时序数据挖掘中一种组合预测模型的研究

在时序数据的预测过程中有很多不确定的因素,用单一预测模型进行预测时,其预测精度不高.为了提高预测精度,在回归分析模型、指数平滑模型、灰色GM(1,1)模型三种单一预测模型的基础上,建立组合预测模型,并利用最小二乘法确定组合预测模型的权重.组合预测模型综合了各种预测模型提供的信息,能改善预测性能.该模型将更好的应用于时序数据挖掘.     

基于误差绝对值之加权和最小的组合预测模型及其应用

介绍了基于误差绝对值之加权和最小的组合预测模型,并应用灰色预测法和三次指数平滑预测法两种单项预测法建立上海港集装箱吞吐量的组合预测模型,并运用此模型对２０００～２００１年上海港集装箱吞吐量进行了预测。     

组合预测模型在港口货物吞吐量预测的应用

以“估计误差的方差极小”作为最优准则,建立港口货物吞吐量的组合预测模型,并以天津港货物吞吐量预测为例,在回归分析法和3次指数平滑法预测的基础上,采用组合预测模型对天津港货物吞吐量发展进行预测;最后比较了3种预测方法各自的适用性。     

组合预测模型在港口物流量预测中的应用

为了合理预测港口物流量,建立了三次指数平滑、趋势外推和灰色系统等单项预测模型。鉴于单一预测模型的局限性,提出了以误差绝对值加权和最小为最优化准则的组合预测模型,运用主成分分析的思想来确定组合的权系数。分析比较表明,组合预测模型具有更高的预测精度和更低的预测误差,同时更适合各期预测,能避免各单项预测模型的局限。该组合模型对制定港口规划具有一定的参考价值。     

基于主成分分析的舰船装备维修费组合预测

针对基于回归的组合预测模型,由于舰船装备维修费预测时可利用的样本小、可用的单项预测方法多,容易导致预测模型的数量比用于组合预测的样本数量多,出现回归系数无法估计的问题。在建立基于回归的舰船装备维修费组合预测模型前,首先对各单项预测方法预测结果进行主成分分析,建立舰船装备维修费实际值在选取主成分上的回归模型,给出基于主成分分析的组合预测模型;然后针对主成分分析中根据主成分的累积贡献率确定主成分数量具有一定的主观性,建议采用AIC确定主成分的数量;最后,采用实例对给出的方法进行分析和验证。结果表明:在舰船装备维修费组合预测中,该方法不仅解决了预测模型多于用来组合预测的样本数量问题,而且还可以解决单项预测方法之间的共线性问题,且其预测性能明显优于常用的组合预测模型。     

组合预测模型在宁波港集装箱吞吐量预测中的应用

港口吞吐量预测是港口规划过程中的关键环节,直接关系到港口规划的科学合理性。本文根据宁波港集装箱吞吐量的历史数据,建立了时间序列的三次指数平滑模型、灰色系统预测模型等单项预测模型。鉴于单项预测模型的局限性,提出了组合预测模型,采用线性规划的方法确定其最优组合的权重,并对宁波港集装箱吞吐量加以预测和分析。     

船舶交通流组合预测方法研究

船舶交通流预测的研究能为港口设计及船舶通航安全管理提供基础性数据.基于港口特征、船舶行为和船舶交通流的历史数据,建立了一种改进的船舶交通流变权组合预测模型,较好地解决了现有船舶交通流预测算法中存在的预测精度不高、依赖于经验的不足.以天津港主航道连续9年的历史观测数据为例进行验证,结果表明,改进的组合预测模型能够减小单一模型预测中存在的不确定性,从而提高了整个预测系统的精度及其稳定性.     

基于支持向量机的舰船维修费用组合预测研究

在费用预测中,利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性,采用支持向量机（SVM）回归算法,把几种单一预测模型结果作为输入,实际值作为输出,然后用足够多的预测案例训练学习机器,在各组合的模型预测结果与实际之间得到一种非线性映射关系,从而建立了非线性组合预测模型。最后,以某型舰船维修费用为例,对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真,结果表明此法较传统的单一模型预测法具有更高的预测精度。     

基于信息熵的舰船装备建造费组合预测研究

舰船装备建造费的预测方法多种多样,不同的方法体现出不同的特点.针对常用的几种费用预测方法,充分利用不同方法的特点和提供的信息,提出基于信息熵的最优组合预测模型.在建立预测方法评价指标集的基础上,利用信息熵确定了各种方法在组合预测模型中的权重.该方法能处理预测中的不确定性因素,同时综合考虑了各种方法的特点以及预测过程中预测人员主观因素的影响,较为符合舰船装备建造费预测的实际情况.实际应用表明该方法可行,具有实用价值.     

"ANN"在水运货运量预测中的应用

利用人工神经网络技术的非线性映射能力，建立一种非线性组合预测模型，将其应用到水运货运藿预测中，可大大提高水运货运量预测精度。     

基于组合模型的天津港吞吐量预测

根据天津港货物吞吐量的历史数据,分别建立有关该港吞吐量的回归预测模型、Logistic生长曲线模型以及组合模型。通过比较3种模型的平均相对误差,可以证明组合模型的平均相对误差最小。运用组合模型预测港口吞吐量可以降低误差,提高预测精度。     

基于MATLAB的组合模型在港口吞吐量预测中的应用

以某港1998-2007年集装箱吞吐量为实测数据,建立其集装箱吞吐量的灰色理论、三次指数平滑、三次多项式等预测模型,在MATLAB下,对比该港集装箱吞吐量各模型预测拟合值与实际值的差异,分析了差异产生的原因及其单一预测模型的局限性,提出了港口集装箱吞吐量组合预测法.其预测误差明显低于其它单模型.运用组合预测模型,可降低误差,提高预测精度.     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息,有效地提高预测的精度,已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力,建立一种非线性组合预测模型,并将之应用到水运货运量预测中。实践表明,这种新的预测方法可大大提高水运货运量预测精度。     

基于非负权重组合模型的江苏省入境旅游客源预测

旅游客源需求预测是一个复杂的非线性系统,其发展变化具有增长性和波动性。本文根据1998年~2005年江苏省入境旅游客源数据特征,采用BP神经网络模型、GM(1,1)模型以及指数曲线模型分别进行预测,然后结合这三种预测方法的特点,提出非负权重组合预测模型,通过实例运算的对比分析,证明组合预测模型具有很高的准确性。预测结果表明:组合预测模型优于单一预测模型,江苏省入境旅游客源的非负权重组合预测模型是有效可行的。     

基于组合预测模型的世界海运周转量预测分析

世界海运周转量是衡量未来航运市场运力需求的直接体现,在确定航运市场和船舶市场的发展趋势方面具有关键作用。针对世界海运周转量受到众多复杂因素影响的现实,基于传统的单个预测方法,分别采用时间序列、灰色系统、神经网络方法对世界海运周转量进行预测,然后再对单个预测方法进行加权组合,建立组合预测模型进行海运周转量的预测,预测结果表明:组合预测模型能够得到更加可靠的结果。     

基于成长模型的吹填土软基沉降预测方法研究*

堆载预压和真空堆载联合预压处理吹填淤泥软基沉降变化规律与3种"S"型成长曲线变化规律相似。影响软基沉降发展规律的因素很多,3种成长曲线沉降预测模型仅反映了沉降发展规律中一种或几种信息特征,将各种单项预测模型进行组合,引入了变权"S"型成长曲线组合模型,结合围海造陆工程实例,对吹填淤泥软基沉降进行预测,结果表明:变权组合沉降预测模型预测未来沉降与实测值十分吻合,预测精度较单项模型高,采用该模型进行吹填淤泥软基沉降预测是可行的。     

基于ANN的非线性组合预测方法在水运货运量预测中的应用

组合预测方法可综合利用各单项预测方法提供的有用信息，有效地提高预测的精度．已被广泛运用到水运货运量预测中。本文将利用人工神经网络技术的非线性映射能力。建立一种非线性组合预测模型，并将之应用到水运货运量预测中。实践表明，这种新的预测方法可大大提高水运货运量预测精度。     

基于马氏距离的舰船装备修理价格组合预测

为更加准确地确定舰船装备全寿命费用,提高装备经费的使用效益,针对我国舰船装备修理价格影响因素多、不确定性大的特点,提出采用组合预测方法对其进行预测建模;针对基于欧氏距离的组合预测方法不能处理用于组合的单项预测模型之间的相关性问题,提出采用马氏距离作为建模基础,建立基于马氏距离的舰船装备修理价格组合预测模型。应用结果显示,基于马氏距离的组合预测要比基于欧氏距离的组合预测以及各单项预测具有更好的稳定性,预测风险更小。     

连云港港货物吞吐量预测研究

分别采用线性回归法和支持向量机法对连云港港货物吞吐量进行预测研究,在此基础上,提出基于前两种方法的最优线性组合预测模型。通过对3种预测方法的预测结果对比,指出组合预测法具有性能稳定且精度较高的特点。最后根据组合预测模型结果,给出连云港港2010—2015年货物吞吐量的预测数据。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。