基于AHP与熵值法构建的火灾预测组合灰色模型

火灾预测可以帮助消防部门更好地采取预防措施和制定灭火方案,减轻火灾损失。如何通过人工智能方法预测火灾数量、判断火灾发展趋势成为一项重要的研究课题。对城市消防火灾数量进行预测时,文中首先对原始数据序列进行加权滑动均值处理;其次建立了基于背景值优化的灰色模型和无偏优化灰色模型;而后引入了结合等维新息理论的马尔可夫模型,对经过改进的灰色模型进行预测值的残差修正;最后建立了基于层次分析法(AHP)与熵值法的主客观赋权组合模型。针对北京市2012—2019年火灾事故数据进行建模,并对后续两年的火灾发生数量进行数据预测与模型对比验证分析,根据预测结果判断未来火灾数据的变化趋势。实验结果显示,优化模型可以提高预测精度,其中结合AHP与熵值法的组合模型预测精度达到了相对残差最小为0.6105%,后验方差比为0.323%。实验结果证明,优化后的模型可以更好地应用于对火灾事故的预测。

基于反向传播与长短期记忆网络的多步风功率预测组合模型

当前风功率预测的方法很多,但单一预测模型各有优劣且预测结果可靠性不高,难以满足电网对风功率预测精度的要求。针对该问题提出了一种基于反向传播神经网络与长短期记忆网络组合的预测模型用于多步风功率预测,并通过仿真验证了该组合模型在风功率预测中的可行性。仿真结果表明,该组合模型的均方根误差与绝对平均误差比反向传播神经网络与长短期记忆网络单一模型的误差结果都减小很多,表明该风功率组合模型在预测精度上比单一风功率预测模型更具有优越性,适用于实际的多步风功率预测。

风电场发电功率短期预测组合模型研究

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。

基于BP神经网络的矽肺病预测组合模型研究

矽肺是我国最为严重的职业病之一,严重危害工人的健康。研究表明,矽肺与粉尘接触量、吸烟量、接尘时间等存在明显的剂量反应关系。基于各矽肺致病影响因子,分别利用指数平滑-神经网络ES-BP(Exponential smoot-hing-BP neural network)和模糊c均值聚类-神经网络FCM-BP(Fuzzy c-means clustering-BP neural network)组合模型对接尘工人未来是否患病以及患病年龄做预测分析。实验结果表明:ES-BP模型能结合原始工人接尘时间队列数据特点,从时间序列上对工人患病年龄进行预测;FCM-BP模型对数据预归类,能极大减小模型复杂度并降低网络训练时间。两种组合模型预测精度均高于BP单独建模预测精度,在工人患病年龄预测中取得了较好的测试效果。

基于多元回归——灰色预测组合方法的煤炭行业人才需求预测

在对煤炭行业人才需求的预测中,利用单项预测方法进行预测有时会受到局限,本文提出一种基于多元回归——灰色预测的组合预测方法对煤炭行业人才需求进行预测。选取30个煤炭企业2013—2017年期间人才变动的数据,提取煤炭年产量和年薪酬水平为主要因子,对2013—2017年的煤炭行业经营管理人才需求量进行预测,残差分析结果表明,用多元回归-灰色预测模型预测较单一方法更有效,构建的预测方法具有很好的适用性。

电力系统短期负荷预测组合NN模型的研究及运用

随着市场经济的不断发展,电力行业也取得了巨大的进步,在电力系统中,由于受到短期负荷的影响,而容易造成电力系统的故障,因此,电力系统的调度、规划等部门也一直将电力系统短期负荷的预测工作作为其一项重要的工作,并且在电力生产部门和供电系统中受到了广泛的重视,对电力系统短期负荷进行科学的预测,也是确保电力系统稳定运行的保障。本文就主要针对电力系统短期符合预测组合的NN模型进行简单的探讨。

加权残差平方和最小的组合预测组合权重的确定

文章分析了组合预测中组合权重恒大于零的不足之处,证明了组合加权权重可正可负;根据新旧历史数据对预测结果的影响程度不同,探讨并给出了时间权重的概念和时间权重应该满足的条件,且基于所给时间权重建立了加权残差平方和最小的组合预测组合权重确定模型,并推导出了基于时间权重的组合预测组合权重确定公式。

基于元学习的时变非线性负荷预测组合算法

单一的预测算法或多或少存在着归纳偏置,由此导致了系统偏差的普遍性。提出了一种基于元学习的时变非线性组合预测算法,该算法在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。在元预测器中,通过门控网络确定各基预测器的权重,保证了权重的时变性和非负性。将该算法应用于电力负荷超短期预测,预测结果表明,该算法的预测精度高于单一预测算法和常用的线性和非线性组合算法。

基于BP神经网络的Cu-Ce掺杂TiO_2光催化剂性能预测组合模型研究

采用环境测试舱模拟可见光下的室内环境,以甲醛气体的光催化降解为探针反应,评价了Cu-Ce/TiO2光催化剂的光催化活性及对甲醛气体的去除效果。利用指数平滑-神经网络ES-BP组合模型对Cu-Ce/TiO2光催化剂的性能做预测分析。结果表明:经过Cu-Ce/TiO2光催化剂处理后细木工板中甲醛释放浓度明显降低,平均光催化降解甲醛气体效率为42.8%;ES-BP组合预测模型在Cu-Ce/TiO2光催化剂的性能预测中取得了较好的效果,平均绝对误差为-0.00011mg/m3,平均相对误差为-0.317%;ES-BP组合预测模型实现了BP神经网络模型和指数平滑模型的优势互补,提高了对数据长期预测的准确性。

线性规划在确定组合预测组合权数中的应用

1 引言在预测的实践中,我们可以利用多种预测模型进行预测。预测模型不同,预测的结果也不相同。为了综合系统地利用各模型的信息,我们采用组合预测模型。组合预测的关键是确定加权系数。本文将以两个合理的度量为目标函数,通过解线性规划问题确定最优的权组合系数。 2

非平稳时间序列预测组合的条件

本文考虑当被预测的时间序列变量为非平稳过程时，由单项预测构成组合预测的条件。研究发现组合预测中的任何一个单项预测。

基于财务数据的企业破产风险预测组合法

预测组合方法(forecast combination methods)通过把多个不同的统计学模型结合在一起,能够达到提高预测准确性的目的.文章把预测组合方法应用于企业破产风险的预测.作为预测组合的候补模型,选择了使用不同解释变量的Logistic回归模型.并基于财务数据对一些日本上市企业进行了实证分析,结果表明对于进行企业破产预测,预测组合方法优越于通常的以AIC(Akaike information criterion)为基础的模型选择方法.

安全性预测组合模型的神经网络方法及应用

煤矿安全的首要问题是对安全性指标进行合理的预测。本文指出了传统预测方法存在的不足,提出了应用神经网络建立时间序列的组合预测模型,并提高了预测精度。结果表明,用这种方法进行全安预测效果较好。

基于AHP负荷预测组合预测方法的权重确定

将层次分析法(AHP)应用到电力负荷预测组合预测的权重求取,通过对影响负荷预测的主要因素进行层次分析,建立递阶层次结构,构造两两比较判断矩阵,分层次展开对优先权向量的求取,经过一致性检验最终确定组合预测的权重。通过实例计算,表明方法准确有效。

改进的时变非线性负荷预测组合算法

为了提高超短期负荷预测精度,提出了一种改进的基于学习的时变非线性组合预测算法,该算法在基预测器中增加了基于最大Lyapunov指数的混沌时间序列预测模型,其中最大Lyapunov指数为序列特征属性,在进行组合预测时将序列的特征属性和基预测器预测的结果形成元知识,作为元预测器的输入,从而发现并且纠正基预测器的系统偏差。在元预测器中,通过门控网络确定各基预测器的权重,保证了权重的时变性和非负性。预测结果表明,该算法的预测精度较高,具有实际应用价值。

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。

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。

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.

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。