无偏灰色—BP神经网络组合模型在变形预测中的应用

在传统灰色预测模型和BP神经网络模型的基础上提出了一种新的组合模型来对变形监测中的沉降进行预测。运用无偏灰色-BP神经网络组合模型,兼顾了灰色预测模型计算样本少、计算简单和BP神经网络自组织、自适应的预测能力等优点,并通过实验结果证明,利用该组合模型方法预测结果的精度明显优于单纯的灰色模型和无偏灰色模型。

基于灰色BP神经网络的宁波舟山港集装箱吞吐量预测

为验证灰色BP神经网络组合模型在预测港口集装箱吞吐量预测中的有效性,以宁波舟山港为例,选取了2006-2020年港口集装箱吞吐量原始数据进行分析。首先运用灰色关联度法筛选出影响集装箱吞吐量的3个一级指标,共计13个主要因素;然后通过GM(1,1)模型得到主要因素预测值,再经BP神经网络训练后得到2021-2025年的港口集装箱吞吐量。实证结果表明,该组合模型预测拟合精度达到97.951%,预测效果较好,可对宁波舟山港未来建设和发展规划起到数据支持作用。

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证,备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析,构建一种基于灰色模型的多层前馈(BP)神经网络模型,并采用遗传算法(GA)进行优化。首先对船舶设备备件需求影响因素进行分析,通过灰色模型确定备件需求的关键指标,并将结果作为BP神经网络的输入层,从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现,基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明,使用GA优化可以提高灰色BP神经网络的预测精度,为船舶维修备件需求预测提供了一种新思路。

基于Spark和优化BP神经网络的出租车需求预测模型

【目的】出租车调度问题作为影响我国交通发展的重要问题,一直受到学者们的广泛关注。针对实际生活中出租车空驶时间长、人车匹配效率低以及供不应求等问题,研究一个基于Spark和优化BP神经网络的出租车需求预测模型,对城市内某个区域未来一天内的出租总需求量进行预测。其中核心的预测算法是优化的BP神经网络。【方法】针对传统BP神经网络面对大数据集会出现收敛慢并且训练不理想的情况,利用灰色关联分析和遗传算法对模型进行优化。提前使用灰色关联分析对数据集进行处理并将结果作用于BP神经网络内部从而优化网络的收敛速度以及训练效果,并使用遗传算法再次对模型参数进行优化,将最终模型通过Spark实现从而加速模型的训练速度。【结果】通过模型对来自于TLC(纽约市出租车和轿车委员会)的出租车数据集的训练以及预测的实验结果可知:和原始BP神经网络、遗传算法优化的BP神经网络、模拟退火算法结合遗传算法优化的BP神经网络以及粒子群算法优化的BP神经网络相比,本文提出的优化模型的预测精度分别提升了25%、11.1%、6.9%、12.4%,训练时长分别缩短了32.9h、30.1h、36.2h、33.5h,并且收敛速度明显加快。最后将模型在我国的成都出租车数据集上进行训练和预测也证明了模型的泛用性以及对我国城市出租车需求量预测的有效性。【结论】优化模型可以很好地完成出租车需求量预测的任务,为决策者们进行出租车调度提供了有效参考,从而缓解目前存在的出租车调度问题。【局限】但是模型仍有改进空间如预测范围以及选取参数等。

基于灰色神经网络模型的人才需求量预测研究

预测人才需求量需要找到合适的预测模型,进行较为精确的人才需求量预测。关于预测模型方面的研究,经典的方法多为单一预测模型。但单一预测模型在预测时,特别是在中长期预测时,可能会与现实情况存在较大偏差,不能满足预测精度的要求。为此,文章对灰色GM(1,1)与BP神经网络模型进行残差修正处理、对数平滑处理,修正与优化了神经网络输入因素,建立了改进的灰色-BP神经网络组合模型。在此基础上,以成都市会展人才需求量及其影响因素数据作为数值测验样本,对比分析了无偏灰色GM(1,1)模型、误差修正后的无偏灰色GM(1,1)模型、优化灰色-BP神经网络模型的预测精度,并应用预测精度高的模型对成都市2019—2025年的会展人才需求量进行了模拟预测。结果表明:(1)修正后的灰色GM(1,1)模型预测精度均有所改进;(2)组合预测模型比单一预测模型有一定的优势;(3)模型的预测精度明显提高,人才需求的预测结果也更加可靠。此结果将为组合预测模型的优越性提供支持。

基于BP神经网络和灰色关联度组合模型的城市生活垃圾清运量预测

运用灰色关联度分析方法确定城市生活垃圾清运量主要影响因素,将其作为BP神经网络的输入向量,建立能满足兰州市生活垃圾清运量预测要求的BP神经网络预测模型。结果表明,兰州市城市生活垃圾清运量的主要影响因素为城市非农业人口、GDP、社会消费品零售总额、城市居民人均消费性支出和城市居民人均年可支配收入。建立了城市生活垃圾清运量BP神经网络预测模型,将模型的预测结果与实际值相比较,证明模型具有较好的可行性和适用性。从2009年至2015年,兰州市城市生活垃圾清运量的增长率达到42.78%,并在2015年达到171.51万t。灰色关联度分析能够较好地为建立BP神经网络预测模型筛选输入变量。

BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。

基于灰色-BP神经网络组合模型的水位预测案例

为了提高水位预测的精确度,提出一种将灰色模型和神经网络模型相结合的灰色-BP神经网络预测方法。该方法通过分别计算灰色模型和神经网络模型预测结果的均方误差,按照误差计算权重并重新组合,得到最终的预测结果。研究证明,该方法比灰色模型和神经网络模型预测精度高,预报结果更加接近实测值。

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在"少样本"、"贫信息"的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素。又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值。运用BP神经网络模型对1995—2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入。

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM(1,1)预测模型的缺点,提出了一种适用于中长期负荷预测的GM(1,1)优化建模方法。用一个与GM(1,1)模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM(1,1)模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM(1,1)模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。

基于多模型融合的BP神经网络组合预测模型的研究

随着大数据互联网等产业的高速发展,企业比以往更需要精准的预测销售数据来制定企业未来的规划。然而传统单一的预测模型如三次指数平滑预测模型、灰色预测模型和多变量LSTM预测模型都因各自的局限性难以得到精准预测的结果。本文提出建立一种基于多模型融合的BP神经网络组合预测模型,即将三次指数平滑预测、灰色预测和多变量LSTM预测的预测结果作为BP神经网络预测模型的输入,从而得到精准预测结果。该模型通过在医疗销售行业的应用,符合预期成果,并得到好的评价。

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。

基于灰色GM(1,1)和BP神经网络组合预测模型及应用

在分析灰色GM(1,1)模型和BP神经网络模型优缺点的基础上,构建了基于GM(1,1)与BP神经网络组合预测模型。首先利用GM(1,1)模型对系统发展进行预测得到一组预测值,同时分别将原始数据与预测数据作为输入输出数据对BP神经网络进行训练,以便得到权值和阀值,最后利用得到的权重和阈值并输入预测年份,即可得预测值。将构建的组合模型对中国人口未来发展趋势进行预测,预测结果表明,人口总量在中短期内继续增长,增速较为平稳,每年以0.11亿人口数增长。该算例表明了该组合预测模型具有较高的预测精度。

基于灰色BP神经网络模型的煤矿地下水位预测研究

针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型。分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确。

基于灰色BP神经网络的高校贫困生认定模型

贫困生认定的研究已成为高校贫困生资助工作的首要环节。本文首先分析了贫困生认定现状,包括认定材料的随意性、认定过程的主观性以及认定方法的局限性;其次,介绍了灰色系统和BP神经网络的基本理论;最后,确定了贫困生认定的指标体系,并结合基本理论,构建了基于灰色BP神经网络的高校贫困生认定模型。

基于灰色BP神经网络组合模型的深基坑周围地表沉降预测研究

在深基坑工程施工过程中,基坑周围地表的沉降对周围建筑物、地下管线和支护体系的安全都会造成很大的影响,如何利用对影响基坑周围地表沉降的关联因素的研究并结合基坑周围地表沉降的监测数据来分析得到基坑周围地表沉降量的走势,已成为城市建设中的一个重要的安全课题.以天津市某换乘车站为例,分析影响该基坑周围地表沉降的关联因素,建立灰色预测和BP神经网络组合模型,在"小样本、贫信息"的情况下,得到的预测结果与实际监测值吻合度较高.利用该预测模型可对一些在开挖过程中监测天数相对较少的深基坑工程进行可靠而准确的预测.

基于BP神经网络和灰色模型的用电量增长组合预测

采用BP神经网络和灰色模型对我国人均净用电量进行组合预测。通过以往实际数据与预测结果比较,具有较高的预测精度,证明模型的可行性,并用此模型对我国未来几年人均净用电量进行了预测。

基于BP神经网络模型的山东省碳排放量预测

在低碳经济发展背景下,针对山东省碳排放数据更新不及时、以往预测模型难以满足现实需求的问题,本文基于山东省1997—2019年的历史数据,选取7项重要的碳排放影响指标,通过Pearon相关系数分析后,建立了GM(1,1)灰色预测、BP神经网络模型,对山东省的碳排放量进行了仿真预测。结果表明:BP神经网络模型明显优于传统统计方法,其误差更小、精度更高,更适于碳排放量及相关指标的预测。预测结果显示,山东省未来碳排放量呈缓慢增长趋势,此预测结果可为政府决策提供参考依据。