共查询到17条相似文献，搜索用时 923 毫秒
1.
人工神经网络在经济预测中的应用 总被引：2，自引：0，他引：2
王悦 《北京广播电视大学学报》2002,(1):33-37
研究人工神经网络在经济预测中的应用问题,探讨人工神经网络的时间序列预测方法.该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具,提出一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法.为了消除单一神经网络预测模型的系统偏差,探讨组合神经网络时序预测方法,用实例验证了组合神经网络比单一神经网络的预测精度高. 相似文献
2.
郭维民 《山西师大体育学院学报》2013,(5):95-97
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。 相似文献
3.
基于PSO的BP神经网络-Markov船舶交通流量预测模型 总被引：3，自引：0，他引：3
为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。 相似文献
4.
针对传统的货运生成模型处理非线性影响因素能力差的问题，运用BP神经网络建立城市货运生成多变量非线性预测模型。在对城市货运生成量影响因素进行分析的基础上，选取就业人数、地区GDP和消费品零售总额3个指标作为输入变量，以城市公路货运量和城市货运总量为输出变量，构建BP神经网络预测模型。该模型能揭示货运量与相关变量之间的非线性映射关系，在实证研究中取得了较理想的结果。通过实际货运量与BP神经网络预测结果的对比，验证了该模型在货运量预测方面的可行性。 相似文献
5.
为提高船舶交通量的预测精度,在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测,求出相对残差值,将相对残差的前8项归一化后划分为3个状态,利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%,12.3%]降低至[-9.9%,5.4%].该模型能提高船舶交通量的预测精度,用于预测船舶交通量是可行的. 相似文献
6.
为缓和神经网络对历史数据的"过拟合"与预测值"失真"的矛盾,设计一种基于BP神经网络与残差分析的非线性时间序列预测流程.从控制残差为正态分布、白噪声等方面入手,建立合适的人工神经网络,使其既能较好地拟合过去的样本,又可以得到符合未来趋势的预测结果.将该预测流程应用于长江九江大桥观测线船舶交通流量预测,预测效果证明该方法可行. 相似文献
7.
为降低船舶交通流量的预测误差,提高预测精度,在分析传统的灰色模型和反向传播(BackPropagation,BP)神经网络模型优缺点的基础上,构建灰色神经网络模型预测船舶交通流量.以实际测量值作为初始数据构建不同的灰色模型,各种灰色模型的预测值作为神经网络的输入值,得到最佳预测模型.实例分析表明:灰色神经网络模型可提高预测精度,预测结果比较理想,优于单一预测模型;该模型具有所需初始数据少和非线性拟合能力强的特点,用于船舶交通流量预测是可行和有效的. 相似文献
8.
为准确进行港口货物吞吐量预测,采用逐步递归的方法,建立基于时间序列的港口货物吞吐量广义回归神经网络(Generalized Regression Neural Network,GRNN)预测模型.利用该模型预测某港口货物吞吐量,结果表明:对于小样本的短期预测,该模型具有适应性好、误差小等特点. 相似文献
9.
为提高水上交通事故的预测精度,将引入弱化算子序列的灰色模型和支持向量回归模型的预测结果进行组合,进而构建基于IOWA算子的组合预测模型。以全国和长江某流域水上交通事故历史数据为预测样本,将组合预测模型的预测结果与其他预测模型的预测结果进行对比。结果显示:组合预测模型的预测精度更高,能更好地反映水上交通事故的发展趋势。 相似文献
10.
针对一类具有时间序列特性的数据，构造一种基于径向基函数（ＲＢＦ） 神经网络的预测模型，并将该模型应用于上海港集装箱吞吐量的预测。 相似文献
11.
针对在采用massive MIMO（multiple-input multiple-output）系统的5G网络规划中,使用传统的系统级仿真方法获得信道幅值的计算量和时间开销非常大的问题,提出一种基于BP（back propagation）神经网络的自适应神经网络来预测massive MIMO系统的信道幅值。自适应神经网络由基本BP子神经网络和特征降维BP子神经网络组成,可实现对给定训练集和预测集的自适应,基于用户射线追踪数据快速准确地预测用户的信道幅值。仿真结果表明,所提出的自适应神经网络在得到与系统级仿真方法精度接近的信道幅值的同时,可大幅降低获得信道幅值的时间开销;并且与采用传统BP神经网络相比,可以明显降低训练时间、预测误差大的用户数和平均预测误差。 相似文献
12.
为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。 相似文献
13.
合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。 相似文献
14.
为提高船舶风压差的预测精度,使船舶能够更快稳定在计划航线上以保障航行安全,提出一种基于主成分分析(principal component analysis, PCA)法和自适应粒子群优化(self-adaptive particle swarm optimization, SAPSO)算法的船舶风压差神经网络预测模型。该方法采用PCA法对航行数据进行预处理,然后将数据输入由SAPSO算法优化的BP神经网络中,改变以往通过复杂的数学建模计算风压差的方法,提高预测的时效性和准确性。利用实船数据对模型进行船舶风压差的实时预测仿真,结果验证了该预测模型具有较高的可靠性。 相似文献
15.
为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势. 相似文献
16.
鉴于BP神经网络在非线性领域预测中的应用,以新疆建设用地为研究对象,构建BP神经网络预测模型,选取1996~2006年总人口、城市化水平、GDP等10个因子,反映新疆人口状况、经济发展水平、产业结构及投资水平作为网络的仿真输入,对2007年新疆建设用地进行模拟预测,预测结果与实际面积的相对误差仅为0.06%.最后针对新疆建设用地中存在的问题,提出了保障经济与社会协调可持续发展的土地利用策略. 相似文献
17.
为提高船舶交通事故的预测精度,提出将自回归综合移动平均(autoregressive integrated moving average, ARIMA)模型与BP神经网络组合的船舶交通事故预测方法。该方法考虑船舶交通事故的复杂性和非线性因素,充分结合ARIMA模型与BP神经网络的优势,分别从简单加权和残差优化角度对ARIMA模型与BP神经网络的不同组合方法进行比较研究,并将其应用于2000—2018年英国籍船舶交通事故预测中。结果表明:与ARIMA模型、BP神经网络和ARIMA-BP的简单加权组合预测方法进行对比,ARIMA-BP的残差优化组合预测方法的预测精度最高,其均方根误差、平均绝对误差和平均绝对百分比误差分别为7.16、6.0和4.9%。本文提出的船舶交通事故预测方法可以为相关人员的决策提供指导。 相似文献