基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。

煤矿材料成本全过程控制研究综述

面对我国经济进行深度结构调整、日益注重低碳环保、煤炭呈现出需求疲软的严峻形势,加强成本管控以提升利润空间成为煤矿长远发展的重要途径,本文旨在分析国内外的相关研究现状,为煤矿材料成本全过程控制的进一步研究提供基础支持。研究表明,目前国内外学者对于煤矿材料成本的研究仅停留在总体控制方法、措施的简单阐释层面上,缺乏全过程详细完整具备操作性控制体系的设计,且缺乏从煤矿材料使用闭环系统前后各相关环节联系的角度进行成本控制的思路。

MRA-RBF神经网络组合算法的煤矿材料成本预测

为解决煤矿材料成本预测存在的问题.将多元回归模型和RBF神经网络相结合,建立了煤矿材料成本预测的MRA-RBF耦合模型.从自然因素、技术因素、管理因素等方面选取8个变量建立煤矿成本预测指标体系.对实际煤矿材料成本进行预测分析.结果表明:MRA-RBF耦合模型预测最大误差为10.795 145 2%,平均误差为5.459 71%,最小误差仅为0.344 581 7%,预测效果较好,预测精度与单一MRA模型及RBF神经网络相比有了较大提高.验证了所提出模型的科学性、准确性,说明将线性拟合算法(MRA)和非线性拟合算法(RBF)结合起来用于煤矿材料成本预测是一种较为优越的算法,为煤矿材料成本预测及控制提供一种新的方法.

降低煤矿材料成本的主要对策

从材料采购过程、技术经济、安全生产过程等方面探寻降低煤矿材料成本的主要对策,以提高企业的经济效益。

浅析煤矿材料成本节降的主要对策

面对严峻煤炭经济形势，从材料采购过程、技术经济、安全生产过程等方面探寻节降煤矿材料成本的主要对策，降低经营成本。以提高企业的经济效益。