基于灰色⁃广义回归神经网络模型的城市群交通运输能力预测

城市群交通运输能力是构建国家综合立体交通网的战略基石。鉴于传统预测方法难以适应城市群交通运输能力影响因素众多且存在时变、耦合、不确定性强等特征,提出了一种灰色-广义回归神经网络的复合模型,以预测未来城市群交通运输能力。首先,选用LASSO算法筛选主要影响变量来降低数据复杂度,运用GM(1,1)模型弱化数据序列的随机性,预测影响变量时间序列的变化趋势,并填补数据缺失。然后,以20002019年京津冀城市群的数据集训练GRNN模型,根据GM(1,1)模型预测出的20202025年城市群交通运输能力影响因素,得出未来年份交通运输能力动态趋势。结果表明,复合预测模型精度优于传统方法,有效减少了小样本预测的不确定性。最后,结合预测结果分析了京津冀城市群核心区位城市的发展方向,为助力构建以城市群为重要抓手的新发展格局进行了前瞻性探讨。

基于灰色广义回归神经网络模型的城市耕地面积预测

为提高原始数据呈非线性、随机性变化、样本量较小时城市耕地面积的预测精度,将无偏GM(1,1)模型与广义回归神经网络相结合,建立了基于灰色广义回归神经网络的城市耕地面积预测模型,并将其应用于平顶山市耕地面积预测,结果表明该模型精度高,具有一定的应用价值。

基于灰色-广义回归神经网络的工程公司供应商评价

针对B工程公司中缺乏供应商评估工具,造成公司资源浪费,甚至巨额损失的现状,结合精益供应链的特点,构筑精益供应商评价体系模型。在模型的基础上,提出一种基于灰色-广义回归神经网络(G-GRNN)的工程公司供应商评价方法,通过Matlab中的神经网络工具对其进行建模,并以B安防系统工程公司的实例证明了其有效性,并证明其精度高于传统BP神经网络。

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。

基于广义回归神经网络的船舶交通量预测模型

船舶交通量受多种环境与社会因素的影响,使得船舶交通量预测存在复杂性与非线性的特点。在分析现有预测模型和方法不足的基础上,介绍了广义回归神经网络GRNN的基本原理与拓扑结构。不同类型船舶受各类因素影响的程度不同,根据天津港VTS(Vessel Traffic Services)中心提供的船舶交通量数据,按船舶种类将船舶交通量分为六类,利用GRNN神经网络分别进行预测。预测结果表明GRNN神经网络具有很强的非线性拟合能力,有效解决了天津港船舶交通量预测中的小样本问题,提高了整个预测系统的精度与稳定性。

基于广义回归神经网络的磁流变减振器模型辨识

根据磁流变减振器的非线性特性,提出磁流变减振器广义回归神经网络(GRNN)模型辨识方法,利用台架试验获取的力学特性数据,建立磁流变减振器广义回归神经网络正、逆模型,并与反向传播神经网络(BPNN)模型进行比较。结果表明:通过合理选取网络变量并优化光滑因子,GRNN模型能准确预测磁流变减振器的阻尼力和控制电流,其正、逆模型辨识精度优于BPNN模型。此外,GRNN还具有结构简单、快速收敛等特点,为磁流变减振器的准确建模与控制提供了重要手段。

灰色广义回归神经网络在木薯产量预测中的应用

将GM(1,1)预测模型与广义回归神经网络(GRNN)相融合,构建一种兼具两者优点、互补型的灰色广义回归神经网络(GGRNN)。以1985-2007年度广西木薯鲜薯总产量为数据样本,采用GGRNN模型进行广西木薯产量预测研究。研究结果表明,GGRNN训练期平均拟合指数、预测期平均拟合指数分别为0.99和0.93,分别比GM(1,1)模型高0.09和0.04。该组合模型在拟合精度和预测精度方面均优于单一的GM(1,1)预测模型,并具有自学习能力、非线性映射能力以及适应性强等优点,为木薯产量预测的定量化和智能化提供了一条有效途径。

基于小波广义回归神经网络的粮食产量预测模型

将小波分析与广义回归神经网络(GRNN)相融合,构建了一种小波广义回归神经网络(WGRNN)模型。该模型应用于我国粮食总产量预测,其预测结果在精度上均优于单一的GRNN预测模型和GM(1,1)灰色预测模型,既具有神经网络非线性逼近能力和自学习能力的特性,又具有小波在时、频两域表征局部特征的功能,可为粮食产量预测的定量化和智能化提供一条新途径。

灰色-进化神经网络模型在深埋隧道围岩变形预测中的应用

由于深埋隧道围岩的变形受到构造、应力场、地下水、开挖方式等复杂因素的综合影响,具有位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将隧道围岩位移量分解成具有确定性的趋势项和具有不确定性的随机项。建立灰色–进化神经网络模型对趋势项和随机项进行预测,既结合GM(1,1)模型较好预测序列增长趋势的特点,又结合神经网络利用自适应实现网络总体误差最小的特点,进而解决了单一利用GM(1,1)模型时预测值的随机偏离量较大的问题,保证了预测的精度。将该模型应用于基于实测位移资料的堡镇隧道围岩水平收敛位移短期预测,较好地揭示了隧道围岩收敛位移演化的规律,为合理选取二次衬砌时机提供了参考。

基于灰色广义回归神经网络的工业废水排放量预测

将GM(1,1)预测模型与广义回归神经网络结合起来,构建了一种新型串联灰色神经网络预测方法,有效地将灰色系统的贫乏数据建模和神经网络特有的非线性适应性信息处理能力相融合,充分提取历史数据及相关因素数据包含的信息,建立精度较高的预测模型。通过对工业废水排放量实例预测,结果表明该方法是有效可行的。

多维项目反应理论补偿性模型参数估计:基于广义回归神经网络集合

运用广义回归神经网络(GRNN)方法对小样本多维项目反应理论(MIRT)补偿性模型的项目参数进行估计,尝试解决传统参数估计方法样本数量要求较大的问题。MIRT双参数Logistic补偿模型被设置为二级计分的二维模型。首先,模拟二维能力参数、项目参数值与考生作答矩阵。其次,把通过主成分分析得到的前两个因子在每个题目上的载荷作为区分度的初始值以及题目通过率作为难度的初始值,这两个指标的初始值作为神经网络的输入。集成100个神经网络,其输出值的均值作为MIRT的项目参数估计值。最后,设置2×2种(能力相关水平:0.3和0.7;两种估计方法:GRNN和MCMC方法)实验处理,对GRNN和MCMC估计方法的返真性进行比较。结果表明,小样本的情况下,基于GRNN集成方法的参数估计结果优于MCMC方法。

基于主成分回归与灰色神经网络模型的水资源承载力需水量预测

我国的水资源利用问题日趋严峻。作为影响水资源承载力的重要因素,社会经济活动对水资源的影响尤为明显。通过分析影响水资源承载力的社会经济驱动要素,建立主成分回归模型,分析得出影响江苏省水资源承载力变化的三个驱动力以及驱动力影响度,利用三个驱动力中的6个重要驱动因子,建立灰色神经网络预测模型,预测出江苏省2012-2013年的年需水量。结果表明:预测模型精度较高,最后结合江苏省发展现状提出相关的政策性建议。

基于广义回归神经网络的SOFC电压模型研究

首先介绍并分析了固体氧化物燃料电池(SOFC)的工作原理和理论电压模型。然后,针对SOFC系统过于复杂,理论电压模型存在明显不足的特点,试图绕开SOFC的内部复杂性,利用广义回归神经网络(GRNN)对SOFC系统进行辨识建模。模型以电池工作温度为神经网络辨识模型的输入量,电池电压/电流密度为输出量,利用750组实验数据作为训练样本,建立了SOFC在不同工作温度下的电池电压/电流密度动态响应模型。仿真结果表明了该方法的有效性,所建模型精度也较高。

基于投资者行为参数的股票指数广义回归神经网络预测模型

在运用神经网络模型对股票价格进行短期预测时,一般的神经网络预测模型都是以价格的时间序列滞后作为输入变量,但是由于影响价格的因素错综复杂,很多因素无法准确测量,而且市场信息的噪音太大,因此预测效果往往不太理想,于是如何选择有效的输入变量就成为一个困扰这项研究的难题。

基于广义回归神经网络的煤矿带式输送机模型预测控制

针对煤矿井下运输系统能耗大、生产成本高等问题,提出基于广义回归神经网络(GRNN)的带式输送机模型预测控制(MPC)策略。引入动态自适应权重和莱维飞行策略改进天牛须算法(BAS),并采用改进的天牛须算法对广义回归神经网络进行超参数寻优。建立了带式运输机模型,采用模型预测控制策略对带式输送机的运行进行优化与控制;优化过程采用了基于分时电价的控制策略。实验结果表明:与带式输送机传统的运行方式相比,所提出的控制策略不仅可以减少能源消耗,而且可以有效降低运行成本。

基于改进广义回归神经网络的工作面低氧预测模型研究

为了更有效合理地解决煤矿工作面中低氧问题,以神东某煤矿工作面监测数据为样本,考虑监测物理参数之间的相互影响关系,借助主成分分析法对广义回归神经网络(GRNN)进行改进,构建工作面氧气浓度预测模型,编制改进的GRNN模型程序。将预测氧气浓度结果与实测数据对比,证明改进后的GRNN模型具有良好的拟合准确度和泛化能力,比改进前GRNN模型和BP神经网络模型更适合于煤矿工作面低氧问题的预测;利用改进的GRNN模型分析了工作面进、回风压力及进风温度对工作面及回风平巷氧浓度的影响,为矿井工作面低氧预测及工作面低氧防治技术提供了参考。

基于混合灰色关联分析-广义回归神经网络的光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。

基于广义回归神经网络插值的雷达引信回波模拟

为了更加精确地对雷达引信回波信号进行模拟,以北京市密云区数字高程模型(Digital Elevation Model, DEM)作为地形研究数据进行插值分析和回波模拟,提出了使用广义回归神经网络(Generalized Regression Neural Network,GRNN)进行插值的方法。在插值后的DEM仿真地形上,考虑地形起伏对雷达引信回波遮挡的影响,仿真得到传统插值算法和GRNN插值算法下的雷达引信回波图,通过内插精度和回波分析了算法性能。结果表明:在地貌类型以平原、丘陵为主的地区,相较于传统算法,本文算法能够描绘地形细节,更加精确地模拟回波分布规律。

差分自回归移动平均与广义回归神经网络组合模型在丙型肝炎月发病率中的预测应用

目的探讨差分自回归移动平均(ARIMA)与广义回归神经网络(GRNN)组合模型在丙型肝炎月发病率中预测建模效果及应用前景,为疫情预测提供依据。方法 2015年5月—2016年5月,选取山东省疾病预防控制中心法定传染病直报系统2004—2014年丙型肝炎月度发病率数据及山东省统计局发布的同期人口资料。对2004—2014年山东省丙型肝炎月发病率数据构建ARIMA模型,验证拟合精度并外推预测;将ARIMA模型拟合值作为GRNN模型的输入,实际值作为GRNN模型的输出,对样本进行训练和预测。比较单纯ARIMA模型和ARIMA-GRNN组合模型在丙型肝炎月发病率中的预测效果。结果 2004—2014年山东省丙型肝炎年均发病率为17.28/10万,并随着时间的推移呈上升趋势(Z=29.05,P<0.01)。ARIMA(1,2,1)模型预测2014年山东省丙型肝炎发病率与实际发病率基本一致,落在95%置信区间内,拟合效果较好。以ARIMA(1,2,1)模型拟合值作为GRNN模型的输入,丙型肝炎月发病率实际值作为GRNN模型的输出,取最优光滑因子0.12训练模型,ARIMA-GRNN组合模型预测的拟合值与实际值基本吻合。ARIMA模型和ARIMA-GRNN组合模型的平均误差率(MER)分别为16.87%、15.30%;决定系数(R^2)分别为0.53、0.60;平均绝对误差(MAE)分别为0.17、0.09;平均绝对百分误差(MAPE)分别为1.18、0.35。结论 ARIMA-GRNN组合模型对山东省丙型肝炎月发病率拟合及预测效果优于单纯ARIMA模型,具有较高的拟合精度,有较为广阔的应用前景,对于疫情预测工作有一定的实用性意义。

基于灰色理论与广义回归神经网络的澳门水资源需求研究

基于广义回归神经网络(GRNN)模型探究了澳门需水量的主要影响因素,同时基于灰色理论GM(1,1)模型研究了澳门需水量趋势。结果表明,影响澳门需水量的主要因素为:月收入中位数、人口数、本地生产总值,将这三个因素作为GRNN模型的输入时,模型的标准均方根误差为4.59%,预测结果与实际用水量的相关系数达到96.6%;基于灰色理论GM(1,1)模型的预测值与实际用水量的相对误差在6%以内,预计到2020年澳门需水量将达到1亿m3。