基于强降水时序特征的TSVGG-Light暴雨灾情指数预测模型构建及风险灾情一致性分布验证

文章针对强降水灾情预测问题,提出了一种基于强降水时序特征的TSVGG-Light暴雨灾情指数预测模型。该模型利用气象观测数据中的降水时序特征作为输入,对数据进行特征提取和建模,预测出未来一段时间内的强降水灾情指数。为了验证模型的有效性,文中还进行了风险灾情一致性分布验证。实验结果表明,TSVGG-Light模型在强降水灾情预测上具有较高的准确性和稳定性,并且模型预测结果与实际灾情分布具有较好的一致性。TSVGG-Light模型可以成为预测和评估强降水灾情的有效工具。

基于指数平滑和PSO-BP混合模型的建筑工程造价指数预测

建筑工程造价指数是进行工程造价管理的重要依据。为了提高建筑工程造价指数预测的准确性,首先,利用HP滤波将造价指数分解为趋势序列和波动序列,然后采用指数平滑模型对趋势造价指数序列进行预测;其次,利用粒子群算法(PSO)优化的BP神经网络对建筑工程造价指数的波动序列进行预测,PSO-BP神经网络模型的输入指标为引起造价指数变化的4种材料价格;最后,叠加二者预测值即为建筑工程造价指数的预测值。实验结果表明:该混合模型对6个月的造价指数预测的平均相对误差为0.55%,取得了很好的效果,为准确预测建筑工程造价指数提供了一定参考。

基于IPSO-BP的空气质量指数预测

为了更准确地预测空气质量指数(Air Quality Index,AQI),提出了一种基于改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化BP神经网络的方法,并构建了AQI预测模型(IPSOBP).利用粒子群算法的全局搜索性能搜索BP神经网络的全局最优解,解决了传统BP神经网络在预测AQI过程中出现的收敛速度慢,易陷入局部最优等问题.同时针对粒子群算法在预测过程中的缺陷,引入混沌映射和优化策略,分别提升算法的收敛速度与全局搜索能力.最后将所建立的IPSO-BP模型对杭州市空气质量指数值进行预测.实验结果表明,IPSO-BP模型在预测精度及拟合优度方面相较于其他模型显著提升,可以准确预测AQI.

基于IAO优化HKELM的空气质量指数预测

为了精准预测空气质量指数(AQI),本文提出一种基于改进天鹰优化器(IAO)混合核极限学习机(HKELM)的空气质量指数预测模型(IAO-HKELM)。首先,利用径向基核函数和多项式核函数构造混合核极限学习机模型;其次,针对天鹰优化器(AO)算法易陷入局部极值的问题,引入改进的Tent混沌初始化策略和自适应t分布策略;采用改进后的AO算法对HKELM模型的参数进行优化,并建立IAO-HKELM空气质量指数预测模型;最后,将预测模型应用于实际案例中,并与其他模型的预测结果及误差进行对比。结果表明,本文提出的预测模型精度更高、稳定性更强。

基于SSA-Bi-LSTM的港口环境空气质量指数预测

为贯彻绿色港口发展理念,提升港口大气污染监测治理能力,本研究提出了一种基于双向长短期记忆神经网络模型(Bidirectional LSTM,Bi-LSTM)的港口空气质量指数预测算法,并引入了麻雀搜索算法(Sparrow SearchAlgorithm,SSA)进行参数优化,以提高预测精度和模型的稳定性。选取浙江省嘉兴市乍浦港空气质量监测数据和气象数据为实验样本进行模型训练,实验结果显示,SSA-Bi-LSTM模型相比LSTM、CNN-LSTM、Bi-LSTM模型误差更小,通过该算法的应用,能够更准确地预测港口环境空气质量指数,为港口大气监测与治理提供科学依据和决策支持。

基于ARIMA-BiLSTM模型的沪深300指数预测

股票价格指数是度量和反映股票市场总体价格水平及其变动趋势而编制的股价统计指标,是反映社会、政治、经济变化状况的“晴雨表”。准确预测股票价格指数波动,有助于防范股票市场风险和保障金融市场稳定发展。由于股票数据的复杂性,本文将时间序列模型与深度学习模型相结合,提出新的组合模型ARIMABiLSTM,对沪深300指数数据集进行性能评估。结果表明,ARIMA-BiLSTM模型可以规避单一模型带来的缺陷,较其他先进方法具有更高的预测精度。文章对构建的模型展开消融实验,研究模型参数设置的合理性,并基于不同数据集进一步验证了组合模型的预测效果。

建筑安全事故灰色季节指数预测模型及应用

为构建能针对建筑安全系统事故特征的事故预测模型,从气候、地域性、传统节日等方面分析我国房屋建筑及市政工程生产安全事故数据。基于灰色系统理论及季节变动预测方法,建立建筑安全事故灰色季节指数预测模型。用GM(1,1)模型作为季节指数预测的趋势方程,使不满1个整数周期的事故量统计数据参与建模,实现对模型的即时更新。结果表明:建筑安全事故时间序列有以指数变化为特征的趋势性和以年为周期的周期性;在建筑安全事故预测应用中,灰色季节指数预测模型平均预测准确度达到89%,比常规趋势方程季节指数预测方法预测精度提高5%以上。

我国耕地保有量的指数预测模型

为确保2010年1.2亿hm2的耕地保有量,根据我国近年耕地利用现状,构建我国耕地保有量的指数预测模型,基于我国耕地保有量现状进行分析预测;并从建设占用、耕地补充、生态退耕、农业结构调整和灾害损毁5方面进行单要素分析,在数值模拟的基础上提出高、中、低3种方案,针对如何保障我国“十一五”规划耕地保有量的实现,提出可供政府咨询决策的建议。

基于主成分的遗传神经网络股票指数预测研究

数据预测在金融投资领域占有重要地位,预测中输入变量的选取影响着预测的速度和精度,传统方法选取输入变量主观性较强,预测效果欠佳。将遗传算法与BP网络结合,利用GA的全局搜索优化BP网络的结构参数,有效克服BP算法的局部收敛等问题。使用主成分分析法选取输入变量,并将GA—BP混合建模应用于沪市综合指数预测中。实验结果表明,该方法改善了预测精度,达到了较好的预测效果。

基于结构修剪神经网络的股票指数预测模型

股票市场是非线性系统,具有内部结构复杂性和外部因素多变性,在股市指数价格和成交量基础上,引入宏观经济指标共同构建模型预测指标体系,并分析各指标之间的长期均衡关系和因果关系。在贝叶斯分析的基础上,将代表网络复杂性的惩罚项引入模型误差函数中,并通过动态调整惩罚因子删减网络中对股票市场不敏感的隐层神经元,在保证模型泛化能力的同时实现网络结构精简。以上证指数为例,构建基于BP算法的结构修剪神经网络预测模型,在不同的预测指标体系下对股票市场运行规律进行学习,并对上证指数进行仿真预测。最后,通过与其他神经网络预测模型比较验证该模型的有效性。

青藏铁路路基表面温度及融冻指数预测

利用青藏铁路沿线沱沱河和那曲气象站的历史气温资料,采用趋势和波动外推方法预测2010年代两站气温,以此作为青藏铁路路基表面热力学模式的输入,计算输出路基表面辐射温度,然后采用年振幅方法计算2010年代融化指数和冻结指数及融冻比.结果表明:与1990年代相比,2010年代除沱沱河冬季月平均路基表面温度稍有下降外,沱沱河和那曲地区路基表面温度预测值都有较大幅度的上升.其中,沱沱河地区是夏季温度上升较大,升幅达到0.8℃;而那曲地区则是冬季温度上升较大,升幅达到0.6℃.沱沱河夏季路基表面融化指数明显增大,冬季冻结指数略有减小,预测融冻比的升幅在8%以上,达到0.85;融冻比目前仍然保持在1以下,表明其冻结能力依然占优势,但其优势已经在明显减弱,即多年冻土在向退化的方向发展.那曲路基表面融化指数增大而冻结指数减小,使得融冻比大幅度跃升,融冻比的升幅超过10%,达到1.79.总之,与1990年代相比,2010年代沱沱河和那曲地区路基冻土有明显向融化方向发展的趋势.

航空发动机叶轮机部件低状态特性的指数预测方法

介绍了一种预测航空发动机叶轮机部件低状态特性的指数预测模型。该模型考虑到空气可压缩性的影响,运用相似理论,结合发动机的部件特性关系,得到了两个指数值,进而得到了发动机的低状态部件特性。数值模拟表明,该方法的精度较高,对研究发动机的起动特性特别是在高原使用时存在的起动问题具有重要的指导意义。

APRI、AAR、FIB-4、FI、King、Lok、Forns和FibroIndex指数预测肝硬化患者的食管静脉曲张:一项系统评价和荟萃分析

【据《Medicine（Baltimore）》2015年10月报道】题：APRI、AAR、FIB-4、FI、King、Lok、Forns和Fibro Index指数预测肝硬化患者的食管静脉曲张：一项系统评价和荟萃分析（作者Deng H等）AST与血小板比值（APRI）、AST与ALT比值（AAR）、FIB-4、FI、King、Lok、

基于梯度推进决策树的日维度交通指数预测模型

城市交通运行监测和预测是掌握交通运行变化特点,制定缓解交通拥堵策略的重要工作,其结果能为公众提供有效的路况信息,亦为政策措施的制定和效果评估提供重要支撑.有别于传统的短时交通预测,本文提出的预测模型不是针对相邻时段的运行状态预测,而是更长跨度上,针对日级别高峰时段交通运行状态的预测.构建了包含时间周期、特殊天气、节假日、限行、大型活动等因素的多维度影响因素集;以长期历史交通指数构建数据训练集,提出了基于梯度推进决策树的日维度路网状况预测模型.应用最优模型进行验证,结果表明,模型预测精度可达90%以上,与其他4种回归模型的对比分析也显示,本文所提出的模型在各项评分中均表现最优,说明其更适合于大样本、多因素的回归分析.本文所提出的日维度预测模型对提升城市路网运行质量、缓解交通拥堵具有重要的应用价值.

基于深度学习LSTM神经网络的全球股票指数预测研究

作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。

基于神经网络的股票分类指数预测模型

本文运用BP人工神经网络,在MATLAB平台上,进行公用事业指数波动规律的预测和分析,能利用公用事业指数前三天的收盘价,预测第四天的收盘价,并且预测值达到一定精度。

基于BP神经网络与支持向量机的股票指数预测模型比较

本文在阐述创新型预测模型理论的基础上,分别利用基于BP神经网络和支持向量机的股票指数预测模型,在小样本的情况下对沪深300指数进行了研究和短期预测。研究结果表明,基于支持向量机的预测模型在预测精度、收敛时间、最优性等方面均优于基于BP神经网络的预测模型。

基于改进基因表达式程序设计的股票指数预测

介绍基因表达式程序设计方法的基本原理,针对股票指数分析与预测问题,在经典的GEP算法基础上,提出一种基于动态变异算子的改进的GEP算法——IGEP算法,动态变异算子随着进化代数和染色体所含基因数目不同而变化,从而加快了GEP的收敛速度和精确度,对算法进行了复杂度和收敛性分析。设计一种基于IGEP的股票指数分析与预测算法,数值实验结果表明,该算法优于经典GEP算法,具有较广泛的通用性。

BP神经网络误差修正模型的S&P500指数预测

为克服BP神经网络在预测模型构建过程中容易陷入"局部最优"以及隐含层数目等参数选择不当容易造成"过拟合"或"欠拟合"等问题,基于支持向量机(SVM)构建了一种BP神经网络误差修正模型。首先通过神经网络实现对S&P500指数的预测,然后通过支持向量机构建S&P500指数涨幅情况预测模型,基于神经网络与支持向量机的两种预测结果构造S&500指数预测误差修正模型,实现对BP神经网络预测误差的修正。实验结果表明,在本文数据集下所构建的修正模型预测准确率明显优于BP神经网络。

基于LSTM神经网络的中国原油期货指数预测研究

针对中国原油期货指数的预测问题,从经济指标和技术指标两个层面分别选取4个预测变量构建指数预测体系,并收集了中国原油期货自2018年3月26日上市以来的相关数据,根据时间窗口划分为短期(5日)、中期(10日)以及长期(30日).分别利用长短期记忆(LSTM)神经网络构建指数预测模型进行实证研究.结果发现:长期时间窗口模型相较于其余两者有着更高的预测精度,训练集与测试集的均方根误差(RMSE)分别下降到了7.8210和6.5274,表明该模型有着良好的预测效果.因此可以利用长期窗口LSTM神经网络构建高效的中国原油期货指数预测模型,为金融机构的智能化投资能力以及监管机构的风险识别与风险测度提供一定的参考依据.