时间序列BP神经网络在福州市第三产业值预测中的应用

准确预测福州市第三产业的发展,对今后海峡西岸经济带建设具有举足重轻的意义。本文以福州市1994~2008年第三产业值为基础,采用MATLAB7.0建立非线性时间序列的神经网络预测模型,将1994~2003年的第三产业值作为训练样本,2004~2008年的第三产业值作为测试样本,并计算误差。结果表明:BP神经网络模型收敛速度较快,预测精度较高,对时间序列第三产业值的预测具有较高的应用价值。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于RBF神经网络的池州市降水序列预测

时间序列预测分析方法是进行预测预报的有效工具,有着广泛的应用。针对时间序列的非线性、动态变化等特征,基于RBF神经网络对时间序列预测方法进行改进,并以安徽省池州市1959～2009年来的月降水量为时间序列数据样本,用MATLAB软件编程,采用基于随机选取中心的RBF神经网络预测方法,对池州市的月降水量进行预测,并选择不同的扩展速度参数,用均方误差进行检验。通过与BP网络模型的预测结果比较分析,表明RBF模型的预测效果较好。建立的基于随机选取中心的RBF神经网络模型,不需要计算原始时间序列数据的复杂函数关系,具有操作简单、学习速度快、短期预测精度高等优点,用于时间序列预测方面能够获得十分满意的结果,具有很高的应用价值。     

科尔沁沙地土壤温度时间动态特征研究

本研究利用2018—2019年科尔沁左翼后旗沙地土壤温度资料,将不同深度土壤温度依照土壤的表土层、心土层以及底土层划分为浅层（0、5、10 cm）、中层（15、20、40 cm）、深层（80、160、320 cm）3个层次,对比分析得出科尔沁沙地土壤温度的时间动态特征,为综合评估土壤温度的环境效应提供理论基础。结果表明,科尔沁沙地土壤温度有明显的日变化、季节变化和年变化特征,其三者都有一个最高温度和最低温度出现,并且因深度的增加各层土壤最高温度和最低温度出现的时间不一致,热量传输的方向也会发生变化。     

基于时间序列法的广西原糖价格预测

【目的】为了了解广西原糖价格的未来走势,掌握原糖价格的变动情况。【方法】使用时间序列法中的季节性ARIMA模型,分析2001年1月至2016年4月183个月份数据,预测广西原糖2016年5月至2017年4月的价格。【结果】广西原糖价格在2016年上半年一直保持着平稳状态,但自下半年起,原糖价格逐渐上升并在11月达到全年价格顶点,在12月时原糖价格出现明显回落现象,2017年的1-4月的原糖价格没有较大幅度波动。【结论】时间序列法的的预测精度较高,可以得到较准确的广西原糖价格的趋势图。     

神经网络在农产品销量预测中的应用

随着农业大数据发展和计算机技术的不断成熟,人们能够快速准确地获得信息。在大数据背景下,利用传统的时间序列模型对农产品销量进行预测已经不能满足人们的需求,神经网络凭借其强大的非线性映射能力在销量预测领域得到了广泛应用。本文综述了国内外学者应用在农产品销量预测上的主要方法,介绍了神经网络在农产品销量预测领域的应用,客观阐述了神经网络在预测中可能存在的问题,并展望未来农产品销量预测研究发展方向,以期为农产品市场稳定协调发展提供参考。     

基于时间序列的农业非点源污染产出预测研究

选取三江平原蛤蟆通河流域作为研究区,利用SWAT模型农业非点源污染模拟结果,建立了农业非点源污染的季节性ARIMA模型,对未来3年农业非点源污染进行了预测,为非点源污染防治提供一定的理论依据。     

基于时间序列神经网络的山核桃化学成分分析

利用果实化学成分含量与光谱的非线性模型,实现果实化学成分含量的快速无损鉴定,成为林业研究的热点之一。果实在生长发育过程中,化学成分的含量随时间的递增而不断增加,常规方法不能较好拟合和预测果实化学成分含量的变化。本研究提出一种基于时间梯度的神经网络方法(TSNN),以6个时间梯度山核桃果实蛋白质和脂肪含量的光谱和实测数据为研究对象,分别与偏最小二乘法(PLS)和人工神经网络(PLS-ANN)方法比较,检验TSNN方法的建模和预测效果。结果表明:TSNN方法对蛋白质含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了18.82%和7.39%;TSNN方法对脂肪含量的预测,均方根误差分别比PLS和PLS-ANN方法降低了39.95%和35.02%。TSNN方法的校正相关系数平方(R_c~2)和预测相关系数平方(R_p~2)比PLS和PLS-ANN均有提升。因此,TSNN方法是一种比较准确实用的定量分析方法。     

时间序列模型对黑龙江省水稻比较优势的预测

根据时间序列模型的原理,以黑龙江省水稻20多年的产量、规模为研究对象,在数值试验的基础上得到了适合于黑龙江省水稻综合比较优势分析的时间序列预测模型,对水稻综合比较优势做出预测,表明时间序列模型在农作物比较优势分析的预测中具有一定的优势.     

时间序列分析在地下水动态预测中的应用

建立了基于时间序列分析的地下水埋深动态模型,并对垦区地下水水位进行了预测.结果表明,当样本容量足够大时,该方法的预测结果具有很高的精度以及稳定性,可以应用于地下水埋深的动态预测中.     

人均GDP时间序列模型及预测

大多数经济时间序列存在惯性或是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测。用ARIMA似模型可以对天津市人均国内生产总值（1978～2006）时间序列进行建模和短期外推预测。     

一类改进的混沌时间序列局域非线性自适应预测

为了提高混沌时间序列的预测性能,在局域非线性自适应预测模型的非线性函数中引入参数,λ通过选择合适的λ建立新的非线性预测模型。通过对Logistic混沌映射、Henon混沌映射、Lorenz混沌流和Rosslor混沌流进行仿真计算,结果表明该模型的预测精度比局域非线性自适应预测的一步预测精度高,且具有一定程度的抗噪性能。     

基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

基于时间序列和神经网络的温室传感器节点故障诊断

温室无线传感器网络中故障节点会产生并传输错误数据,不仅消耗节点的能量和带宽,而且导致错误决策。针对此问题研究一种准确判断节点故障状态的方法。采用时序分析和遗传BP神经网络,建立基于时间序列和神经网络的传感器节点故障诊断系统,通过对传感器样本数据进行时序分析,提取模型参数作为特征向量,并以此对遗传BP神经网络进行网络训练,实现传感器节点故障的诊断。试验结果表明：该方法能够有效地识别传感器节点故障类型,15组测试样本的输出矢量与同类故障基准矢量的欧式距离和为0.007,识别正确率为100%。     

黄龙山白桦种群结构及其时间序列预测分析

【目的】阐明黄土高原南部地区白桦种群未来的发展趋势,为其合理经营利用提供依据。【方法】以群落物种重要值为依据,通过聚类分析,将黄龙山地区的白桦林划分为4个群落类型,每个类型中的全部白桦个体为一个种群,分析白桦不同种群的年龄结构、存活曲线及静态生命表,并应用时间序列模型预测了种群的发展趋势。【结果】黄龙山地区白桦种群幼龄个体较少,中老龄个体较多,基本呈衰退趋势;种群A幼龄株数相对较多,有一定更新能力;种群C、D衰退特征较为明显,其中种群D只在Ⅲ、Ⅳ龄级具有一定数量个体,几乎没有更新幼苗。种群A、B、C、D的生命表和存活曲线表现出相似的特征,即Ⅰ、Ⅴ、Ⅵ龄级死亡率高,除种群A外,标准化最高存活量均出现在Ⅲ或Ⅳ龄级。时间序列预测分析表明,在未来20,30,40和50年中,多数种群均呈现幼龄个体减少而老龄个体增加的态势,老化趋势较为明显。【结论】黄龙山白桦种群表现出明显的衰退特征,属于该地区的过渡种群,逐渐会被更加稳定的松栎混交林所取代,应根据各种群的特点采取不同的经营措施,以促进群落演替。     

基于时间序列与RBF的农产品市场价格短期预测模型

为协助生产者更好地播种和收获,有效把握国内农产品价格波动规律,提高农产品价格预测精度.本文构建了基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型,以ARCH、Holt-Winters无季节模型时间序列组合预测方法揭示农产品价格序列线性特征,以RBF神经网络揭示农产品价格非线性变动规律,并以1997-2011年全国农产品集贸市场大豆月度价格走势数据为例进行实验验证.研究结果显示,基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型精度高于时间序列组合预测方法或RBF神经网络模型,是一种有效的农产品价格预测模型.     

基于时间序列的黑龙江省粮食产量预测

应用时间序列分析方法,建立粮食生产动态模型,利用黑龙江省1980～2006年粮食总产量的数据进行了粮食产量的预测。将预测数据实际数据对比,结果表明：抛物线型趋势线平均百分误差为9.60,平均绝对误差为215.80,平均偏差平方和为70 281.90是准确度最高的。而指数型趋势线预测值在最近4年内最接近实际产量,其精度分别达到98.32%、97.31%、96.35%和94.02%。     

电价时间序列混沌特性分析及电价预测

【目的】为了提高电力市场环境下电价预测的精度。【方法】在分析电价形成机理的基础上,研究了四川电网电价时间序列的混沌特性,并利用电价时间序列和负荷时间序列的相关性建立了电价预测模型。【结果】算例分析表明,该模型很好地解决了四川电网日前市场和实时市场的电价预测问题。【结论】模型对系统边际电价和"价格钉"具有良好的预测能力。     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.