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。

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。

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。

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。

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。

基于量子和声搜索算法的可再生能源渗透率组合预测模型研究

“双碳”目标极大地促进了我国可再生能源的发展。针对可再生能源渗透率的准确预测问题,提出基于量子和声搜索(QHS)算法的可再生能源渗透率组合预测模型。首先,采用多层感知器筛选出与可再生能源渗透率强相关的因素;其次,选择4种不同的单项预测模型,采用改进折现均方预测误差加权(MDMFSE)组合模型对单项预测模型结果进行集成;最后,利用QHS算法对MDMFSE的加权系数进行动态优化,构建QHS-MDMFSE组合预测模型,实现对可再生能源渗透率的预测。算例分析表明,所提模型相较其他传统模型具有更高的预测精度,且稳定性更高。

基于AR-LSTM-BP的CPI组合预测模型

针对居民消费价格指数(CPI)预测准确性的问题,提出一种AR-LSTM-BP组合预测模型.首先分别用回归(AR)、长短时记忆网络(LSTM)和BP神经网络这三种模型对CPI预测,并对预测结果进行比较分析;随后引入诱导有序加权调和平均算子(IOWHA)的概念,构建AR-LSTM-BP组合预测模型.结果表明,IOWHA组合预测模型的误差均小于单项预测模型,预测结果准确性较高,能够更好地反映CPI的波动走势.

基于组合预测模型的上海物流需求预测

随着物流行业的快速发展,为保证资源配置的合理运用,提前预测地区的物流货运量情况必不可少。以上海为例,将灰色预测模型与三次指数平滑预测模型结合起来,利用方差倒数加权法得到系数,再根据上海2016年到2020年实际货运量建立组合预测模型,从而预测出上海未来十年的货运量。最终发现上海货运量呈现逐年增长趋势,并在2032年达到最高444543.15万吨。最后,依据预测的结果对上海物流发展提供一些建议。

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ARIMA-GM组合模型的农作物播种面积预测——以吉林省为例

农作物种植面积预测能够有效帮助生产者提前掌握未来农业的生产状况。为准确预测农作物播种面积变化情况,寻求一种新型的组合模型权重计算方法。以吉林省历年作物播种面积为原始数据,建立GM(1,1)与ARIMA时间序列组合预测模型。综合使用平均绝对百分数误差、残差平方和最小法及最小二乘法确定组合模型的权系数,在此基础上将三种权系数组合优化后得到最终权重,两种模型权重分别为0.44976和0.55024。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.4%。

基于GM(1,1)-BP组合模型在炮口初速预测的应用

炮口初速是影响火炮射击精度的重要因素,如何能够准确预测出炮口初速,把握短暂战机精确打击目标,成为研究的重要方向。以往对炮口初速的预测大多采用单一的预测模型进行预测,虽运算过程简单但是预测精度并不理想。为提高模型预测精度,提出在GM(1,1)、BP神经网络预测模型基础上,利用误差平方和最小原则建立组合预测模型,对炮口初速进行预测。预测结果表明组合模型预测结果精度高于其他两个单项模型。

基于跨序列组合模型的饮料业需求预测

面对由多种现实因素引发的需求波动,饮料行业急需提升供应链效率,而精准的需求预测在这一过程中扮演着至关重要的角色。为解决这一问题,文章提出了一种先进的需求预测组合模型——跨序列模型。该模型通过“借用”其他产品线的销售数据,再输入多种预测模型。文章通过标准化平均绝对误差(NMAE)和标准化均方误差(NMSE)等性能评估指标,将其与传统的预测模型进行了详尽的对比分析。实证研究表明,该跨序列模型在“借用”其他产品销售数据的基础上,实现了比传统模型更高的预测精度,同时也产生了更为稳健和更符合逻辑的预测结果。

基于组合预测模型的滑坡变形趋势研究

为实现滑坡变形的高精度预测,基于滑坡变形监测成果,先以支持向量回归、RReliefF算法、鲸鱼优化算法及Arima模型为基础,构建滑坡变形组合预测模型;再利用多重分形消除趋势波动分析和Spearman秩次检验,研究滑坡变形的多标度特征。结果表明,通过不断组合优化处理,能显著提高滑坡变形预测精度,且经外推预测,D1~D3监测点的现有速率相对更大,且预测速率较现有速率的减小幅度依次为21.61%、12.95%和6.54%,D4监测点的预测预测速率相对更大,其较现有速率的增加幅度为19.85%,说明滑坡前缘稳定性进一步趋于不利;4个监测点具有不同的分形谱宽度和大波形所占比例,但D4监测点在分形谱宽度及大波形所占比例上均为最不利;4个监测点变形的分形谱宽度均为增加趋势,且只有D2监测点的大波动所占比例为增加特征,其他监测点均为减小趋势,说明滑坡变形的波动性会更加剧烈,但大波动总体趋于减弱,只在局部为增加趋势,建议尽快进行滑坡防治处理。

基于加权组合模型的二手车价格预测方法

为了提高二手车价格预测的精度与可靠性,提出了一种基于神经网络与贝叶斯优化LightGBM算法的加权组合方法,对具有多个影响因素的二手车价格进行预测。首先对原始数据进行数据预处理,其次对预处理后的数据集进行特征工程以获得适合神经网络与树模型训练的数据集,然后分别使用神经网络与贝叶斯优化的若干机器学习算法进行训练获得网络模型,最后将各模型进行组合并与单一模型进行对比。预测结果显示,提出的神经网络与改进LightGBM算法的加权组合模型比单一模型以及其他组合方式的模型预测能力更强。

基于新陈代谢GM-ARIMA组合模型的广东省人口老龄化预测研究

本文基于2000~2022年广东省人口结构数据,利用组合权重系数法构建新陈代谢GM(1, 1)-ARIMA模型对其未来人口结构变化情况进行预测研究。为了弥补ARIMA模型样本需求量高,拟合更多反映线性趋势的劣势,克服传统灰色预测在中长期预测的不可操作性和指数爆炸增长导致的预测偏离问题,首先利用最小二乘、MAPE和组合权重系数法构建基于新陈代谢GM(1, 1)-ARIMA的组合预测模型,接着引入TIC,MAPE和RMSE三个评价指标评估不同组合模型的精度,最终选取利用组合权重系数法构建的组合模型进行拟合预测。预测结果表明:该组合模型比单项模型预测精度提高0.32%,具有参考价值。同时表明广东人口年龄结构较为年轻,但进入初始少子化社会,未来将不可避免地以大规模、高速度进入深度老龄化和超老龄化社会,需引起高度重视。

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.

基于组合模型的城市轨道站点短时客流分类预测

轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律,将站点自身特征和周边环境特征组成向量因子,运用K-means聚类方法对站点进行分类。在此基础上,将影响乘客出行的多源数据作为输入特征,分别构建了随机森林(RF)模型、门控制循环单元(GRU)模型以及RF-GRU组合模型,从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统(AFC)采集的刷卡客流数据,对所构建的预测模型的有效性进行检验。研究结果表明:利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子,并结合站点客流时间分布数据,可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站;采用平均绝对误差以及均方根误差作为评价指标,参数化模型(ARIMA),非参数化模型(SVR),深度学习模型(LSTM,GRU,SAEs和GCN),组合模型(DCRNN,STGCN,STHGCN和DSTHGCN)的预测误差依次降低,其中RF-GRU组合模型的预测精度优于其他的组合模型;对站点进行分类之后,单一模型和组合模型预测结果的精度均有提高。

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据,提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度,首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量,将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测;然后通过ARMA模型对第三本征模态分量数据(IMF3)进行建模预测,再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量,将该低频分量输入设计好的LSTM网络中进行建模预测;最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性,实证结果对比了单一LSTM和ARMA模型的预测性能,并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68,单一LSTM的RMSE值为58.74,单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。