变权组合预测模型在洪水预报中的应用

【目的】研究洪水预报的多模型组合预报模式,丰富洪水预报的方式方法。【方法】将最优非负可变加权系数的组合预测方法应用于洪水预报中,分别建立最优加权组合预测模型和最优非负可变加权系数组合预测模型,以新安江模型、萨克拉门托模型、水箱模型和陕北模型为例进行组合预报,并用东洋河1982年8月的一场洪水实测流量值对2种组合模型进行了实例验证和比较。【结果】最优非负可变加权系数组合预测模型的3种误差指标均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别为18.394 0,51.317 2和0.131 4,明显小于最优加权组合预测模型的28.110 7,108.816 7和0.268 9,且前者的确定性系数(DC)为0.961 3,明显大于后者的0.909 5,表明应用最优非负可变加权系数组合预测模型的预测结果优于定权重的最优加权组合预测模型的预测结果。【结论】考虑变权重的最优组合预测能进一步提高洪水预测的精度。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于PSO-SVR的同步发电机励磁电流预测

【目的】采用粒子群优化支持向量回归(PSO-SVR)模型对同步发电机励磁电流进行预测,为更准确地实现同步发电机转子绕组匝间短路故障的在线诊断提供依据。【方法】以微型同步发电机动模试验的20组正常运行数据作为训练样本,用剩下的13组正常运行数据和33组故障运行数据为检验样本,选取机端电压、有功功率、无功功率为输入量,励磁电流为输出量,通过粒子群优化(PSO)支持向量回归(SVR)的结构和参数,建立PSO-SVR预测模型,进而进行励磁电流预测,并与在线实测的励磁电流进行比较,以误差超过阈值诊断为发生匝间短路故障。【结果】PSO-SVR预测模型的预测误差较误差反向传播(BP)神经网络预测模型小;PSO-SVR模型能设置阈值准确诊断运行状态,而BP神经网络预测模型却不能,并且至少有1次误诊情况出现。【结论】PSO-SVR预测模型的精度优于BP神经网络预测模型,能准确地进行转子绕组匝间短路故障诊断,为同步发电机励磁电流预测、转子绕组匝间短路故障的在线诊断提供了一种新途径。     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。     

基于改进果蝇算法优化广义回归神经网络的绿色农产品消费行为预测

针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，...     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

基于最优加权组合模型的枯季径流预测研究

【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。     

基于粒子群的支持向量机SVR冰情预报研究

[目的]研究基于粒子群算法优化支持向量机SVR的黄河宁蒙段封河、开河日期预报模型。[方法]采用相关分析和成因分析相结合的方法选取合适的冰情预报因子组合,并运用粒子群算优化方法确定最优参数构建预报模型,将其运用到黄河宁蒙段封开河日期预报中。[结果]该模型预报精度高、运行时间短,预报平均误差为3.51 d,平均运行时间为10.464 s,预报效果明显优于遗传算法优化的支持向量回归与反向传播式神经网络,能够较准确地对封开河日期做出预报。[结论]基于粒子群算法优化支持向量回归的方法可以用于冰情预报。     

基于PSO_LSSVM和Elman神经网络的北京市气温预测效果比较

利用北京市1960-2004年的月平均气温数据,建立最小二乘支持向量机(LSSVM)与Elman神经网络模型,分别运用粒子群算法(PSO)与试凑法对这2种模型进行优化,并对2005-2009年的月平均气温进行预测估计,比较2种模型的预测结果,以便找出更准确的气温预测模型。结果表明,2种模型总体上均能较好地拟合气温序列(R2均大于0.985),但是对于低温预测效果均相对欠佳;PSO_LSSVM预测误差(RMSE=1.380 6)明显小于Elman神经网络(RMSE=1.732 5),拟合精度更高,能更好地对短期气温变化进行模拟。因此,可用PSO_LSSVM模型进行气温预测,指导当地的农业生产与工业开发。     

基于RBFNN混合粒子群算法的电力负荷短期预测

根据电力系统负荷预测的不同目的,提出一种基于RBFNN混合粒子群优化算法(HPSO)预报电力系统短期负荷,即首先采用改进的粒子群优化算法(MPSO)全局优化网络模型参数然后在MPSO全局搜索模型参数基础上利用梯度下降法局部优化网络模型参数,建立电力系统短期负荷的时序人工神经网络模型。仿真结果表明,该方法与传统的预测方法相比,减少了训练时间,提高了精度和适应性。     

组合预测方法在玉米施肥预测中的应用

为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。     

基于神经网络PID算法的优化饲料配制系统

【目的】设计饲料配制控制系统,并采用神经网络PID优化算法实现对配料精度的提高。【方法】以西门子S-200 smart型PLC为主控设计饲料配制控制系统,针对现有常规PID算法的控制策略存在超调大、收敛慢等缺陷和BP神经网络梯度下降过程容易出现局部最小化问题,提出以附加动量项的BP神经网络PID算法实现称重误差的降低。【结果】基于动量项的梯度下降法建立的BP神经网络PID算法模型解决了参数自学习整定问题,在响应速度上该算法与PID算法对比为3∶1,试验后平均精度99.6%。并在收敛速度和改善超调现象具有更高效的表现。【结论】配料系统经算法优化后误差得到有效控制。     

基于SVM的农机装备水平组合预测模型研究

采用支持向量机的组合预测方法,对黑龙江垦区农机装备水平进行预测。在确定单一预测模型的基础上,运用自组织神经网络方法,将权系数确定问题转化为粗糙集理论中属性重要性评价的问题;计算各单一预测方法对组合模型的依赖度、重要度和权系数;利用建立的基于支持向量机非线性农机装备水平组合预测模型,对黑龙江垦区2002—2012年农机装备水平的历史数据进行检验。误差分析表明:该模型对农机总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套机具和小型拖拉机配套机具的预测平均相对误差为0.471%、1.328%、3.738%、1.193%、3.574%,均低于各单一预测模型的平均相对误差;利用该模型对黑龙江垦区农机装备水平进行预测,到2020年拥有农机总动力999.33万kW、大中型拖拉机88 921台、小型拖拉机38 453台,大中型拖拉机与配套农机具台数比为1.51∶1,小型拖拉机与配套农机具台数比为1.68∶1。所建模型适用于黑龙江垦区农机装备水平的预测。     

基于熵权的年降雨量预报优化组合模型研究

鉴于单一预测模型在建模时预测值比实际值存在较大偏差问题,为了提高预测精度,在此首先采用自回归综合移动平均ARIMA模型（简称A模型）、Elman神经网络模型（简称B模型）、小波网络分析模型（简称C模型）、灰色系统GM（1,1）模型（简称D模型）,利用广西田东县1990～ 2007年的年降雨量分别进行了模拟计算,然后在各单一模型预测（拟合）的年降雨量偏差值基础上,应用熵权法对4种模型的偏差值进行客观赋权后优化组合,并根据最优组合结果,选用A、B、C单一模型和最优选的A-B-C优化组合模型对广西田东县2008～ 2010年的年降雨量进行预测对比.结果表明,A、B、C和A-B-C模型得到的均方根误差RMSE和模型效率EF分别为0.018、0.015、0.017、0.013和0.817、0.877、0.843、0.897,优化组合模型的预测精度和拟合度比单一模型的结果得到了提高和改善,该组合方法提高了年降水量的预测精度,为诸如广西田东县以雨养农业为主的区域农业干旱预报提供了新的方法和依据.     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。