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。

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。

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。

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 。

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.

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BP神经网络和灰色关联度组合模型的城市生活垃圾清运量预测

运用灰色关联度分析方法确定城市生活垃圾清运量主要影响因素,将其作为BP神经网络的输入向量,建立能满足兰州市生活垃圾清运量预测要求的BP神经网络预测模型。结果表明,兰州市城市生活垃圾清运量的主要影响因素为城市非农业人口、GDP、社会消费品零售总额、城市居民人均消费性支出和城市居民人均年可支配收入。建立了城市生活垃圾清运量BP神经网络预测模型,将模型的预测结果与实际值相比较,证明模型具有较好的可行性和适用性。从2009年至2015年,兰州市城市生活垃圾清运量的增长率达到42.78%,并在2015年达到171.51万t。灰色关联度分析能够较好地为建立BP神经网络预测模型筛选输入变量。

用灰色神经网络组合模型预测农机总动力发展

农机总动力的需求预测是一个复杂的非线形系统,其发展变化具有增长性和波动性。该文首先在灰色预测模型的基础上建立了新陈代谢型灰色预测模型群,然后结合灰色GM(1,1)模型和BP网络模型的优缺点,建立了串联新陈代谢型灰色神经网络组合预测模型,并对中国农机总动力需求进行了预测,结果表明预测值和实际结果有很好的一致性。

基于多模型融合的BP神经网络组合预测模型的研究

随着大数据互联网等产业的高速发展,企业比以往更需要精准的预测销售数据来制定企业未来的规划。然而传统单一的预测模型如三次指数平滑预测模型、灰色预测模型和多变量LSTM预测模型都因各自的局限性难以得到精准预测的结果。本文提出建立一种基于多模型融合的BP神经网络组合预测模型,即将三次指数平滑预测、灰色预测和多变量LSTM预测的预测结果作为BP神经网络预测模型的输入,从而得到精准预测结果。该模型通过在医疗销售行业的应用,符合预期成果,并得到好的评价。

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。

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。

蚁群灰色神经网络组合模型在电力负荷预测中的应用

灰色GM(1,1)预测模型,在负荷预测中得到了广泛应用,但是也有其局限性。当数据灰度越大,预测精度越差,并且不太适合经济长期后推若干年的预测,在一定程度上是由模型中的参数a造成的,为此引入向量θ,建立蚁群灰色模型,然后与神经网络模型相组合,即建立蚁群灰色神经网络组合预测模型。实证分析表明,该预测方法是合理有效的,与传统的预测方法相比,提高了预测精度,具有较好的实用价值。

基于灰色神经网络的能源消费组合预测模型

组合预测对于信息不完备的复杂经济系统具有一定的实用性。鉴于能源消费系统的复杂性和非线性特征,利用我国能源消费的历史数据,采用灰色预测的GM(1,1)、无偏GM(1,1)和pGM(1,1)3种模型与人工神经网络进行优化组合,建立了灰色神经网络的能源消费组合预测模型,实证分析结果获得了更为精确的预测效果,可以作为能源消费预测的有效工具。同时,能源消费的预测结果也表明今后必须以节能为主导思想,努力建设资源节约型社会和环境友好型社会。

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。