平均组合和加权调和平均组合3种组合模型及等权法、简单加权平均法、均方误差倒数法和熵值法4种组合模型权重求解方法;通过某电力公司原始负荷记录数据及实时气象数据对其三日负荷进行预测,算例分析验证了所提出的组合预测模型应用在短期电力负荷中具有有效性和精确性,能够为短期电力负荷预测提供一定的借鉴.

基于组合预测模型的常耗车辆器材消耗规律研究

本文运用灰色理论和神经网络的广义加权平均组合预测模型对常耗器材消耗规律进行研究,建立了常耗器材消耗规律的数学模型,利用现有的常耗器材消耗统计数据,对所建模型进行验证,并结合发展趋势进行修正,最终得到符合实际的常耗车辆器材消耗规律。