大坝变形预报的神经网络极限学习方法

针对大坝变形具有强非线性的特点以及在采用传统BP神经网络模型进行预报时存在学习速度慢、易陷入局部极小等问题,提出将极限学习机(ELM)方法用于大坝变形预报。该方法不仅可以简化网络参数选择过程,而且可以明显提高网络的训练速度,并具有良好的泛化性能。工程实例结果分析表明了ELM方法应用于大坝变形预报具有可行性和有效性。

基于SOM-FCM和KELM组合方法的短期光伏功率预测

为了提高短期光伏发电预测的精度,本文提出了一种将聚类后的自组织映射网络(SOM)与优化的核极值学习机(KELM)方法相结合的混合预测模型。首先,利用SOM来对训练数据集进行初始划分。然后,利用模糊C均值(FCM)对训练好的SOM网络进行聚类操作,同时利用Davies-Bouldin指数(DBI)来确定最佳聚类的大小。最后,在每个数据分区中,通过结合差分演化算法优化的KELM方法来建立区域KELM模型,或者结合最小二乘估计的多元线性回归(MR)方法来构建区域MR模型。此外,本文还提出了基于SOM的不同局部多元回归模型。将提出的结合SOM-FCM和KELM的混合预测模型分别应用于GEFCom2014三个不同太阳能电站,进行提前一小时的发电功率预测。与其他预测模型相比,光伏发电站1的平均绝对误差(MAE)降低了61.41%,光伏发电站2的MAE降低了60.19%,光伏发电站3的MAE降低了58.92%。光伏发电站1的均方根误差(RMSE)降低了52.06%,光伏发电站2的RMSE降低了54.56%,光伏发电站3的RMSE降低了51.43%。实验结果表明,提出的结合SOMFCM和KELM的方法可显著提高预测准确性。

旅游景点人气指数的区域差异化预测方法

针对传统的基于历史数据预测旅游景点人气指数方法在预测精度方面的不足,提出了基于区域差异化的人气指数预测方法.考虑到由于区域差异而导致的各类因素对景点人气指数的影响,需要先对景点之间的区域差异化水平进行测度;在此基础上对旅游景点内部各个影响因素值做预处理,并形成景点人气指数监测数据集合;将合并的景点人气监测值输入极限学习方法模型作为模型输入项,经过中间隐层的反复学习和训练能够得出最优解;鉴于提出方法的中间隐层节点数量已经被事先设定完成,因此具有较强的数据泛化处理能力,也能够得到最优的唯一解.实验数据表明,与传统预测方法相比提出方法的预测值走向趋势更接近于真实值,预测精度更高.