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ARIMA-BP神经网络组合预测的港口吞吐量预测

为提高港口吞吐量预测精准性,建立了反向神经网络(BP)和差分整合移动平均自回归模型(ARIMA)的组合预测模型。首先考虑能够体现地方社会经济发展的经济评价指标,通过反向神经网络和差分整合移动平均自回归预测,分别得到港口吞吐量的预测结果;再运用拟合优度方法赋权组合,得到组合预测结果。以天门港为案例,组合预测模型的误差为0.072%,预测精度较高,未来可应用于短期水运工程预测。

兰成渝腐蚀管道失效压力的GA-BP神经网络组合预测方法

为准确掌握管道失效压力,保证管道安全运行,根据神经网络的非线性和良好的函数逼近特性,提出了基于遗传算法(GA)优化的BP神经网络组合模型的腐蚀长输管道失效压力预测模型。组合模型将最佳组合阀值与权值隐含在网络的连接中,兼具遗传算法、人工神经网络预测的优点,并克服了原始数据少对预测精度的影响,同时避免了神经网络容易陷入局部寻优的缺陷,也增强了网络的适应性,改善网络的收敛性,在客观地反应腐蚀油气管道失效压力变化趋势方面具有一定的优势。通过实例分析,结果表明:BP神经网络的预测值和Modified B31G计算结果与真实值误差均较大,而GA-BP的预测值与实际结果的相对误差最大为6.12%,有很好的一致性,为管道的预防性维修提供了理论依据。

BP神经网络组合预测在城市生活垃圾产量预测中应用

文章分析了组合预测理论,在建立由二次指数平滑预测模型、灰色预测模型、BP神经网络预测模型组成的组合预测模型库的基础上,利用以上三种单一预测模型的组合构成BP神经网络组合预测模型。分别应用单一预测模型和组合预测模型对湖南省城市生活垃圾产生量进行预测,通过分析和比较预测结果,验证了该组合预测方法的有效性。

地铁进站客流量SARIMA与GA-BP神经网络组合预测模型

为提高地铁进站客流量预测精度,提出一种基于SARIMA模型和GA-BP神经网络的客流量组合预测模型,通过已有客流相关数据构建预测客流量的SARIMA模型和GA-BP神经网络模型作为组合模型的子模型,再利用拟合SARIMA模型的最大季节回归多项式个数确定组合模型因变量个数,之后结合季节周期和子模型的预测值确定组合模型的因变量,并基于子模型预测值的平均绝对百分比误差(MAPE)确定组合模型的因变量权重,最后进行实例验证。结果表明:当预测个数为5个时,组合预测模型的MAPE为3.11%,介于子模型之间但优于传统的线性组合模型;当预测个数为10个时其MAPE为5.13%,优于所有对比模型。

基于灰色GM(1,1)和BP神经网络组合预测模型及应用

在分析灰色GM(1,1)模型和BP神经网络模型优缺点的基础上,构建了基于GM(1,1)与BP神经网络组合预测模型。首先利用GM(1,1)模型对系统发展进行预测得到一组预测值,同时分别将原始数据与预测数据作为输入输出数据对BP神经网络进行训练,以便得到权值和阀值,最后利用得到的权重和阈值并输入预测年份,即可得预测值。将构建的组合模型对中国人口未来发展趋势进行预测,预测结果表明,人口总量在中短期内继续增长,增速较为平稳,每年以0.11亿人口数增长。该算例表明了该组合预测模型具有较高的预测精度。

航空客运量的BP神经网络组合预测模型

根据组合预测的理论和神经网络的非线性和良好的函数逼近特性,提出了基于人工神经网络的灰色幂模型、多项式回归模型组合的航空客运量预测模型.此模型综合了各单一模型的有效信息,同时也融合了人工神经网络在不确定因素预测领域的优势,能够比较客观地反映我国航空客运系统的发展趋势.文末通过实例对模型精度进行了分析,结果表明,预测值与实际结果具有良好的一致性..

基于MATLAB的BP神经网络组合预测模型在公路货运量预测中的应用

采用BP神经网络建立公路货运量组合预测的理论模型,灵活利用神经网络通过自适应自学习能够拟合任意非线性函数的功能,有效克服传统的组合预测方法在实际应用中把数据间的关系强加给某一类函数的不足,并借助于先进的数学计算软件MATLAB进行简单的编程,大大降低模型的计算难度,实例证明该方法具有更高的预测精度。

GM(1,1)与BP神经网络组合预测模型在田径成绩预测中的应用

针对原始数据序列建立灰色GM(1,1)模型,然后利用BP神经网络对GM(1,1)模型预测值加以校正,得到GM(1,1)与BP神经网络组合预测模型。通过运用田径比赛项目相关成绩序列进行模型检验,相比单纯的GM(1,1)模型,组合模型具有更高的预测精度,表明了组合模型预测的可行性。

区间离散二阶差分方程——BP神经网络组合预测方法

针对小样本且具有较强波动性的区间时间序列的预测问题,文章提出了一种区间离散二阶差分方程--BP神经网络组合预测新方法,并讨论模型的相关性质,该模型对拐点区间数据具有较好的预测能力。实证预测结果表明,所提出的预测方法不但适用于小样本区间时间序列预测,对区间序列波动细节有较强的预测能力,而且比现有的区间时间序列预测模型有更高的预测精度。

BP神经网络组合预测研究

在单一预测不能满足精度要求的情况下,组合预测通常是首选方法.传统的组合方法之外,用神经网络进行组合预测,效果更佳.文中以全国天然气消耗量为例,利用BP神经网络将非线性回归、指数平滑和灰色三种方法的预测结果作为输入,原始数据作为期望输出进行组合预测,得出令人满意的精度结果.又将之与传统的EW、MV方法组合的结果进行比较,各项误差均有大幅度降低.

基坑变形小波去噪及BP神经网络组合预测模型研究

以某市轨道交通1号线地铁站基坑观测数据为例,开展了小波及BP神经网络预测模型的研究。首先采用小波阈值去噪方式对纵向观测线实际观测数据进行去噪处理,依据信噪比最高以及均方根最小判别原则进行判别,实验表明,小波1层分解、软阈值方式、sym4小波基函数、rigrsure阈值原则、scal=sln为最佳组合方式。然后,给出基坑变形小波-BP神经网络组合预测模型。最后对小波去噪前后的数据进行BP神经网络预测模型预测处理并与小波变换神经网络预测模型预测数据进行对比分析,结果表明小波变换神经网络预测模型预测精度最高。

基于BP神经网络组合预测的纺纱产量预测研究

纺纱产量的精确预测,是棉纺企业制定合理生产计划、避免盲目投资、实现可持续生产的重要条件。为了提高纺纱产量预测精度,本文利用二次指数平滑预测模型、灰色预测模型、BP神经网络预测模型的组合构成了BP神经网络组合预测模型。分别应用各单项预测模型和组合预测模型对江苏某纺织厂纺纱产量进行预测,通过分析和比较预测结果,验证了该组合预测模型的有效性和高精度性。

灰色预测和BP神经网络组合预测模型在血液采集和临床供应中的应用

目的:探讨建立血液供需预测模型在优化血液管理及保证血液临床供应中的应用效果。方法:分别应用灰色预测和BP神经网络模型对2007-2019年潮州市中心血站采集量和临床供血量进行统计分析,利用平均绝对百分比误差法(MAPE)对单一预测结果进行权重分配,建立组合预测模型(BGM混合模型)。最后利用BGM混合模型,对2020年、2021年和2022年的采集量和临床供血量进行短期预测。结果:BGM混合模型在血液采集和供给量的相对误差分别为1.62%、2.69%,均优于单一的灰色预测模型和BP神经网络模型。结论:血液供需预测模型在血站采集、制备、供给制定计划及强化库存科学管理方面,具有一定的指导意义。

基于灰色GM-BP神经网络组合模型的中国镍原矿多情景需求预测

2016年我国颁布《全国矿产资源规划(2016—2020年)》,首次将镍列为战略性矿产资源。我国是全球最大的镍消费国,但镍资源储量少,对外依存度高,科学预测镍原矿需求量对保障镍矿产业链与供应链安全具有重要的现实意义。从需求侧出发,利用灰色关联度法选取中国不锈钢产量、人均GDP、电镀行业市场规模、城镇化率、产业结构、新能源汽车产量作为镍原矿需求情景预测的驱动变量,再在灰色GM(1,1)模型预测基础上,与BP神经网络算法相结合,构建基于残差优化的GM-BP组合模型,对2025—2035年中国镍原矿需求展开多情景预测。研究结果表明:组合模型实现了对小样本非线性时间序列数据的有效预测,且比GM(1,1)模型拟合误差更小,预测精度更高;根据组合模型,2025年、2030年、2035年我国镍原矿多情景需求均值分别为182.22万t、272.08万t、395.17万t,“十四五”“十五五”“十六五”期间需求年均增长4.26%、10.54%、9.78%。镍原矿需求呈稳定上升态势,镍矿供需矛盾将进一步加剧,我国必须提高镍供应能力,降低对进口镍的依赖程度。对此,提出如下政策建议:1)推进国内不锈钢产业的转型升级,优化生产工艺和产品结构,推广新型合金材料的应用;2)加大对镍矿勘探和开发的支持力度,如鼓励矿业企业技术创新,提高勘探效率和精度,同时积极推动国际合作,吸引国外先进技术、设备进入国内市场;3)促进进口多元化,与多个供应国建立合作关系,鼓励国内企业参与海外镍矿项目。

基于改进BP神经网络的河北省碳排放预测

“双碳”目标背景下,针对河北省高碳经济发展模式难以改变、以往预测模型难以满足现实需求等问题。论文根据统计年鉴数据,研究河北省能源消费趋势和分行业碳排放特征,并借助脱钩指数探究河北省碳排放动态变化趋势,选取IPCC二氧化碳排放的计算方法,基于6项碳排放量影响因素建立遗传算法(GA)优化BP神经网络的河北省碳排放模型,对河北省2021—2030年碳排放量进行仿真预测。结果显示:河北省能源效率低于全国水平,河北省工业碳排放量最高;河北省的经济增长与碳排放之间主要呈弱脱钩态势;GA-BP模型预测结果比BP模型更加稳定,误差较小,更适合用于碳排放量的预测。预测结果显示,河北省未来碳排放量呈缓慢增长趋势,以期为政府决策提供理论依据,助力河北省“双碳”目标的实现。

基于FA-BP神经网络的生姜干燥含水率预测

为探索生姜的干燥特性,并实现生姜干燥的含水率预测,研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、切片长度(30、35、40mm)对生姜干燥时间和干燥速率的影响。结合BP神经网络自适应能力、泛化能力、学习能力强和萤火虫算法(FA)参数少、寻优能力强、收敛速度快等特点,将干燥温度、干燥风速、切片长度和干燥时间作为输入层,隐藏层个数为10,输出层为生姜的含水率,搭建一个拓扑结构为“4-10-1”的FA-BP神经网络模型。研究结果表明:干燥温度、干燥风速、切片长度都是影响生姜含水率的关键因素,增加干燥风速、提高干燥温度和减少切片长度能有效缩短生姜的干燥时间,提高干燥效率。选用萤火虫算法优化BP神经网络的权值和阈值,减少了神经网络的训练时间,提高了精准度,其含水率预测值与试验值之间的决定系数R2=0.999 02,均方根误差RMSE为0.002 99,含水率预测结果准确且迅速,能够为生姜干燥过程中的含水率在线预测提供科学依据。

基于BP神经网络的胶结砂砾石应力-应变关系预测

在前期宏观试验基础之上,采用离散元模拟和BP神经网络相结合的方法获取不同胶凝材料掺量和围压下胶结砂砾石的应力-应变关系。根据前期胶凝材料掺量分别为20、40、60、80、100 kg/m3的胶结砂砾石三轴排水剪切试验结果,开展离散元数值模拟。以试验数据为学习样本,开展BP神经网络模型训练,预测胶凝材料掺量分别为30、50、70、90 kg/m3的胶结砂砾石应力-应变关系,并将预测结果和离散元模拟结果进行对比。研究结果表明,BP神经网络能够实现胶结砂砾石应力-应变关系的预测,并在较低围压下具有较好的精度。

基于拌和生产数据的BP神经网络混凝土抗压强度预测

为解决混凝土生产中抗压强度试验周期长及工程管理存在滞后性的问题,提出了一种基于混凝土拌和生产实时监控数据的BP神经网络混凝土抗压强度预测模型。以混凝土拌和生产中的8项物料生产称重数据和5项生产配比数据作为预测输入变量,建立200组混凝土拌和站生产监控数据和对应的抗压强度试验数据样本集,按照6∶2∶2比例划分为训练集、验证集和测试集;分别以C40配比混凝土拌和生产的8项物料称重数据和全部13项数据作为输入变量,进行混凝土28 d抗压强度预测,将预测结果与实际试验结果进行比较,验证所提出BP神经网络模型的预测效果。结果表明:所提出的BP神经网络混凝土强度预测模型能较好地实时预测混凝土28 d抗压强度,且相对误差优于利用7 d抗压强度试验数据估算值;8项物料称重数据作为输入变量的BP神经网络预测模型预测精度更好,平均绝对百分比误差为0.82%,均方根误差为0.52 MPa;利用不同拌和站C20配比、C30配比混凝土拌和生产监控数据对8项输入变量BP神经网络混凝土抗压强度预测模型进行适应性验证可知,其预测平均绝对误差均在0.5 MPa之内,平均绝对百分比误差均小于2%,与C40配比预测误差一致;该预测模型充分挖掘了混凝土拌和站生产实时监控数据的价值,实现了传统混凝土抗压试验结果提前化,对提高工程建设质量水平具有重要意义。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。