基于Elman神经网络的我国入境游客量动态预测

为了更好地拟合我国入境游客量系统动态和时变特性,对我国入境旅游游客量进行科学准确的预测,将Elman网络引入我国入境游客量预测,提出基于Elman神经网络的入境游客量预测模型。以国家统计局公布的最近30个月我国入境旅游游客量月度数据为研究对象,前27个月数据用于建立训练网络,后3个月数据用于检验模型,模型预测最大误差为2.928%,最小误差为1.492%,平均误差为2.19%,模型预测效果与实际非常接近。结果表明:模型能更好地反应我国入境游客量系统的非线性、动态性、时变性等特征,为我国入境旅游游客量预测提供了一种较可靠的途径。     

修正的BP神经网络森林火灾成灾面积预测研究

以1997-2012年《中国林业统计年鉴》的全国森林火灾成灾面积为依据,应用BP神经网络模型对成灾面积进行了预测,对预测方法进行了检验.在此基础上,利用残差提出了修正的BP神经网络模型,并对预测方法进行了改进.研究结果表明,修正的BP神经网络预测精度高于BP神经网络,预测相对误差平均为7.2％,可应用于森林火灾成灾面积的预测.     

基于支持向量机-小波神经网络的PM_(2.5)预测模型

近年来我国多地区雾霾天气频发,针对PM_(2.5)浓度变化的非线性、时变性等特点,建立了基于支持向量机-小波神经网络(SVM-WNN)的组合预测模型。采用网格搜索算法对SVM的参数进行优化,利用优化后的模型进行初始预测,并结合WNN强大的非线性拟合能力的特点对其预测残差进行修正。以石家庄市每小时监测的PM_(2.5)浓度数据为样本建立模型并进行预测,结果表明,组合模型预测的平均相对误差为7. 2%。对比单一模型,组合模型的预测的效果更好,这也为短时PM_(2.5)浓度预测提供一个新的方法。     

ARIMA模型在林业产出分析中的应用研究

林业既是公益事业,也是重要的经济产业,林业产出关乎着国家生态环保与林业经济的发展。基于我国林业产出的变化情况,结合随机过程理论并运用EViews软件对1952年以来的林业产出数据原序列进行一阶差分序列、二次一阶差分序列处理和检验,利用时间序列模型对其产出变化进行了精准测度和预测。结果表明:基于我国林业产出数据的时间序列分析所构建的时间序列模型即ARIMA(2,2,1)模型拟合效果较好、预测精度高;与传统的回归模型相比,由于现实的林业产出具有很大的随机性,构建时间序列模型来拟合和预测现实的林业产出序列是合理的;模型存在随着预测时期延长预测误差逐渐增大的缺陷。因此,在实践中必须对模型不断加以调整和预测年份不宜过长,同时需要将现实中林业产出中随机波动因素考虑到模型中加以改善,提高林业产出的预测精度。     

危机事件对我国入境旅游规模的影响研究——基于TBTL-IA组合模型

建立TBTL-IA组合模型,定量分析1998年以来发生的五大危机事件对我国入境旅游规模的影响,并对2016—2018年入境旅游人数进行预测。结果表明:(1)我国入境旅游发展经历了一个长周期和三个短周期,受四季交替和节假日的影响,入境旅游具有季节波动性。(2)SARS事件的影响期为15个月,造成损失量1385.60万人次;汶川大地震、北京奥运会管制属于短期事件,影响期为1—2个月,造成损失量59.08万人次和139.56万人次。全球金融危机的影响期为16个月,造成损失量811.79万人次。后金融危机调整期的影响从2012年7月至今,造成损失2699.36万人次。(3)模型的拟合效果和预测效果均优于传统模型,预计2016年、2017年、2018年入境旅游人数分别为1.39亿人次、1.45亿人次、1.54亿人次。     

基于不同的神经网络模型PM_(2.5)浓度预测对比

近年来,以PM_(2.5)为主要污染物的重霾污染事件频频发生,给国民经济及居民健康造成了严重威胁。本文采用BP、RBF及Elman神经网络分别建立预测模型,并以青海省某工业园区某监测站监测的数据为实例对预测模型进行了具体的应用。结果表明:BP神经网络、RBF神经网络及Elman神经网络都可以有效预测PM_(2.5)浓度,但是BP神经网络预测模型预测误差要小于RBF神经网络模型及Elman神经网络模型,具有更高的稳定性和准确定。     

基于多元回归分析的我国能源消费量预测研究

针对目前我国能源消费量预测中变量选取单一、预测误差较大等问题,结合我国能源消费实际情况,引入GDP、人口、煤炭消费量、通货膨胀率建立了我国能源消费量预测的多元回归模型.利用该模型对1985-2010年能源消费量进行拟合,拟合效果较好;利用该模型对2011-2013年能源消费量进行实际预测,最大误差为1.708％,平均误差为1.3269％,最小误差仅为0.6748％,预测精度较高,为我国能源消费量预测提供一种新的途径.     

基于BP-Adaboost强预测器的瓦斯涌出量预测

为了提高传统BP神经网络瓦斯涌出量预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络和Adaboost算法相结合,提出了一种BP-Adaboost强预测器模型.将该模型用于实际瓦斯涌出量预测,并进行了40次仿真实验.结果表明:该模型预测精度高于传统的BP神经网络,且收敛速度快,具有较强的鲁棒性,预测精度能满足实际工程需要,为瓦斯涌出量预测提供了一种新的途径.     

组合优化的能源消费量预测模型

针对非等间距灰色系统预测中存在误差较大的问题,结合序列本身的特点,利用世界能源消费的历史数据,采用3种灰色预测模型与神经网络进行组合优化,建立了灰色神经网络的能源消费量组合预测模型.实证分析结果表明,提高了模型的拟合和预测精度,拓宽了应用范围.模型中对能源的消费趋势进行预测,为科学地分析能源结构提供了依据.     

基于Adaboost集成BP网络原煤生产成本预测研究

为了提高传统BP神经网络预测模型精度,避免BP网络容易陷入局部极值、收敛速度慢等问题,将BP神经网络与Ada-boost算法相结合,提出了一种Adaboost集成BP神经网络模型.结合磁县观台煤矿原煤生产成本相关数据,建立了原煤生产成本预测的Adaboost集成BP神经网络模型,将该模型用于实际的原煤成本预测.结果表明：该模型预测精度高于传统的BP神经网络,收敛速度快,具有较强的鲁棒性,预测精度能满足实际预测需要,为原煤生产成本预测提供了一种新的途径,也为原煤生产成本控制提供了重要依据.