基于灰色关联度和BP神经网络的全国人口预测研究

文章首先运用灰色关联度分析,找出了影响人口变化的主要因素,将2009-2018年的主要因素数据作为BP神经网络的输入对网络进行训练;其次运用时间序列预测对2019和2020年的出生率、老龄人口数和农村人口数进行了预测,运用灰色预测对2019和2020年死亡率进行了预测;最后将2019和2020年各因素预测值输入已经训练好的BP神经网络中得到2019和2020年总人口预测值139900和140320,结果显示BP神经网络预测具有较高的准确性。     

基于小波神经网络的城市用水量长期预测研究

针对城市年用水量时间序列的非线性和多时间尺度特性,应用小波分析方法对年用水量时间序列的趋势性、周期性和随机性进行了分析。在此基础上,建立了用于城市用水量长期预测的小波神经网络耦合模型。并利用此模型对昆明市年用水量进行预测,预测结果表明,该模型应用于城市用水量的长期预测具有较高的预测精度和良好的推广能力。     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究

为了提高具有非线性和非稳定性特征的参考作物腾发量(ET0)时间序列的预测精度,提出基于经验模态分解(EMD)的BP神经网络预测模型。以大连地区1970~2006年间逐月ET0序列为例,首先应用经验模态分解(EMD)方法将ET0序列分解为具有不同尺度特征的本征模态函数(IMF),然后运用BP神经网络对ET0序列和分解得到的IMF进行训练,得到ET0序列的预测模型,并对ET0进行预测,最后将预测值及单纯的BP神经网络预测值分别与真实值进行对比分析。结果表明:EMD-BP模型预测值的平均绝对百分误差(MAPE)、均方根误差(RMSE)、平均绝对差(MAD)及判定系数(R2)分别为1.32%,0.0327,0.0278,0.9967;而BP模型相应的指标值分别为8.50%,0.2583,0.1839,0.8967。显然,EMD-BP模型的MAPE、RMSE、MAD值较小且R2值较大。因此,其预测精度及稳定性均优于单纯的BP模型,可作为ET0预测的一种参考。     

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。     

土壤温度时间序列预测的LSTM神经网络研究

适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10～30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。     

基于ARIMA模型的陕西省GDP分析与预测

依据2008年《陕西统计年鉴》与1952～2007年陕西省GDP相关数据,采用SPSS统计软件及时间序列分析法,通过时间序列的平稳性检验、根据时间序列模型的识别规则进行定阶、模型检验、模型预测4大步骤在AIC准则下建立了ARIMA（1,2,1）时间序列模型,并根据ACF图和PACF图对模型做了适应性检验,然后对2002～2007年的实际值与预测值作比较,并利用该模型对陕西省未来6年的GDP做出预测。结果表明,各年实际值与预测值之间的相对误差均控制在5%以内,该模型的预测效果相对较好;根据模型预测的2008～2013年陕西GDP数据分别为6477.50亿、7656.62亿、9058.66亿、10735.10亿、12744.69亿、15158.20亿元,从预测结果看,陕西省的GDP在2008～2013年6年内仍将呈现出较高的增长趋势;该模型得出的预测结果只是一个预测值,而国民经济是一个复杂多变的动态系统,应随时注意经济运行中蕴藏着调整的风险,适时根据实际情况调整相应的目标值。     

基于混沌理论的水质预测方法研究

基于混沌理论,利用关联积分法计算嵌入参数,重构水质指标时间序列相空间,采用Lyapunov指数判断水质指标时间序列的混沌特性,使用加权动态局域预测模型来预测水质.对洛河流域2008-2010年各月的水质指标溶解氧进行预测,并与实测值进行了比较,从相对误差来看,具有较高的精度.     

基于小波变换和动态神经网络的温室黄瓜蒸腾速率预测

针对作物蒸腾速率与温室环境参数间非线性耦合时延性关系,以温室环境参数:空气温度、空气湿度、太阳辐射度、土壤温度、叶面温度、土壤含水量的时间序列为输入量,温室黄瓜蒸腾速率时间序列为输出量,采用小波分解重构方法,分别建立低频时间序列和高频时间序列的非线性自回归动态神经网络(NARX)子网络预测模型,以子网络的预测叠加值为蒸腾速率预测值。结果表明:1层小波分解重构的低频时间序列A1和高频时间序列D1的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.949和0.853,平均绝对误差(MAE)分别为5.36和2.00 g·h-1。2层小波分解重构的低频时间序列A2和高频时间序列D2的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.983和0.849,MAE分别为2.88和2.56 g·h-1。1层小波分解重构的时间序列的NARX子网络预测值合成值(A1+D1),2层小波分解重构的时间序列的NARX子网络预测值合成值(A2+D2+D1)和未小波分解重构的原时间序列的NARX预测值与蒸腾速率测量值间相关性决定系数R2分别为0.945、0.974和0.857,MAE分别为5.76、4.42和10.09 g·h-1。小波分解重构的高频和低频时间序列预测合成,能够提高时间序列的预测准确性。同时采用相同网络结构的BP神经网络和NAR动态神经网络预测蒸腾速率时间序列,其预测值与测量值间决定系数R2分别为0.596和0.839,MAE分别为19.55和9.45 g·h-1。NARX预测性能优于NAR和BP神经网络的预测性能,能够应用该方法预测温室黄瓜的蒸腾速率。该方法可推广至多变量非线性强耦合时延性系统中的变量预测。     

基于实物期权理论的企业设计创新投资时机研究

利用1994~2013年历年的煤炭消费和碳排放量数据，将BP神经网络方法应用于我国煤炭消费和碳排放量的预测，通过预测值和实际值的对比分析，预测了2014~2020年的煤炭消费量和碳排放量，预测结果表明：未来几年煤炭消费和碳排放量依旧呈递增趋势，且增长率均不会出现太大的变动。     

基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470~2014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985~2014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015~2064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。     

基于BP神经网络的内蒙古第三产业增加值预测模型

宏观经济政策的制定必然要参照各次产业的发展水平,那么对产业发展水平进行评估和预测就显得十分必要。文章通过运用神经网络的建模方法对内蒙古自治区第三产业增加值进行分析,最后建立了单隐层的BP神经网络模型。模型的预测结果表明预测精度较高。     

灰色理论与BP神经网络耦合的粮食产量预报

以河南省为例,选取影响粮食产量的8个农业生产条件为指标,以2000~2007年8个序列的数据分别建立新陈代谢GM(1,1)模型,得到一系列预测值。将8个指标1990年至2007年的原始数据作为BP神经网络的输入样本,粮食产量实际值作为输出样本,然后对网络进行训练,构建了BP神经网络。再将各新陈代谢GM(1,1)模型得到的8个农业生产条件的预测值作为BP神经网络的输入,得到的输出即为最终预测值。仿真实验表明,用灰色理论与神经网络耦合模型研究河南粮食产量的拟合精度和预测准确度都比较理想。     

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.     

基于时间序列与PCA-BP组合模型的股价变化趋势研究

为提高股票价格预测精度和效率,提出了一种时间序列与PCA-BP神经网络组合模型。先利用时间序列模型预测股价随时间变化的主趋势,再利用PCA-BP神经网络模型对股价变化主趋势外的随机变化进行预测,最后将两种模型的预测结果相加得到最终的股价预测结果。对华大基因公司2018年周股价进行仿真实验,结果表明ARIMA与PCABP神经网络组合股价预测模型的预测精度更高,能为股价预测提供有价值的参考。     

基于混沌理论的自适应模糊推理网络系统在径流时间序列预测中的应用

水文期预报对水资源管理、调度及社会的生产、生活具有十分重要的意义。针对常规混沌预测方法的局限性,提出基于混沌理论的自适应模糊推理网络系统的径流时间序列预报方法。该方法径流时间序列被分解为趋势项、周期项和随机项,对随机项进行混沌辨识,然后建立有自适应能力的神经网络模糊推理模型对随机项进行预测,最后将各项线性叠加进行径流预报。实例表明,该方法预测精度较高,具有良好的泛化推广能力。     

内蒙古第三产业增加值的研究——基于ARIMA疏系数模型

本文运用时间序列建模方法对内蒙古第三产业增加值进行了分析和研究,首先通过对第三产业增加值序列的平稳化处理,然后运用ARMA方法进行建模,最终确立了ARIMA疏系数模型。经过检验,模型预测效果良好,可用于对未来的预测。     

钱塘江年极值高潮位的灰色拓扑预测

[目的]为了研究钱塘江年极值高潮位的预测难题,提高预测的精度。[方法]以钱塘江澉浦水文站为例,根据澉浦水文站1951~2002年极值高潮位的时间序列进行特征分析,选取一组阈值,建立对应阈值下时间序列的GM(1,1)模型群,经过后验差和小误差概率方法检验后,对未来的年极值高潮位进行预测。利用2003~2014年极值高潮位对模型的预测结果进行检验,最后对2015~2021年极值高潮位进行预测。[结果]该模型预测值与实测值相吻合,具有较高的精度。[结论]该研究可为相关部门的潮灾准确预报提供一定的理论依据。     

基于EVI-RBF的玉米长势监测及产量预测

近年来,农作物长势监测和产量预测研究大多是通过建立复杂的生长模型来实现的,而这往往不具有较强的推广性。本研究建立了一种基于植被指数和产量统计数据的玉米长势监测及产量预测方法。以玉米为研究对象,利用MODIS09A1数据建立其2000-2018年的增强型植被指数(EVI)时间序列,并将该序列作为径向基(RBF)神经网络的输入参数,下一阶段的EVI值或玉米产量作为网络的输出参数,完成玉米的长势监测及产量预测。该方法被成功应用到黑龙江省哈尔滨市宾县的玉米研究中,对玉米EVI值的预测精度达到了90.0%以上,产量预测相较于传统的线性回归模型也有明显提高,预测精度达到了98.6%。依赖植被指数和产量统计数据的长势监测及产量预测方法有较大的应用推广前景。     

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.