二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节型负荷预测问题 ,说明了此优化模型分别优于两种单一发展趋势负荷预测模型 ,给出了电力负荷预测的应用实例 ,为季节型电力负荷预测提供了一种新的。

基于组合灰色神经网络模型的电力远期价格预测

针对电力远期价格受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测,提出了采用灰色动态模型对电力远期价格进行预测,并在此基础上构造了组合灰色神经网络预测模型.该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合.研究结果表明,本模型能在小样本、贫信息的条件下对电力远期价格做出比较准确的预测,为电力市场的参与者能更好地利用电力远期合约进行套期保值提供了有效的工具.

基于组合灰色神经网络模型的火炮身管烧蚀磨损量预测

针对火炮身管烧蚀磨损量受多种因素影响,变化趋势复杂,难以通过建立准确的数学模型进行预测的问题,在采用灰色动态模型对身管烧蚀磨损量进行预测的基础上,构造了组合灰色神经网络预测模型进行预测。结果表明,通过组合灰色神经网络模型可以得出较单一模型预测更加准确的预测值,能更好地反映内膛烧蚀磨损量的发展规律。

神经网络组合模型在我国税收征管中的应用现状与问题

随着人工智能技术的迅猛发展,神经网络组合模型在税收征管领域的应用日益广泛,为税务管理提供了革新性的解决方案。文章介绍了神经网络的基本原理及其在税收征管中的具体应用情况,深入分析了神经网络组合模型在我国税收征管中的应用现状,并探讨了在实际应用过程中遇到的关键问题和挑战。针对这些问题,文章提出了一系列综合性的优化策略和解决方案,旨在为我国税收征管领域的技术发展和管理创新提供理论支持。

优化灰色BP神经网络组合模型在基坑沉降监测中的应用

基坑沉降监测是基坑工程施工中的一个重要环节.为准确预测基坑沉降,采用优化灰色GOM(1,1)模型与BP神经网络组合预测.GOM(1,1)模型是在GM(1,1)模型原理上对其参数进行优化,使拟合值接近观测值,BP神经网络具有较强的非线性数据处理能力,优化组合模型结合两者优点应用于基坑沉降监测,得出优化后的组合模型对基坑沉降数据预测优于普通组合模型.

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。

基于灰色-神经网络组合模型的纤维混凝土腐蚀劣化预测模型研究

将体积掺量为0.3%的聚乙烯醇(PVA)纤维掺入C30混凝土,分别开展不同浓度溶液作用下的全浸泡-烘干试验,从而探究PVA纤维混凝土的抗劣化性能。以劣化试验数据作为原始样本值,分别建立GM(1,1)模型、BP神经网络模型和GM(1,1)-BP神经网络组合模型对样本数据进行拟合精度对比,并对35~50次循环后的相对动弹性模量数值做出预测,分析整体变化趋势。结果表明:混凝土试件在10倍基准浓度溶液下的评价指标变化最稳定,表明PVA体积掺量为0.3%的试件在高浓度溶液下的抗劣化性能较好;GM(1,1)模型对样本的整体趋势变化预测较为准确;BP神经网络模型对样本单一点的变化趋势预测较为准确,整体精度最高;而组合模型克服了两种单一模型的不足之处,预测值与测试值的变化趋势一致,预测效果最好。

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。

无偏灰色—BP神经网络组合模型在变形预测中的应用

在传统灰色预测模型和BP神经网络模型的基础上提出了一种新的组合模型来对变形监测中的沉降进行预测。运用无偏灰色-BP神经网络组合模型,兼顾了灰色预测模型计算样本少、计算简单和BP神经网络自组织、自适应的预测能力等优点,并通过实验结果证明,利用该组合模型方法预测结果的精度明显优于单纯的灰色模型和无偏灰色模型。

灰色DGM(2,1)与BP神经网络的组合预测模型研究

针对贫信息、不确定性,以及数据量少的问题,提出了一种灰色DGM(2,1)与BP神经网络组合预测模型。首先将原始数据分组建立灰色DGM(2,1)模型组,并得到每个模型组的拟合值,然后,将拟合值作为BP神经网络的输入样本,以原始数据为导师值训练BP神经网络,最后,使用训练后BP神经网络模型进行预测,从而高效利用数据。在预测养老保险缴费的场景下,灰色DGM(2,1)与BP神经网络的组合预测模型的预测平均误差降低0.012。仿真结果表明,该组合预测模型具有较高的预测精度和较好的稳定性。

基于灰色系统理论和神经网络的呼吸机故障预测模型的建立与研究

目的针对医疗设备故障有效数据样本少、模型预测精度低等问题,结合使用灰色系统理论与神经网络理论,建立两种基于灰色神经网络的呼吸机故障预测组合模型。方法介绍了GM(1,1)预测模型理论基础,根据最新信息优先原则结合重构背景值方法及建立GM优化的DI-GM。利用Levenberg Marquardt反向传播神经网络模型理论,建立并联式预测模型(PPM)和串联式预测模型(SPM)。使用福禄克Fluke117C数字万用表对南通市第一人民医院现行使用的某型号呼吸机马克涡轮供电电压进行采样,采样间隔5 min,采样时长120 min;同时收集并整理近年来呼吸机平均故障率作为研究数据集对4种模型进行建模、预测,并使用拟合度、均方根误差、自相关检验、残差序列异方差等对4种模型拟合和预测结果进行检验和评价分析。结果针对马克涡轮供电电压预测结果,PPM与SPM预测值均方根误差分别为2.230%、1.579%,平均绝对误差分别为0.323、0.225次,拟合度分别为0.793和0.890;针对呼吸机故障率的预测结果,PPM与SPM第9年、第10年预测值与实际值偏差分别为0.210、0.246台次和0.093、0.072台次;SPM对呼吸机马克涡轮供电电压与故障率预测效果更佳。结论灰色神经网络的呼吸机故障预测组合模型对马克涡轮供电电压与呼吸机故障率的预测精度优于单一预测模型,可为呼吸机及其关键性部件的预防性维护和更换提供参考,值得进一步探讨。

基于GA-灰色BP神经网络船舶备件需求预测模型

船舶维修备件的及时保障是船舶设备正常生产作业的保证,备件需求量的准确预测对于航运公司降低运营成本、提高管理效率起着至关重要的作用。文章从某船设备维修备件的历史数据进行分析,构建一种基于灰色模型的多层前馈(BP)神经网络模型,并采用遗传算法(GA)进行优化。首先对船舶设备备件需求影响因素进行分析,通过灰色模型确定备件需求的关键指标,并将结果作为BP神经网络的输入层,从而输出需求预测值。与灰色模型、GA-BP模型预测值对比发现,基于GA-灰色BP神经网络组合模型对于船舶备件的需求预测精度误差仅为0.147%。结果表明,使用GA优化可以提高灰色BP神经网络的预测精度,为船舶维修备件需求预测提供了一种新思路。

一种新的组合灰色神经网络预测模型

对GM(1,1)灰色和几种灰色组合模型进行了讨论,针对多个相关序列预测的问题,提出了组合灰色GM(1,1)神经网络预测模型.此方法采用灰色模型对各序列进行预测,然后利用神经网络对预测值进行校正,得到最终预测值.实例表明此种模型在实际应用中的确能够提高预测精度.

基于灰色模型与神经网络组合的线损率预测

对线损率预测的方法进行了研究,采用灰色模型与神经网络组合的方法对线损率进行预测。首先用GM(1,1)建模对线损率的变化趋势分析计算,运用灰色关联度分析与线损率相关的因素,确定出神经网络的输入变量,建立线损率预测的3层BP网络模型;然后采用GM(1,1)和神经网络的组合预测模型得到线损率的最终预测结果;最后通过对实例的分析,证明所提方法提高了线损率预测的精度。

灰色神经网络组合模型(GNN)在涝灾预测中的应用

洪涝是对人类及社会危害较大的一种自然灾害,洪涝严重影响农业生产和生态平衡,涝灾预测已成为防灾减灾的重要内容。应用BP神经网络模型对灰色模型预测精度较低的问题进行了改进,该方法是将灰色模型的预测值作为神经网络的输入,以实际值作为输出而构成灰色神经网络组合模型(GNN)。以辽阳地区50年的年降水量作为历史数据,建立GNN涝灾预测模型。预测结果表明:该方法与传统的灰色预测方法相比提高了预测精度,这种新的信息处理和预测方法是有效可行的。

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测。仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模。

具有二重趋势性的季节型电力负荷预测组合优化灰色神经网络模型

电力负荷预测是电力系统的一项重要工作 ,季节型电力负荷预测是一个难点 ,缺少相应的数量预测方法。对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种非线性趋势的复杂季节型负荷预测问题 ,说明了此优基金项目 :国家自然科学基金资助项目 ( 5 0 0 770 0 7) ;国家电力公司重点学科基金资助项目 (A98B0 3)。ProjectSupportedbyNationalNaturalScienceFoundationofChina( 5 0 0 770 0 7) .化模型分别优于两种单一发展趋势负荷预测的模型。给出了电力负荷预测的应用实例 ,通过对河北电网季节最大负荷与销售电量的分析 ,建立了对应的组合优化灰色神经网络模型 ,与其它算法进行了比较 ,计算结果表明 ,该方法较大提高了季节型负荷预测的精度 ,为季节型电力负荷预测提供了一种新的、有效的方法 ,编制了季节型负荷预测的软件 。

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.

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用.在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法.通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响.在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度.经算例验证,该算法预测精度达到1级,且高于类似算法.

施工场景下灰色小波神经网络短时交通量预测模型研究

在城市道路施工场景下应用短时交通量预测对提高施工区域交通效率及安全水平至关重要。考虑到施工场景下短时交通量历史样本量小且样本呈现非线性的特点,引入灰色预测模型,构建施工场景下的灰色小波神经网络短时交通量预测模型。以行宫西大街由西向东断面的交通量数据为例,分别基于小波神经网络短时交通量预测模型、灰色小波神经网络短时交通量预测模型,利用Matlab进行训练。结果显示,灰色小波神经网络短时交通量预测结果的平均绝对误差、平均相对误差和均方误差相较于小波神经网络短时交通量预测模型,分别降低了74.14%、75.21%和92.70%,该模型对城市道路施工场景下的短时交通量预测精确度更高。