基于灰色模型的工程造价指数组合预测模型构建

随着大数据及人工智能的发展,构建合理的工程造价指数是工程造价发展的必然趋势。研究基于灰色预测模型和梯度提升决策树(Gradient Boosted Decision Tree,GBDT)预测模型,结合Stacking策略进行模型的组合,得到GM-GBDT工程造价指数组合预测模型。对模型的性能进行分析,发现三种模型中预测性能从高到低依次是GM-GBDT集成预测模型、GBDT预测模型、GM(1,N)预测模型,GM-GBDT集成预测模型对2020年1-12月工程造价指数的真实值和预测值的相对误差为3.86%-1.05%,平均相对误差为2.60%。实证分析结果表明,GM-GBDT联合模型,具有更好的整体预测能力,能够在GM(1,N)和GM的基础上,进一步提升预测准确率。

灰色组合预测模型优化及科技人才需求预测

科技人才需求预测是国家合理制订人才政策的重要依据。为此,本文基于科技人才需求的数据特征,构建适用于科技人才需求预测的新型离散灰色模型FODGM(r,1,kθ,u),该模型实现了系统发展灰信息非线性规律的较好反映以及累加阶数作用范围全实域拓展,缓解了原始序列中极值对模型性能的影响,能够有效模拟科技人才需求的发展趋势与演变规律。应用该模型对我国科技人才需求量进行预测,结果显示未来我国科技人才需求量呈逐步上升趋势,预计2026年我国科技人员全时当量将达729.258万人年,科技人才需求端压力较大。相关部门可以根据预测结果制定缓解我国科技人才需求端压力的对策。

基于组合优化灰色模型的尾矿坝浸润线预测

为提高贫信息情况下浸润线的预测精度,减少尾矿坝预警的误报与漏报,提出了一种利用组合优化灰色预测模型对尾矿坝浸润线监测数据进行分析的方法。本方法对监测序列进行缓冲处理并基于非齐次指数函数对灰色预测模型的背景值进行了优化,采用后验比、小概率误差和平均相对模拟百分误差作为模型拟合预测精度评价指标,以实例计算验证所建模型的合理性,并与其他灰色预测模型的模拟预测结果进行对比,结果表明组合优化灰色预测模型拟合预测精度更高。模型为尾矿坝的安全监测与病险防护提供了数据支持,为大坝原型观测资料处理提供了新途径。

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨道不平顺预测提供一种新方法。

不同优化类型组合预测模型在沙漠软土路基的应用

某沙漠重载铁路工程,地势低洼路段雨季易积水,加上原有高地下水位的长期浸泡和植物根系的有机分解积累,形成了淤泥质或泥炭质软土地基;运用理论分析、现场监测等方法,从权重分配合理性和子模型组合结构两方面探讨组合预测模型的精度优化效果,开展沙漠淤泥质软土路基沉降预测研究。结果表明:双曲线法、三点法、指数曲线法、泊松曲线法、BP神经网络5种预测模型均能达到较高水平的拟合程度;变权重组合预测模型、引入鲸鱼优化算法的自适应权重组合预测模型、滚动动态组合预测模型对于预测精度、效果的提升较小;引入BP神经网络的误差补偿组合预测模型,极大程度地降低了人为建立子预测模型组合结构所产生的精度影响,在沙漠淤泥质软土路基中具有更优的预测精度及效果。

基于趋势分解和IOWA算子的组合预测模型

不同的数据有着自身的不同特性,对于时序数据而言,数据往往有着与时间相关的趋势,通过分解这种趋势,并对趋势和趋势以外的部分分别进行预测再组合,可以得到更好的预测结果 .选用2013年1月4日—8月11日的人民币对美元的汇率数据进行实证检验,分别采用灰色预测模型、ARIMA模型、LSTM模型以及它们的组合模型对数据进行预测,实证分析结果表明,基于趋势分解和IOWA算子的组合预测模型相较单项预测而言有着更良好的预测精度.

基于无偏灰色组合动态模型的铁路客运量预测研究

针对目前铁路运输客运量预测在精度方面的不足,提出一种无偏灰色组合动态预测模型,应用于现有铁路客运量的预测。通过借鉴无偏GM(1,1)模型直接建模思想,对传统的灰色Verhulst模型作出改进,即对原始序列作倒数生成,运用新生成的倒数序列建立无偏灰色Verhulst模型,以消除传统的灰色Verhulst模型自身的一些偏差;为进一步提高模型的拟合精度及收敛速度,引入马尔科夫链方法对无偏灰色Verhulst模型的拟合结果进行修正,同时兼顾数据序列具有一定的时效性,构建出无偏灰色组合动态客运量预测模型。以我国兰青铁路某区段2010—2019年共10年的客运量数据作为原始数据,验证模型的可靠性与准确性,并与传统EDGM(1,1)模型、灰色Verhulst模型和无偏灰色Verhulst模型作对比,结果表明,本文模型在预测精度方面更凸显优势,能有效提高预测结果的准确性。

基于灰色关联度和Shapley值的区间组合预测模型及其应用

在不确定环境下,区间数是复杂系统一种信息表达形式.论文在单项区间预测的基础上,提出单项预测方法与实际值序列之间的灰色关联度作为精度的度量准则,构建区间型组合预测模型.考虑模型求解的复杂性,从对策论的角度出发,把组合预测方法视为一个合作对策,单项预测方法视为合作对策的局中人,灰色关联度作为度量合作对策的收益函数,按照合作对策中Shapley值法在各单项预测模型中进行分配,从而给出组合预测权系数确定的新思路.为了验证模型的有效性,利用西德克萨斯中质原油现货价格,针对论文提出的组合模型进行比较分析,计算结果验证了论文提出的模型的可行性与有效性.

基于加权组合模型的二手车价格预测方法

为了提高二手车价格预测的精度与可靠性,提出了一种基于神经网络与贝叶斯优化LightGBM算法的加权组合方法,对具有多个影响因素的二手车价格进行预测。首先对原始数据进行数据预处理,其次对预处理后的数据集进行特征工程以获得适合神经网络与树模型训练的数据集,然后分别使用神经网络与贝叶斯优化的若干机器学习算法进行训练获得网络模型,最后将各模型进行组合并与单一模型进行对比。预测结果显示,提出的神经网络与改进LightGBM算法的加权组合模型比单一模型以及其他组合方式的模型预测能力更强。

组合优化灰色模型在中长期电力负荷预测中的应用

鉴于中长期负荷预测受很多不确定因素的影响,各种预测方法都有其局限性的问题,在分析基本灰色模型及其传统改进模型在负荷预测中局限性的基础上,提出了一种电力系统中长期负荷预测的实用新方法——组合优化灰色预测法.该预测法是一种对残差改进灰色模型(GM)和基于等维新息递补预测法的改进灰色模型进行优化的组合方法,能够实现在线预测模型参数,满足动态电力负荷能解决随机干扰影响的要求,最终的预测结果误差可基本控制在3%之内.经过实例计算,组合优化灰色预测模型用于中长期电力负荷预测,与传统的系统理论方法相比较,该方法计算简捷,预测精度高,具有很好的实用性.

基于ARIMA-GM组合模型的农作物播种面积预测——以吉林省为例

农作物种植面积预测能够有效帮助生产者提前掌握未来农业的生产状况。为准确预测农作物播种面积变化情况,寻求一种新型的组合模型权重计算方法。以吉林省历年作物播种面积为原始数据,建立GM(1,1)与ARIMA时间序列组合预测模型。综合使用平均绝对百分数误差、残差平方和最小法及最小二乘法确定组合模型的权系数,在此基础上将三种权系数组合优化后得到最终权重,两种模型权重分别为0.44976和0.55024。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.4%。

基于组合函数和遗传算法最优化离散灰色模型的电力负荷预测

鉴于传统DGM(1,1)模型建模过程中假定原始数据序列服从近似指数增长规律,且以数据序列的第1个数据保持不变得出预测结果的缺陷,利用组合函数"对数-幂函数"对原始数据进行处理,使其符合灰色预测模型的建模规律,引入遗传算法寻求离散灰色模型初始迭代值的最优解,建立了基于组合函数和遗传算法改进的离散灰色模型。负荷预测案例得出所建模型的平均相对误差(MAPE)为0.892%,而GM(1,1)预测的MAPE为1.580%,DGM(1,1)预测的MAPE为1.343%,证明该改进模型有效提高了预测精度。

不同增长趋势下中长期电量预测组合优化灰色模型

针对中长期电量预测中时间跨度大、电力需求增长不确定的特性,根据不同时期的增长率,运用灰色理论进行优化分段预测,同时引入组合模型的概念,建立了以残差平方和最小为目标函数的组合优化模型,并运用二次规划法求解.算例证明,该方法能得到较高精度.

组合预测模型在通信产品需求预测中的应用研究

基于通信产品多品种、小批量、需求波动的特点,本文介绍了用波形预测、移动平均、线性回归、指数平滑等4种单项预测模型拟合未来预测需求;为了克服单项预测模型的局限性、提高预测准确度,通常采用灰色关联分析法。本文提出了以关联系数和关联度的大小为依据,将4种单项预测模型加以权重系数,组合成适用于通信产品需求特点的预测模型。通过实践证明了组合预测方法的有效性,对制定主生产计划有重要指导意义。

应用灰色线性回归组合模型预测江苏省卫生总费用趋势及构成

目的:对2010~2019年期间江苏省卫生总费用的趋势进行描述和分析,通过既有数据选择最佳预测模型,预测江苏省2020~2025年卫生总费用的趋势。将2020年数据与预测值对比,分析产生差异的原因,为新冠疫情过后卫生政策的调整提供科学依据。方法:卫生总费用及其构成的数据来源于《中国卫生健康统计年鉴》《江苏省统计年鉴》,采用excel2017和R3.6.1软件进行预测模型构建和精度检验,选择灰色线性回归组合模型进行江苏省2020~2025年卫生总费用及构成情况预测,将2020年实际数据与预测值对比并分析。结果:基于灰色理论与线性回归的组合模型精确度优于GM(1,1)模型。受新冠疫情影响,2020年卫生总费用、政府卫生支出和个人卫生支出高于模型预测结果,社会卫生支出低于预测值。2020~2025年江苏省卫生总费用将从4848.41亿元增至6887.23亿元,平均增长率为7.19%,其中政府卫生支出占比与个人卫生占比呈现下降的趋势。政府卫生支出、社会卫生支出和个人卫生支出到2025年预计将达到1439.62亿元、3968.86亿元、1481.60亿元。结论:在后疫情时代,江苏省应不断深化医疗体制改革,调整政府卫生投入,拓宽社会卫生筹资来源,加大卫生总费用投入,科学合理的配置卫生资源,有效降低个人卫生支出比例,从而减轻人民负担。

基于优化组合模型的PM2.5浓度预测

为精确预测出具有非线性、非平稳的PM2.5时序数据,提出基于PSO-VMD-LSTM的组合模型。融合机器学习优化算法和深度学习技术,其中利用以包络熵为适应度函数的PSO机器学习算法对VMD分解过程中的惩罚因子和模态个数进行迭代寻优,基于分解处理后的数据进行LSTM深度学习模型预测。构建两种经典分解组合模型作为对照,结果表明,在相同迭代次数情况下,时序分解处理后的LSTM预测比未分解时的预测精度和效果都有明显改善;与经典分解组合模型相比,该模型在准确度和评估指标上均取得最佳预测效果,在PM2.5浓度预测上具有一定普适性。

多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想。为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型。其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题。实际算例表明,所提出的方法由于综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度。

一种基于鲸鱼优化算法的网络流量组合预测模型

现代网络流量的自相似性、周期性、混沌性、多尺度性和其他特性使得预测网络流量具有挑战性。因此,该文提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD),结合了随机配置网络(SCNs)对网络流量进行预测。首先,该文对网络流量数据集进行VMD分解,同时引入WOA对VMD分解中分解个数K和惩罚参数α进行优化。其次,利用SCNs模型对分解后得到的分量进行预测,最后,累加每个分量的预测结果,得出最终网络流量预测值。该组合预测模型(WOA-VMD-SCNs)旨在提高网络流量预测的准确性,对实际收集的网络流量数据进行预测,验证本文提出模型的有效性。

灰色优化GM(1,1)和人工神经网络组合模型的江西省GDP预测应用

为了提高GDP的预测精度,结合灰色系统和人工神经网络的各自优势,建立灰色人工神经网络组合预测模型。该模型既具有灰色优化GM(1,1)模型适用发展系数范围较大的优点,也融合了人工神经网络在不确定因素预测方面的优点。最后以江西省GDP的预测为实例,对比了单独的灰色优化GM(1,1)模型与组合模型的预测结果,结果显示组合模型的预测精度较高。

Hausdorff分数阶灰色预测模型的优化及应用

为了提高Hausdorff分数阶灰色预测模型的预测精度,增加其在实际生活中的应用范围,论文分析影响Hausdorff分数阶灰色模型预测精度的因素,发现背景值是影响模型预测精度的主要因素;把Hausdorff分数阶灰色模型背景值的权重设为动态,构建优化的Hausdorff分数阶灰色模型,即OFHGM(1,1)模型;最后选取GM(1,1)模型、FGM(1,1)模型、FHGM(1,1)模型以及ARIMA模型作为对比模型评估OFHGM(1,1)模型在中国卫生总费用、中国人均卫生费用以及中国医院数量三个实际案例中的适用性,结果表明OFHGM(1,1)模型的预测精度高于对比模型,具有较高的适用性.