基于Elman神经网络的港口货物吞吐量预测

为提高港口货物吞吐量的预测精度,进而为港口建设提供数据支持,引入具有处理动态信息能力的Elman神经网络。将Elman神经网络应用于宁波舟山港的货物吞吐量预测,采用前6个月数据递归预测后一个月数据的方式构建时间序列数据,同时与BP神经网络以及RBF神经网络的预测结果进行分析比较。结果表明:在港口货物吞吐量预测方面,相比于BP神经网络以及RBF神经网络,Elman神经网络更能适应吞吐量数据随时间变化的特性,其预测值更接近实际值,其预测性能更优,且更能体现港口实际状态。     

基于灰色神经网络的港口集装箱吞吐量预测模型研究

为降低港口集装箱吞吐量的预测误差,提高预测精度,在分析传统的灰色预测模型和BP神经网络预测模型的优缺点的基础上,构建了灰色神经网络港口集装箱吞吐量预测模型,该模型充分发挥了灰色模型所需初始数据少和BP神经网络非线性拟合能力强的特点。以实际数值作为初始数据,各种灰色模型的预测值为神经网络的输入值,神经网络的输出值为组合预测结果。通过实例分析,结果表明:灰色神经网络预测模型提高了预测精度,预测结果比较理想,优于单一预测模型,因此,该模型用于港口集装箱吞吐量预测是可行的、有效的。     

PSO-BP混合预测模型及在港口集装箱吞吐量预测中的应用

运用粒子群优化算法代替BP神经网络的初始寻优,再用BP算法对优化的网络权值参数进一步精确优化,从而建立基于粒子群优化的BP神经网络模型.运用该模型对某港口集装箱吞吐量进行预测.应用结果表明,该预测模型不仅能较好地拟合港口集装箱吞吐量的历史数据,同时对港口集装箱吞吐量的远期预测也具有较好的效果.     

基于栈式自编码的高速铁路站间客流短期预测研究

站间短期客流预测是高速铁路运营管理的重要依据.首先在提取原始客流数据特征的基础上得到样本和标签集,然后基于栈式自编码算法预训练神经网络模型参数,最后构建神经网络预测模型.以渝万高铁为例,采用2016年11月到2018年10月数据进行验证,结果表明:提出的模型预测误差为12.08％,与其它4种常用预测模型相比精度分别提高12.12％、1.12％、6.9％和19.12％,模型适用于短期客流预测.     

基于随机森林算法的港口集装箱吞吐量预测方法

为助力智慧港口建设,针对港口集装箱吞吐量预测准确性不足的问题,利用随机森林算法处理高维变量,构建一种港口集装箱吞吐量预测方法.首先考虑港口集装箱吞吐量受复杂环境影响,建立特征变量训练集;再通过泛化误差分析训练随机森林模型,根据MDA分析对特征变量重要性进行分析,筛选重要影响特征变量集合;最后构建随机森林预测决策树,建立基于随机森林算法的预测模型.以大连港为案例进行验证,并与三次指数平滑、多元回归分析和BP神经网络3种方法预测进行对比,结果表明:随机森林算法预测准确性更高.     

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.     

基于小波去噪和GA-Elman神经网络的短时交通流预测

为解决短时交通流的非线性和强干扰特征带来的预测精确度较低问题,首先采用启发式阈值算法对小波分解后的原始数据做去噪处理,使去噪后的数据更平稳真实地反映交通流的变化规律,然后利用遗传算法优化Elman神经网络模型对交通流进行分析和预测,模型输出的预测值百分比绝对误差为6.2%。试验结果表明,小波去噪后再用遗传算法优化的Elman神经网络进行预测,预测结果误差较小,可用于短时交通流预测。     

基于Elman神经网络的锂电池SOH估算

利用Elman神经网络完成了对锂电池SOH的估算,以温度、SOC和内阻作为Elman神经网络模型的输入,SOH值作为输出建立Elman神经网络模型,并对模型进行测试,仿真结果表明:该模型的SOH测试相对误差在±1.5%内.最后采用MCU实现数据的采集,在服务器中用java实现基于Elman神经网络的估算算法,该方法释放了下位机的运算压力,提高了处理速度和精度.     

BP神经网络在企业财务预警中的应用

根据预警系统体系指标的要求,对企业财务预警指标进行了筛选。采用BP神经网络预测与Adaboost算法相合的分析方法,对采集的样本数据建立了强分类器并进行了分类误差分析研究,完成了公司财务预警系统分析。结果表明:用BP_Adaboost分类算法建立的强分类器的分类误差率低于仅用BP算法建立的弱分类器的分类误差率,此法具有可行性和一定的计算精度,能为企业财务预警提供一定的理论指导。     

基于时序特征的城市轨道交通客流预测

通过分析城市轨道交通客流量的时序特征和RBF神经网络的作用机理,将具有不同时序特征的数据分别用不同的神经网络进行处理,建立了基于客流时序特征的并行加权神经网络模型,并用该模型对北京市城市轨道交通各条线路的客流进行预测.结果表明,各线路客流量预测结果的平均绝对百分误差均在10％以下,小于单个神经网络的预测误差,提高了预测精度.