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。该模型可对能源的消费趋势进行预测，为科学分析能源结构提供依据。     

基于灰色神经网络的能源消费组合预测模型

组合预测对于信息不完备的复杂经济系统具有一定的实用性。鉴于能源消费系统的复杂性和非线性特征，利用我国能源消费的历史数据，采用灰色预测的GM（1，1）、无偏GM（1，1）和pGM（1，1）3种模型与人工神经网络进行优化组合，建立了灰色神经网络的能源消费组合预测模型，实证分析结果获得了更为精确的预测效果，可以作为能源消费预测的有效工具。同时，能源消费的预测结果也表明今后必须以节能为主导思想，努力建设资源节约型社会和环境友好型社会。     

工业能源消费对环境质量影响的灰色关联分析——以湘潭市为例

能源消费引起了严重的环境污染,降低了环境质量,影响了经济发展.将灰色关联分析引入到湘潭市的能源消费和环境质量关系研究中,利用统计数据进行定量分析,探索现有能源消费结构和其环境影响的内在灰色关联,确定各种能源消费对湘潭市环境质量的不同影响程度,为调整能源消费结构、最小化环境压力、改善环境质量提供科学依据.     

西宁市供水量的预测模型探讨

以西宁市供水量各规划水平年值为基础,在分析原始数据序列的基础上,进行供水量的预测模型研究。提出两种供水量预测方法,即一元线性回归模型及灰色预测模型,并分别进行了实例计算与分析,同时与西宁市规划部门供水量预测值进行了比较。研究结果表明,灰色预测模型较一元线性回归模型为优,可作为西宁市规划水平年的供水量预测模型     

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。     

生态示范区可持续发展灰色评估系统设计应用

介绍了如何在国家级生态示范区的可持续发展评估中运用灰色系统理论构建定量评估系统模型,并给出了关系型指标表、量纲模型、多元灰色预测模型和发展系数模型以及应用实例.根据该评估系统模型所开发的灰色评估系统由数学模型、计算机软件和硬件组成,可自动完成量纲统一、指标预测、相关分析、综合评估和趋势图表的运算和输出.     

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.     

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.