基于非线性自回归神经网络模型对生活垃圾产生量的预测

旨在建立生活垃圾产生量预测模型,更好的预测生活垃圾产生量,以便有序筹划生活垃圾处置设施和构建灵活的收运调配体系。方法采用非线性自回归神经网络(NAR),通过调整延迟阶数和隐含层神经元个数等模型参数,建立基于生活垃圾产生量的历史时间序列预测模型。实验结果显示,NAR神经网络时间序列模型对于北京市生活垃圾产生量有较好的预测能力,当延迟阶数为5,隐含神经元个数为10时,预测模型测试集的r值为0.9717,平均绝对百分比误差为3.385%,均方根误差为5051.831 t/w,预测模型通过了残差序列非自相关检验,预测效果较好。结论表明针对生活垃圾产生量数据可以开展NAR神经网络模型非线性自回归预测,且可不用考虑其它相关影响因素数据的可获得性,具有一定的便利和实际应用意义。

基于“灰色+非线性回归”的煤矿死亡人数预测

为探究我国煤矿现阶段安全管理水平,从煤矿近年死亡人数为切入点,分析灰色模型[Gray Model, GM(1,1)]、回归模型在煤矿事故的预测效果,进而建立“灰色+回归”模型。首先,建立灰色模型,利用后残差比值、小概率误差验证灰色模型的预测等级为“好”,满足改进要求;其次,对回归模型进行线性拟合,建立“灰色+回归”预测模型,并对3类模型的预测准确性进行评估;最后,利用“灰色+非线性回归”模型预测2023年煤矿死亡人数。结果显示:以2021—2022年数据为基准,“灰色+非线性回归”预测相对误差依次为4.5%和1.3%,预测结果接近实际值,适用于短中期预测;经分析,“灰色+非线性回归”对煤矿死亡人数预测具有较高的研究价值。2023年煤矿死亡人数控制在123~136人,煤矿死亡人数呈下降趋势。

基于非线性回归的暴雨泥石流堵河预测

堵河型泥石流灾害在汶川震区较为常见,其链式灾害效应严重威胁到了区域内人民的生命财产安全。故准确预测泥石流堵河程度,并采取相应的防治措施是至关重要的。以四川省绵竹市清平镇于2010年8月13日暴发的群发性泥石流为研究对象,通过分析因子权重,利用非线性回归建立了泥石流堵河程度的预测模型,并与已有模型进行了对比,论证了所建立模型的可用性,其后对不同降雨频率下的泥石流堵河程度进行预测。结果表明:流量比和流域面积是最佳的建模因子,所建立的模型绝对平均误差为0.049;与不同模型对比发现本文模型对于清平镇泥石流堵河预测具有很好的适用性;在极端降雨下,部分沟道堵河预测程度为1,会造成绵远河堵断。研究成果可为该地区泥石流灾害的防治和治理提供参考。

基于改进非线性自回归网络的洪水预测算法

针对流域的洪水预测具有高度非线性和随机性的问题,提出了一种混合预测模型用于流域的洪水预测.该模型是一个集成了数据预处理模块的具有外部输入的非线性自回归神经网络,采用小波变换进行时间序列分解,利用多基因遗传编程进行细节缩放,以提高时域和频域特性的提取能力,进一步捕获时间序列的非平稳性,与NARX结合可以大幅提高洪水预测的准确性,利用栾川水文站15年中所测水文数据对所提模型进行验证和测试.实验结果表明,相比较于传统算法和其他预测算法,所提出的算法具有更高的预测准确度和性能,可广泛应用在洪水预测等领域.

多元非线性回归预测模型的一种建立方法

多元非线性回归预测模型的一种建立方法扬州大学税务学院程毛林在经济预测中，常用多元回归模型反映预报量与各因素之间的依赖关系，其中线性回归分析有着广泛的应用。但客观事物之间并不一定呈线性关系，在有些情况下，非线性回归模型更为合适，只是建立起来较为困难。这...

两段法固定床甲醇制芳烃产物预测多元非线性回归模型

针对甲醇制芳烃机理建模假设多、产物预测过程复杂、计算成本高等问题,提出了一种多元非线性回归分析的数据驱动建模方法。在两段法固定床反应系统中研究了反应压力、甲醇体积空速、一段中心温度、二段中心温度、装置运行时间、累计甲醇进料量及其交互作用对芳烃产物的影响。利用最小二乘法进行参数估计,建立四个六元二次非线性产物分布回归模型。测试结果表明,测试样本的总体决定性指标ρ^(2)为0.9576,均方误差MSE为0.0037,相比于传统的动力学模型,具有产物预测精确度高、计算量小以及泛化性强的特点;空速和反应压力的交互作用对产物中芳烃选择性影响显著,在空速增大的情况下,产物中最大芳烃占比对应的压力峰值也随之增高。

基于非线性自动回归模型的测井曲线预测方法

针对非线性、时序性的测井曲线进行研究,提出基于Tensor Flow的非线性自动回归模型(GNAR)纵向预测测井曲线法。将样本数据分成训练集和测试集,在训练集上建立模型,在测试集上进行预测评估。实验验证和应用效果分析表明,非线性自动回归模型在测井曲线纵向预测中具有较强的适应性和较高的准确性。

基于多元非线性回归分析法的圆锯片锯切花岗岩锯切功率预测模型

根据?350 mm金刚石圆锯片锯切花岗岩的实验数据,利用多元非线性回归分析法建立了金刚石圆锯片锯切花岗岩的锯切功率预测模型。通过实验数据与模型预测数据比较,验证了该预测模型的可行性。结果表明:多元非线性回归分析法预测模型的拟合效果较好,预测的锯切功率与实验锯切功率相比,相对误差绝对值的平均值仅为2.17%;影响圆锯片锯切功率的最主要因素为进给速度,其次为金刚石磨料的综合强度,最后为锯切深度。

SARS疫情预测预报中的分段非线性回归方法

介绍了几种对累计SARS疫情预测预报中的非线性增长曲线模型 ,说明了Richards增长曲线在这次SARS疫情预测预报中合理性和可行性 ,由此建立了累计SARS疫情预测预报中的非线性回归点模型。并具体对北京SARS疫情进行了跟踪预测预报 ,包括整体和分时间段的预测预报 ,获得了北京SARS疫情随时间的预测预报结果 ,说明了北京 4月底的一系列控制措施对北京SARS疫情所带来的影响 ,为进一步的后续研究打下了良好基础。

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.

一种线性/非线性自回归模型及其在建模和预测中的应用

为提高模型准确性,在经典时序建模策略的基础上,提出了一种带有外部输入的线性/非线性自回归模型,并应用Weierstrass逼近定理推导出其一般表达式(GNARX),该模型允许带有多个外部输入以实现复杂系统的建模和辨识.针对该模型结构给出了其最小二乘参数估计方法,并采用结合建模误差、预测误差及模型复杂度的修正信息准则(AIC)确定最优模型结构.最后,将该模型应用于仿真数据和振动位移采样电流数据的建模与预测.结果表明,GNARX模型的建模和预测精度均高于AR,GNAR,ARX模型及BP神经网络模型,表现出良好的线性/非线性建模和预测能力,及较好的通用性和实用价值.

基于多元非线性回归法的商场空调负荷预测

提出了一种基于多元非线性回归的商场空调负荷预测快速建模方法,采用实际用能系数描述不同时刻商场空调的负荷特性,建立了空调负荷预测模型,在提高预测建模速度的同时很大程度上避免了由于训练样本不完备而导致的预测精度波动。利用广州某商场空调负荷的实测数据进行了仿真实验,得到空调负荷与其影响因素之间的多元非线性拟合方程。揭示各种因素对空调负荷的影响规律,仿真结果验证了该方法的有效性和可行性。

基于非线性正交回归模型预测城市建设用地量

采用非线性正交回归模型(NORM),以GDP、固定资产投资、消费品零售额为主要影响因子,预测天津市塘沽区2006-2010年建设用地量和土地供应量,并分析了塘沽区土地资源利用规律及趋势。预测到2010年,低、高经济运行模式下塘沽区建设用地量分别为93.64 km2和93.98 km2,置信区间分别为±15.79 km2和±15.80 km2;2010年低、高经济运行模式下土地供应量分别为227.58 km2和207.85 km2,分别是同期建设用地量的242%和221%。2005—2009年塘沽区高经济运行模式下建设用地量高于低经济运行模式下建设用地量,2010年后高、低经济运行模式下建设用地量和土地供应量接近,经济发展对土地资源的依赖逐渐减弱,土地资源利用渐趋规范、合理、有序。

软基沉降的经验曲线非线性回归分析预测方法研究

将经验曲线波形非线性回归分析应用于广肇高速公路的软基沉降量预测中,分别采用双盐线模型、指数曲线模型和星野法模型对同一段软基的沉降进行了预测,结果表明:①3种模型的短期沉降预测能力均较好,且以星野法模型与实际最贴近;②双曲线模型与星野法模型预测的最终沉降量相近,而指数曲线模型预测的最终沉降量偏小。

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法，神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．

基于灰色非线性回归模型的故障预测

为克服传统灰色模型的局限性,通过对一阶累加生成序列规律性的分析,将灰色模型和非线性回归模型相结合,构造了一种灰色非线性回归模型。实例仿真结果表明,该模型既拓展了传统灰色模型的适用条件,又比传统灰色模型和非线性回归模型具有更高的预测精度,且适用性广。

线性化非线性回归预测模型质疑

有些非线性回归预测模型能被线性化，我们研究发现这种线性化有两种形式。在第一种形式中回归系数不变，但在第二种形式中回归系数发生变化。进一步，我们证明了第一种形式的线性化成立。

基于人工神经网络的非线性回归预测模型的研究

将人工神经网络引入回归分析过程，探讨了回归分析神经网络的结构和学习算法，研究了基于人工神经网络的模型变量的选择、观测样本的采集和使用等．进行了仿真实验，仿真结果初步显示了神经网络方法能够较好地解决传统的回归方法所面临的困难，并具有较高的模型精度．