基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM(支持向量机)模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明:①误差对比:当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。②预测精度:组合模型>BP神经网络>SVM,组合模型的平均绝对误差(MAE)提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。

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。

神经网络结合机器学习的煤与瓦斯突出量和危险性等级预测组合模型

准确预测煤与瓦斯突出危险性能够有效预防煤与瓦斯突出事故,保证煤矿的安全高效生产。为提高煤与瓦斯突出预测模型的准确性和普适性,提取BP神经网络最后一步隐藏层作为随机森林的输入特征,构建了BP神经网络结合随机森林的组合模型(BP-RF模型)。以60组煤与瓦斯突出工程数据集作为样本,采用平均误差、均方误差、危险等级预测精度和相关系数对模型进行了定量评价。研究结果表明:所建立的BP-RF模型对煤与瓦斯突出危险等级预测的准确率为99.9%,对煤与瓦斯突出量的预测准确率为94.87%。所建立了BP-RF模型性能优于BP、RF、IFOA-GRNN模型,精度较高。同时,根据所建立模型对所有特征的敏感性进行了分析,研究认为煤层深度、厚度煤层、地质构造变化、煤层厚度变化、煤层倾角变化、软层厚度变化、煤层软塌现象、煤层坚固系数变化、钻井动力学现象、气体释放初始速度对模型预测结果最为敏感,在煤矿实际开采过程中必须要高度重视。

基于BP神经网络组合模型的GPS高程拟合

为了提高BP(backpropagation)神经网络的高程拟合精度,本文在BP神经网络高程拟合方法的基础上引入了模拟退火算法(SimulatedAnnealing,SA),组成新的SA-BP高程拟合方法。该组合方法充分发挥了SA算法的全局寻优的优势,优化了BP神经网络拟合方法的初始值以及权值与阈值。将本文提出的组合高程拟合方法应用于平坦测区及复杂测区实测GPS水准点高程数据中,实验结果表明,本文提出的组合高程拟合方法可对实验高程数据进行有效拟合,拟合精度较传统的曲面拟合方法与BP神经网络方法更高,验证了本文提出方法的可靠性、优越性以及针对不同地势条件的良好适应性。

基于神经网络组合模型的大坝变形预测研究

大坝变形对坝体的稳定性和安全性有着重要影响,在多种环境影响下,大坝变形呈现出非稳定性和非线性的特点。为了精准预测大坝变形,研究提出LDM-BRF神经网络组合模型,并将大坝变形实测值和常见的网络模型预测结果进行对比。结果表明,LDM-BRF神经网络模型得出的大坝变形预测结果的均方根误差、平均绝对误差百分比、平均绝对误差低于另外两种模型;LDM-BRF神经网络组合模型得出的大坝变形预测值与实际监测值较为接近,预测效果较好,可进行应用推广。

神经网络组合模型在我国税收征管中的应用现状与问题

随着人工智能技术的迅猛发展,神经网络组合模型在税收征管领域的应用日益广泛,为税务管理提供了革新性的解决方案。文章介绍了神经网络的基本原理及其在税收征管中的具体应用情况,深入分析了神经网络组合模型在我国税收征管中的应用现状,并探讨了在实际应用过程中遇到的关键问题和挑战。针对这些问题,文章提出了一系列综合性的优化策略和解决方案,旨在为我国税收征管领域的技术发展和管理创新提供理论支持。

基于TSO-LSTM神经网络的股票收益率均值预测模型及其在智能投资中的应用

根据股票收益的历史数据,建立数据和模型双驱动的智能资产配置系统,指导股民投资实现收益最大化.使用金枪鱼群优化(TSO)算法寻参的长短期记忆(LSTM)神经网络为分布鲁棒优化投资组合模型提供收益率的均值与协方差矩阵,求解更符合实际情况的分布鲁棒模型得到投资方案.该模型提出的方案在未来前10 d的收益明显高于直接使用历史均值的分布鲁棒模型,亏损天数少于直接使用历史均值的分布鲁棒模型和平均分配资金的方案.同时该文提出的决策系统随着时间的推移,可以通过更新历史数据重新训练LSTM网络,使得模型保持良好的效果.TSO-LSTM神经网络能有效地抓住股票收益率的历史数据特征,实时动态地为投资者提供良好的投资决策.

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

基于组合赋权优化的ES-ARIMA-BP神经网络交通事故预测研究

为提高交通事故模型的预测精度,更好地辨识交通事故在时间维度上的规律特性,基于CRITIC法和熵权法组合赋权,构建一种ES-ARIMA-BP神经网络组合预测模型,探究新疆地区交通事故在时间维度上的月度分布规律。首先,使用指数平滑法(ES)进行预测,可减少数据间的噪声,并能捕捉时间序列数据中的季节性变动;其次,使用ARIMA模型进行预测,可捕捉数据中的线性部分、非季节性趋势和周期性波动;最后,为更好地应对数据中的复杂非线性及无周期性波动,引入BP神经网络进行预测。结果表明:构建基于组合赋权优化的ES-ARIMA-BP神经网络组合预测模型,平均绝对误差百分比(MAPE)仅为1.869%,决定系数(R^(2))高达0.982,较单一模型及单一赋权法下的组合模型预测误差率更低,拟合程度更好。组合预测模型以数据最大优化为思想基础,可有效克服单一模型的局限,同时采用组合赋权,使其能更好地适应不断变化的数据和环境,从而提高预测的准确度。

优化灰色BP神经网络组合模型在基坑沉降监测中的应用

基坑沉降监测是基坑工程施工中的一个重要环节.为准确预测基坑沉降,采用优化灰色GOM(1,1)模型与BP神经网络组合预测.GOM(1,1)模型是在GM(1,1)模型原理上对其参数进行优化,使拟合值接近观测值,BP神经网络具有较强的非线性数据处理能力,优化组合模型结合两者优点应用于基坑沉降监测,得出优化后的组合模型对基坑沉降数据预测优于普通组合模型.

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。

基于灰色-神经网络组合模型的纤维混凝土腐蚀劣化预测模型研究

将体积掺量为0.3%的聚乙烯醇(PVA)纤维掺入C30混凝土,分别开展不同浓度溶液作用下的全浸泡-烘干试验,从而探究PVA纤维混凝土的抗劣化性能。以劣化试验数据作为原始样本值,分别建立GM(1,1)模型、BP神经网络模型和GM(1,1)-BP神经网络组合模型对样本数据进行拟合精度对比,并对35~50次循环后的相对动弹性模量数值做出预测,分析整体变化趋势。结果表明:混凝土试件在10倍基准浓度溶液下的评价指标变化最稳定,表明PVA体积掺量为0.3%的试件在高浓度溶液下的抗劣化性能较好;GM(1,1)模型对样本的整体趋势变化预测较为准确;BP神经网络模型对样本单一点的变化趋势预测较为准确,整体精度最高;而组合模型克服了两种单一模型的不足之处,预测值与测试值的变化趋势一致,预测效果最好。

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LSTM人工神经网络的电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79%,其准确性高于单一算法的负荷预测模型。

基于RBF神经网络模型的数控车床主轴箱优化设计

针对复杂机床结构优化中,通常难以获得设计变量与性能目标之间显式函数关系式的问题,提出了一种基于RBF神经网络模型和组合优化策略的结构优化设计方法。以某型精密数控车床主轴箱为研究对象,通过有限元软件ANSYS Workbench和多学科优化软件Isight联合仿真技术对主轴箱设计尺寸进行最优拉丁超立方实验设计和灵敏度分析,根据实验样本点构建RBF神经网络模型代替主轴箱有限元模型。采用多岛遗传算法(MIGA)和序列二次规划法(NLPQL)相结合的组合优化策略,对RBF神经网络模型进行优化设计。优化结果表明,在保证主轴箱静动态性能的前提下,质量减轻12.89%,达到了预期的效果。

基于随机森林和神经网络的空气质量预测

不同地区的空气质量由于其影响因素不同,通常呈现出不同的变化特征。因污染物的时间长短对预测存在一定的影响,将兰州市空气质量监测中主要的6种污染物(PM2.5、PM10、SO2、NO2、CO、O3)历史数据划分为不同时间的7组特征集,对比分析几种单一模型在7组特征集上对空气质量预测的拟合效果,得到拟合效果最优的单一模型是神经网络模型。考虑到特征选择对空气质量预测的影响,本文建立随机森林组合神经网络模型(RF+MLP)对空气质量指数进行预测,最后将三种模型(RF+MLP、RRFMLP、MLP)对空气质量指数预测的拟合结果进行了比较分析,结果表明,RF+MLP模型对兰州市空气质量指数的预测拟合度在整体上是最好的。

基于灰色BP神经网络的宁波舟山港集装箱吞吐量预测

为验证灰色BP神经网络组合模型在预测港口集装箱吞吐量预测中的有效性,以宁波舟山港为例,选取了2006-2020年港口集装箱吞吐量原始数据进行分析。首先运用灰色关联度法筛选出影响集装箱吞吐量的3个一级指标,共计13个主要因素;然后通过GM(1,1)模型得到主要因素预测值,再经BP神经网络训练后得到2021-2025年的港口集装箱吞吐量。实证结果表明,该组合模型预测拟合精度达到97.951%,预测效果较好,可对宁波舟山港未来建设和发展规划起到数据支持作用。

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题,发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础,基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值,输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练,再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比,实验结果表明“分段-组合”残差神经网络可显著提升计算效率,对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比,均方根误差降到了7.85×10^(-5),氢燃料参数的预测精度都高于98%,计算效率及精度优于现有的神经网络燃烧计算方法。

基于灰色模型与神经网络组合的线损率预测

对线损率预测的方法进行了研究,采用灰色模型与神经网络组合的方法对线损率进行预测。首先用GM(1,1)建模对线损率的变化趋势分析计算,运用灰色关联度分析与线损率相关的因素,确定出神经网络的输入变量,建立线损率预测的3层BP网络模型;然后采用GM(1,1)和神经网络的组合预测模型得到线损率的最终预测结果;最后通过对实例的分析,证明所提方法提高了线损率预测的精度。

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。