组合预测结果的优化

本文对组合预测法的概念及其权值的确定进行了探讨,提出了带约束的组合预测法优越性的理论依据.

D-S理论和Markov链组合的桥梁性能退化预测研究

为准确预测桥梁性能退化,考虑到数据随机性和微小扰动发生状态跳跃,提出了一种D-S(Dempster-Shafer)证据理论和Markov链组合的桥梁性能退化组合预测模型和性能退化率的概念.该模型基于指数平滑(exponential smoothing,ES)方法获得新的预测数据序列,并利用Markov链和D-S理论不断进行优化,从而实现桥梁性能退化的组合预测.实际工程的应用结果表明:性能退化率可以直观地表征在梁性能退化的速度.其次,该模型的平均相对误差为1.54%,较于回归、灰色和模糊加权Markov链模型,精度分别提高了1.11%,0.88%和2.8%,而后验差比值为0.242,小于0.35;模型的标准差为9.021,相比其他模型分别减小了3.978,3.405和7.500,而变异系数为0.109,均小于其他模型,验证了组合预测模型在精度和稳定性方面的优越性,可为在役桥梁结构性能退化预测与维护提供理论基础.

基于Theil不等系数IOWAO组合模型的黑龙江省秸秆还田机械化程度预测

玉米、水稻等作物收后秸秆处理一直是农业生产中亟待解决的问题,机械化秸秆还田是作物收后秸秆处理的重要手段,也是保护黑土资源的重要措施。结合相关文献,提出基于协整性检验的单一预测模型选择和基于误差指标最小的最优组合预测模型选择关键环节;运用协整性检验方法确定二次函数模型、ARIMA模型、H-W无季节模型作为秸秆还田机械化程度预测的单一模型;依据误差绝对值和最小法、Shapley法和基于Theil不等系数IOWAO法构建三种组合预测模型,采用误差平方和(SSE)、平均绝对误差(MAE)、均方误差(MSE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)五个误差指标比较模型精度,确定采用基于Theil不等系数IOWAO的组合模型为最优预测作物秸秆还田机械化程度模型。结果表明,2022-2026年黑龙江省秸秆还田机械化程度将稳步提升,平均每年增加4.52%,2026年将达到74.19%,比2021年提升22.62%;2022年以后,黑龙江省秸秆还田机械化程度将进入快速发展期。为制定和实施机械化秸秆处理政策提供理论依据,为保护和恢复黑土资源生产能力提供重要支撑。

基于联系数投影的三角模糊数组合预测模型及其应用

在模糊预测中,三角模糊数比区间数更能准确刻画不确定信息。针对三角模糊数组合预测,本文首先引入集对分析中联系数,找出三角模糊数与三元联系数的转换关系,巧妙回避三角模糊数组合预测运算的模糊性和复杂性。其次定义三元联系数运算规则,构建联系数投影作为最优准则,建立联系数投影的定权系数三角模糊数组合预测模型。然后依据高精度预测方法应赋予较大权系数的原则,构建联系数广义诱导有序加权平均(CNGIOWA)算子,研究其性质定理,再结合联系数投影的最优准则,建立基于联系数投影和CNGIOWA算子的变权系数三角模糊数组合预测模型。最后将两类三角模糊数组合预测模型应用到模糊预测实证分析中,结果显示两类组合预测模型都能有效提高预测准确性。

N-Calculator与NUFER耦合模型和组合预测法在食物氮足迹研究中的应用

为改善传统N-Calculator模型的局限性,加强食物氮足迹核算结果与环境影响的联系,提高活性氮管理预见性,将N-Calculator模型与食物系统养分流动(Nutrient Flows in Food Chains,Environment and Resources Use,NUFER)模型进行耦合,以估算我国2001—2020年人均食物氮足迹,建立组合预测体系。结果显示:2001—2020年,我国人均食物氮足迹由16.04 kg N/a增至18.95 kg N/a;全国食物氮足迹由20.47 Mt N/a增至26.76 Mt N/a;居民饮食结构正由以植物源食物为主的低氮消费模式转向以动物源食物为主的高氮消费模式;食物生产过程产生的活性氮的最终归宿为大气(64.3%)、水体和深层土壤(35.7%);我国食物氮足迹与人均可支配收入、城市化率、动物源食物消费氮占比呈正相关性,与恩格尔系数呈负相关性;未来10 a我国人均食物氮足迹呈增长趋势,预测结果显示年均增幅为0.16 kg N/a。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于灰色多元变权组合预测模型对山东省海水养殖产量预测

为了进一步提高海水养殖产量预测精度,考虑多因素对海水养殖产量的影响,文章基于变权组合预测模型,充分结合长短期记忆(Long Short-Term Memory,LSTM)神经网络预测模型、GM(1,N)预测模型和偏最小二乘回归预测模型等传统统计预测模型的优点,构建出一种基于灰色多元变权组合预测模型,并对山东省海水养殖总产量和分类产量进行了预测。实证结果显示,基于灰色多元变权组合预测模型对山东省海水养殖产量的预测精度高达99.13%,预测精度显著优于LSTM神经网络等各单项模型,并能综合于LSTM神经网络、GM(1,N)预测模型和偏最小二乘回归预测模型的优点,弥补各单项模型的不足,提高预测精度和可靠性。根据预测结果,到2025年山东省海水养殖产量仍将保持良好发展,海水养殖产量将达到579.28×10^(5)t,平均增长速度为3.11%,而鱼类、甲壳类、贝类、藻类以及海参海水养殖产量将分别达到6.27×10^(5)、26.27×10^(5)、445.83×10^(5)、68.65×10^(5)和9.5×10^(5)t。

基于网络搜索数据的GDP组合预测研究

网络搜索数据(Web Search Data, WSD)是研究宏观经济现象的重要微观信息依据。从需求、供给与政策环境等方面选取和筛选关键词来合成网络搜索指数,采用金枪鱼群(Tuna Swarm Optimization, TSO)算法优化的最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)模型,对GDP进行预测。结果表明,网络搜索指数与GDP具有强相关性,合成的网络搜索指数能较好地反映GDP的波动走势;网络搜索数据的加入使得预测结果呈现出强时效性,预测效果及预测精度都取决于对最优模型的选择,引入参数智能优化算法可提高模型的预测性能。提出的TSO-LSSVR&WSD模型充分利用网络搜索数据及组合预测优势,提高了GDP的预测精度和时效性,可应用于宏观经济指标预测中。

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度,针对大坝原始监测信号中的噪声,以及其非平稳性、非线性等特点,引入奇异谱分析(SSA)和局部均值分解(LMD)方法,提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理,为充分提取大坝形变信息特征,利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析,剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验,结果表明,相较于其他模型,SSA-LMD-GM模型预测精度和拟合精度更加优秀,能较好地预测大坝变形趋势,具有一定的应用价值。

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。

玛湖凹陷风城组岩石力学参数自适应权重组合预测

准噶尔盆地玛湖凹陷风城组岩性复杂,为准确预测其岩石力学参数,提出了一种自适应权重组合预测方法。首先分析、对比传统方法和不同机器学习算法(BP神经网络、XGBoost、支持向量机(SVM)、随机森林(RF)、卷积神经网络(CNN)、决策树(CART)、长短时记忆神经(LSTM)网络等)的预测效果,传统方法难以准确预测岩石力学参数,而不同机器学习算法的预测效果不同,其中抗压强度、抗张强度和脆性指数预测的最优机器学习算法模型为SVM,弹性模量为BP,泊松比为RF,内聚力为XGBoost,内摩擦角和断裂韧性为LSTM网络;单一机器学习算法难以实现对多个岩石力学参数的同步准确预测。在此基础上,通过对不同岩石力学参数选取不同预测基模型,再根据基模型预测效果赋予权重并进行组合,以开展自适应权重组合预测。结果表明,该方法能够有效提升机器学习算法的预测精度和泛化性能,可实现复杂岩性地层多个岩石力学参数的同步准确预测。

褐土全氮含量Vis/NIRS组合预测模型的构建

准确掌握农田土壤全氮含量对于评估土壤肥力,合理施用氮肥具有重要意义。为综合利用各个单预测模型的优势,提升整体预测性能、降低模型方差,提高鲁棒性,以农田褐土土壤为研究对象,基于近红外-可见光高光谱数据,提出了一种基于标准差的预测有效度组合预测模型(CPM),用于预测土壤全氮含量。对原高光谱数据采用Savitzky-Golay平滑和一阶微分变换,采用树模型进行特征波段提取,利用决策树回归(DTR)(模型1)、高斯核回归(GKR)(模型2)、随机森林回归(RF)(模型3)、LASSO回归(模型4)、多层感知器回归(MLP)(模型5)5个单预测模型,通过单预测模型的线性组合建立组合预测模型。结果表明:(1)通过广义简约梯度优化算法求得组合预测模型中5个单预测模型的权重分别为ω_(1)*=0.407,ω_(2)*=0.378,ω_(30*=0.215,ω_(4)*=0,ω_(5)*=0;(2)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测有效度分别为M_(1)=0.855,M_(2)=0.856,M_(3)=0.847,M_(4)=0.785,M_(5)=0.796,M_(CPM)=0.880;与单模型预测有效度最大值相比,组合预测模型预测有效度提高了2.924%;(3)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测精度和标准差分别为E(A_(1))=0.924,σ(A_(1))=0.075,E(A_(2))=0.928,σ(A_(2))=0.077,E(A_(3))=0.923,σ(A_(3))=0.082,E(A_(4))=0.882,σ(A_(4))=0.109,E(A_(5))=0.889,σ(A_(5))=0.104,E(A_(CPM))=0.937,σ(A_(CPM))=0.066,与单模型预测精度最大值相比,组合预测模型预测精度提高了0.970%,模型稳定性提高了12.000%,且为优性组合预测。组合预测模型可用于可见光-近红外光谱数据的农田褐土土壤全氮含量的有效估测,可为农田土壤全氮含量的快速监测提供依据和参考。

暴雨洪涝灾害转移安置人数的组合预测模型研究

为了更加科学精准地预测暴雨洪涝灾害下需要转移安置的人数,收集2011—2018年全国范围内严重暴雨洪涝灾害案例,通过Pearson相关性分析检验转移安置人数与表征暴雨洪涝灾害严重程度影响因素之间的关系;分别使用基于主成分分析的回归模型和支持向量机(SVM)预测暴雨洪涝灾害下需要转移安置人数,并以2种方法的结果为基础,提出1种组合预测方法对暴雨洪涝灾害转移人数进行修正。研究结果表明:组合预测法的MSE、MAE均小于回归预测和SVM模型预测。使用组合预测方法对洪涝灾害转移安置人数进行预测,可以充分结合单一预测模型的优势,提高组合预测模型的预测精度和泛化能力。研究结果可为确定暴雨洪涝灾害的避难需求并制定避难疏散计划提供参考。

基于邻域互信息的组合预测最优子集选择算法

为在候选模型集中高效地选择时间序列组合预测的最优子集,提出一种CSPSO-NMI-MRMR最优子集选择算法。利用邻域互信息(neighborhood mutual information, NMI)度量相关性和冗余度,避免数值型数据的离散化,按最大相关最小冗余原则(minimal redundancy and maximal relevance, MRMR)筛选最优子集;邻域互信息中的邻域参数与子集选择效果密切相关,采用CSPSO算法寻找最优邻域参数,充分利用布谷鸟算法(cuckoo search, CS)和粒子群优化算法(particle swarm optimization, PSO)的优势,兼顾搜索效率和全局搜索能力;在寻参过程中设计一种淘汰策略,优化邻域参数的寻优区间并淘汰部分单模型,减少计算量。仿真结果表明,所提方法在预测精度、运行时间和稳健性上效果更优。

基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测

针对风速的波动性和随机性等特点,提出一种基于二次分解和乌鸦搜索算法优化组合模型的超短期风速预测方法。该方法的基本思路是构造基于变分模态分解、样本熵和奇异谱分析的二次分解的方法,将原始风速序列分解为不同的子序列,并对这些子序列分别建立预测模型,最后重构。对变分模态分解的子序列建立基于长短时记忆网络的深度学习模型预测,而残差序列进行二次分解后的子序列建立乌鸦搜索算法优化的组合预测模型预测。最后,对子序列进行重构并得到最终的预测结果。使用实际的风速观测资料开展模拟实验,结果表明:在3个风电场中,所提模型与其他模型相比平均相对误差分别提升了30.07%、37.56%和37.40%,验证了混合模型在超短期风速预测中的有效性和稳定性,以及在不同数据集上的泛化性能。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于Hellinger距离和IOWC-GOWA算子的区间组合预测模型

针对区间型数据的组合预测,该文引入了统计学中衡量两个概率密度函数之间相似程度的指标——Hellinger距离作为构建组合预测模型的最优化准则.在已构建的诱导有序加权连续区间的广义有序加权平均(IOWC-GOWA)算子的基础上,将区间数序列转化为实数序列,建立了一种新的区间数组合预测模型,并通过具体的数据进行分析,验证了该模型的有效性.结果表明:该文所建立的基于Hellinger距离和IOWC-GOWA算子的区间组合预测模型能在单项预测的基础上有效提升预测精度,是一种优性组合预测模型.

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。

组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解(REMD)将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解(WPD)进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络(LSTM)预测模型,低频子序列建立差分自回归移动平均模型(ARIMA)预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。