共查询到19条相似文献，搜索用时 359 毫秒
1.
2.
大学生就业信心指数的预测可以在一定程度上了解大学生就业信心的变化趋势.因此,文章建立了基于L1范数的诱导有序加权几何平均（IOWGA）算子的组合预测模型及预测有效度评价指标体系,以山东省德州市某高校2000—2012年大学生就业信心指数数据,对大学生就业信心指数中的全局信心指数进行分析预测,并与采用GM（1,N）预测模型、单指数平滑预测模型和ARMAX预测模型分析结果从预测精度、预测模型有效性上进行比较.结果表明：基于L1范数的IOWGA算子组合预测模型比其他三种单项预测方法预测方法精度更高且为优性组合预测,本模型对大学生就业信心指数预测是可行的,可以用于对大学生就业信心的定量研究. 相似文献
3.
基于最优组合模型的中国GDP预测 总被引：1，自引：0，他引：1
李小月 《喀什师范学院学报》2012,33(2):23-26
利用1990～2010年中国GDP数据,在建立ARIMA、多项式趋势拟合模型和GM(1,1)模型基础上,以误差平方和最小为最优准则建立组合预测模型,并把它应用于我国GDP的预测。所得结果误差优于三个模型的分别预测,表明组合预测模型在时间序列数据的预测中更有优势。并用所建的组合预测模型进行2011～2015年的预测。 相似文献
4.
5.
6.
7.
作为衡量空气质量的重要指标,准确预测PM2.5浓度变化尤为重要。提出Prophet和长短期记忆（LSTM）相结合的组合预测模型（Prophet-LSTM）。在模型构建过程中,首先利用Prophet模型的可分解方法,将PM2.5日值浓度序列分解成趋势、周期和随机波动分量|然后对趋势和周期分量建立Prophet模型,对随机波动分量建立LSTM模型|最后将各分量的预测值集成得到PM2.5浓度的预测值。以郑州市PM2.5日值浓度数据为例进行实证分析,结果表明,该组合预测模型相较对比模型能够更好地预测PM2.5日值浓度的变化趋势。 相似文献
8.
《佳木斯教育学院学报》2013,(1)
本文以2000-2011年我国旅游总收入为样本区间,在回归预测、指数预测与二次移动平均预测三种单项预测方法的基础上,以预测误差平方和最小为准则,建立IOWA算子组合预测模型。对该模型的预测有效度进评价结果表明该组合预测模型能有效提高预测精度。 相似文献
9.
大学生就业信心指数的预测可以在一定程度上了解大学生就业信心的变化趋势.因此,文章建立了基于L1范数的诱导有序加权几何平均(IOWGA)算子的组合预测模型及预测有效度评价指标体系,以山东省德州市某高校2000—2012年大学生就业信心指数数据,对大学生就业信心指数中的全局信心指数进行分析预测,并与采用GM(1,N)预测模型、单指数平滑预测模型和ARMAX预测模型分析结果从预测精度、预测模型有效性上进行比较.结果表明:基于L1范数的IOWGA算子组合预测模型比其他三种单项预测方法预测方法精度更高且为优性组合预测,本模型对大学生就业信心指数预测是可行的,可以用于对大学生就业信心的定量研究. 相似文献
10.
科学准确地预测铁路客运量是制定铁路网规划的基础。以全国铁路客运量的历史数据为基础,采用灰色GM（1,1）模型和三次指数平滑模型进行组合优化,建立了基于IOWGA（Induced Ordered Weighted Geometric Averaging）算子的组合预测模型,并对组合预测模型进行了检验,检验结果表明,组合预测模型是有效的、可靠的,具有较高的精度,可对我国的铁路客运量进行预测。最后利用所建立的预测模型预测了2008年--2010年我国铁路客运量。 相似文献
11.
为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。 相似文献
12.
为了降低企业生产车间空调能耗,基于长短期记忆（LSTM）网络构建了一种工业空调启动时间预测模型。使用该模型对车间空调提前启动时间进行预测,并将预测结果应用于车间空调系统的启动控制,以达到节能目的;采用平均绝对百分误差（MAPE）对预测模型进行整体误差评估,实验结果表明：LSTM 较好地解决了生产车间空调系统启动时间预测问题,相较于传统预测方法有着更小的 MAPE。优化控制后的空调系统能够在保证车间生产环境达标的同时,降低空调系统约 27.9%的能耗。 相似文献
13.
鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。 相似文献
14.
对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群（RDPSO）算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。 相似文献
15.
运用TRAINGDX训练函数对标准BP神经网络进行改进．根据2012年《四川省统计年鉴》相关数据,利用影响国内生产总值（GDP）的6个主要因素,借助Matlab软件平台,建立了6：5：1的三层BP神经网络GDP预测模型,实现四川省GDP值的预测．改进后BP神经网络预测相对误差在1％以内,仿真结果同模型外推法比较,预测精度较高． 相似文献
16.
建立高精度水量预测算法模型,有利于水资源充分利用。以北京市2002-2015年需水量为例,对数据进行相关性分析后选出主要影响因素,然后采用主成分回归法、逐步回归法、灰色模型以及BP神经网络共4种方法进行建模,并用北京市2016年和2017年数据进行模型精度验证。结果表明：4种方法都适合用于城市需水量预测,其中主成分分析和逐步回归分析两种方法主要考虑了多元线性回归存在多重共线性,但是逐步回归模型优于主成分回归模型。将4种模型进行对比验证,BP神经网络模型预测精度最高,平均相对误差达到0.79%,用来预测2016-2017年需水量,预测结果分别为38.66亿m3、39.49亿m3,适合作为城市需水量预测方法。 相似文献
17.
基于极限学习机（ELM）构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于 EMD-PSO-ELM 算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解（EMD）将变形时间序列分解成具有不同频率特征的分量|然后利用 PSO-ELM 模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的 EMD-PSO-ELM 大坝变形预测模型残差均方根误差为 1.83mm,平均绝对误差为 1.57mm,平均绝对百分比误差为 1.79%,比 ELM 模型与 EMD-ELM 模型相关误差值更小,在大坝变形预测方面性能更优。 相似文献
18.
城市工业废气排放量变化是非线性的,同时具有复杂的随机性和趋势性特点,传统单一预测模型难以对其变化规律进行准确表达,从而导致预测精度较低。为提高城市工业废气排放量的预测精度,提出了GM-BP组合模型。通过GM（1,1）模型对城市工业废气排放量变化趋势进行预测,然后运用BP神经网络模型对GM（1,1）模型的趋势预测值进行误差修正,以提高预测精度。对南京市2007～2010年城市工业废气排放量进行的仿真实验表明,GM-BP模型的预测精度较高,能够应用于城市工业废气排放量预测。 相似文献
19.
针对丁醇生产过程中发酵产物品质参量难以实时测量,现有测量方法精度不高、测量结果受不确定因素影响较大的问题,提出一种基于贝叶斯推断和支持向量回归（Support vector machine regression,SVR）的多层软测量建模方法。首先应用贝叶斯推断计算后验概率、筛选偏置数据,并对偏置数据校准,建立第一层SVR模型;然后利用贝叶斯推断进行二次校准,建立第二层SVR模型,对第一层SVR模型输出进行修正,得到最终预测结果,克服干扰和偏差引起的模型不准确问题。将基于贝叶斯推断的多层支持向量回归（Bi-SVR）预测模型应用于丁醇发酵过程,仿真及实验结果表明,相较于传统SVR预测模型,系统在低干扰的情况下预测精度提高了4.52%,在高干扰时预测精度提高了5.37%。 相似文献