证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.

基于粒子群优化的灰色神经网络组合预测模型研究

灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。

基于灰色-神经网络的民机需求组合预测

民机数量是反映民航运输能力的重要标志,而对民机数量进行预测,能够研究分析未来民航业的发展趋势。本文重点研究了民机需求预测的模型架构和实施方法,首先以2013年到2020年民机数量和其他关键因素作为原始样本,然后把2021年的数据作为检验样本,最后通过构建灰色神经网络组合预测模型对未来的民机需求进行预测。从预测结果来看,灰色模型GM(1,1)与反向传播(back propagation,BP)神经网络模型结合效果较好,组合模型预测精度高,充分证明了该模型的有效性和可行性,同时预测结果对分析未来航空运输情况也具有一定的参考意义。

基于灰色神经网络的地铁牵引用电预测模型

[目的]为了提高列车运行效率,需对地铁牵引能耗进行监测,并建立相关能耗模型对地铁牵引能耗进行预测分析。[方法]介绍了灰色预测模型和BP(反向传播)神经网络的基本原理;以天津某典型地铁车站2021年6月的牵引日用电量数据为例,采用灰色关联分析法筛选出与地铁牵引日用电量关联度大的影响因素,基于GM(1,1)灰色预测模型预测出短期牵引日用电量;将所筛选出的关联度大的影响因素、GM(1,1)灰色预测模型预测的短期牵引日用电量及相邻历史牵引日用电量数据,作为BP神经网络模型中的输入量进行训练,建立GM-BP灰色神经网络模型,并生成所需短期地铁牵引日用电量预测数据。[结果及结论]与传统GM(1,1)灰色预测模型和BP神经网络模型相比,通过GM-BP灰色神经网络模型预测的短期牵引日用电量预测误差有明显的改善,能够作为有效的地铁牵引能耗数据进行短期预测数据分析。

基于门控循环神经网络的边缘服务中心风光荷组合预测方法

边缘计算因数据处理快、低成本和高实时等优点近年来在能源行业中受到广泛关注,而在边缘服务器上开展预测有助于对能源精细化管控。因此,针对边缘服务资源的有限性,基于差分自回归整合移动平均(autoregressive integrated moving average,ARIMA)模型和门控循环单元(gated recurrent unit,GRU)神经网络,提出考虑线性和非线性特征的风、光、荷组合预测方法。ARIMA用于提取源、荷的线性特征,将其与真实值进行拟合,得到包含非线性特征的残差。其次,将残差作为GRU的训练数据集建立预测模型,再引入剪枝和量化方法优化及压缩GRU模型,减小预测模型规模,以适应边缘服务器部署。大量仿真结果表明,所构建的GRU压缩模型规模小、预测精度高,适合边缘服务器的部署应用。

基于BP神经网络和二次指数平滑法组合预测模型的安徽省物流需求预测

为准确预测安徽省的物流需求,从经济发展、产量结构、地区贸易和消费水平4方面选取安徽省的地区生产总值,第一、二、三产业产值,社会消费品零售总额,固定资产投资,人均消费性支出7个影响因素作为安徽省物流需求评价指标,以安徽省货运量作为物流需求规模输出指标,采用灰色关联分析计算安徽省物流需求评价指标与物流需求规模间的关联度,判断评价指标的合理性。通过夏普利值法将BP神经网络预测模型和二次指数平滑法预测模型组合,预测2017—2021年安徽省物流需求。结果表明:BP神经网络预测模型、二次指数平滑法预测模型及二者的组合预测模型预测结果的平均相对误差分别为4.58%、6.70%、3.99%,组合预测模型的平均相对误差最小。通过组合预测模型预测2022—2024年安徽省物流需求分别为405 004.96万t、407 142.09万t、409 108.95万t,安徽省货运量呈持续增长趋势,但增幅降低。安徽省应加快传统物流向智慧物流的转移速度,扩大内需,加强物流枢纽城市间的联系,加速区域一体化发展步伐,确保物流高质量发展。

基于灰色关联-BP神经网络的矿井小构造预测

为了对矿井小构造参数进行预测,利用灰色关联度分析按关联度大小对各介质参数进行排序,选取断层密度、断层分维值和断层强度指数关联度高的介质参数作为主控因素。结果表明,断层密度的分布不稳定,断层强度和断层分维值高值区的分布相对集中,同时也反映了落差大、延伸长、密度大、断层穿插复杂的区域,构造活动强度大,其形成的断层参数值也相应较大。

一种基于组合深度学习神经网络的打架视频动态预测方法

采用“CNN+LSTM”组合深度神经网络结构,文章研究并设计了一个新型实时监控打架视频动态预测系统,不仅能通过CNN提取动作行为的图像特征,还可以通过LSTM预测是否存在打架行为,同时使用OpenCV进行实时视频监控及图像处理,最后通过PyQt5界面显示实时行为视频与预测结果。

基于灰色BP神经网络的电力碳排放峰值预测

电力碳排放影响因素较多,使得电力碳排放峰值预测误差增加。为了有效解决该问题,提出了基于灰色BP神经网络的电力碳排放峰值预测方法。分析原始数据序列和累加序列,利用灰色BP神经网络构建碳排放峰值预测模型。分析电力碳排放影响因素,使用递推算法计算电力碳排放量。通过惩罚函数压缩模型系数至零,筛选出显著变量。根据碳排放流邻接特性,通过有限次递推计算节点碳势,在误差允许范围内进行迭代训练,实现模型求解,得到电力碳排放峰值预测结果。实验设置基准、低碳和强化低碳三种情景,在这三种情景下所设计方法的预测结果分别为40 000万吨、39 000万吨、40 000万吨,与实际结果一致,说明该方法的预测误差更低,预测结果更为精准。

基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer,DBO)算法优化变分模态分解(variational mode decomposition,VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory,IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm,IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory,BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。

基于灰色-BP神经网络安徽省二氧化碳排放量预测研究

为顺利实现2030年前碳达峰目标,研究安徽省二氧化碳排放量的主要影响因素和预测模型可促进其制定合理的减碳政策,本文先使用灰色关联系数用于筛选出安徽省二氧化碳排放主要影响因素,构建BP神经网络中的输入层,再利用训练完成的BP神经网络预测安徽省二氧化碳量。选取近23年数据进行相关验算,预测结果表明:1) 与GM (1, 1)和BP神经网络模型进行对比,组合预测模型平均绝对百分比误差为1.14%,该模型具有良好的预测效果;2) 利用该模型预测出安徽省2023至2027年二氧化碳排放量,与往年相比,二氧化碳增加较少,趋于稳定,得到一定的控制。

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。

基于神经网络组合模型的大坝变形预测研究

大坝变形对坝体的稳定性和安全性有着重要影响,在多种环境影响下,大坝变形呈现出非稳定性和非线性的特点。为了精准预测大坝变形,研究提出LDM-BRF神经网络组合模型,并将大坝变形实测值和常见的网络模型预测结果进行对比。结果表明,LDM-BRF神经网络模型得出的大坝变形预测结果的均方根误差、平均绝对误差百分比、平均绝对误差低于另外两种模型;LDM-BRF神经网络组合模型得出的大坝变形预测值与实际监测值较为接近,预测效果较好,可进行应用推广。

基于灰色关联分析法的BP神经网络预测机械通风冷却塔出水温度研究

通过灰色关联度分析法对影响冷却塔出水温度的10项参数进行筛选,确定以进水温度、循环水量、冷却塔运行台数、环境湿度、环境温度、风机运行频率和风机运行台等7项权重占比高的因子作为输入层,根据Kolmogorov定理得出5个神经元的隐含层,以冷却塔出水温度为输出层,以100组实验数据为样本,进行三层结构的BP神经网络预测模型构建。结果显示:预测值与实验值吻合良好,相关系数为0.987 49,平均相对误差(MAE)为0.33%,均方根误差(RMSE)为0.014 5,该模型可以有效预测该实验冷却塔在不同条件下的性能特征。

基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测

为提高接地网腐蚀速率预测精度,提出了一种接地网腐蚀速率组合预测方法。首先,采用SSA算法对SVM进行优化,建立接地网SSA-SVM腐蚀预测速率模型;然后,采用6-11-1的BP神经网络对SSA-SVM模型的预测残差进行修正,建立了基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测模型;最后,采用接地网腐蚀实验数据进行算例分析。结果表明,所提接地网腐蚀速率组合模型预测结果的均方根误差、平均相对误差和相关系数分别为0.192、4.98%和0.974 6,在模型稳定性、预测精度、预测结果与实际值的相关性均优于其他模型,验证了所提模型的正确性和优越性。

基于改进灰色神经网络的往复式压缩机振动趋势预测模型

往复式压缩机振动趋势预测是往复式压缩机状态识别的重要技术研究内容。针对往复式压缩机振动信号特征样本少、非平稳、非线性等原因,提出了基于改进灰色神经网络的压缩机振动趋势预测算法。该方法首先提取往复式压缩机振动特征,利用遗传算法优化灰色神经网络并建立预测模型,将振动特征作为模型输入,形成了往复式压缩机振动趋势预测新模型(GA-灰色神经网络模型)。对某往复式压缩机输入主轴轴承部位振动测试实验分析表明,新模型与灰色GM(1,1)模型、灰色神经网络模型相比,具有更高的预测精度。灰色GM(1,1)模型预测值与实际值相比,相对误差高达21%~27%灰色神经网络模型的预测误差为14%~19%;新模型与实际值吻合良好,相对误差小于12%,其预测精度最高,更适合用于往复式压缩机振动趋势的状态预测和评判。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

基于神经网络的地铁车站冷负荷预测对比研究

冷负荷预测是建筑节能的基础,然而输入的不同会影响神经网络的预测精度,且对新建筑进行负荷预测时需要数据的积累。为得到地铁站冷负荷预测的最佳输入并评估数据库迁移预测的可行性,基于实测数据,以常用的时间变量、气象变量和历史负荷作为待选输入,比较了反向传播神经网络和卷积神经网络在不同输入下及数据库逐步更新时的预测精度。结果表明:最佳输入变量与冷负荷的皮尔逊相关系数需大于0.5;另一方面,同类型建筑在预测初期可以基于数据库逐步替换实现预测,预测精度随着数据库的更新逐渐提升,且卷积神经网络表现出更好的预测表现。

基于LSTM人工神经网络的电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79%,其准确性高于单一算法的负荷预测模型。