共查询到20条相似文献，搜索用时 31 毫秒
1.
《江苏农业科学》2017,(1)
为探索提高BP神经网络在建设用地规模预测中的精度,提出主成分分析(PCA)和BP神经网络相结合的建设用地规模预测模型,并利用PCA-BP模型对山西省晋城市建设用地规模进行预测。首先,利用Pearson相关系数法分析筛选出影响建设用地规模的主要驱动因子;其次,利用主成分分析法(PCA)消除其相关性,并达到降维的目的;最后,以PCA结果作为输入层建立建设用地规模的BP神经网络模型,并利用BP模型进行训练预测,得到最终预测值。预测结果表明,PCA-BP模型的平均绝对误差MAE、平均相对误差MRE、均方误差MSE比传统BP神经网络模型小,平均预测精度R更高,具有较高的拟合度及可行性,在预测效率和预测精度方面都有进一步的改善。该方法的提出能为今后科学合理预测建设用地规模提供一种新思路,同时为土地利用总体规划修编提供重要决策基础。 相似文献
2.
基于时间序列与RBF的农产品市场价格短期预测模型 总被引：1，自引：0，他引：1
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. 相似文献
3.
光谱技术实现了桃树叶片SPAD(soil and plant analyzer development)值的监测,使用基于主成分分析(principal component analysis,PCA)的BP神经网络算法建立桃树叶片SPAD值光谱估算模型。分析各生育期桃树叶片SPAD值的变化及其与叶片光谱的相关关系,分析5种红边参数与SPAD值的相关性,选取相关性较高的3种红边参数,分别与SPAD值进行单因素建模;然后把红边参数和SPAD值用主成分分析、基于PCA-BP神经网络算法建模,并对估算模型进行验证,结果表明:1)5-9月,桃树叶片SPAD值呈先上升后下降的变化特征,8月达到最大;2)4个生育期所建立的3种模型均通过0.01显著性检验,其中6月估算SPAD值的模型,建模精度和验证精度均最高, R 2≥0.814;3)各生育期桃树叶片SPAD值在单因素模型中,以红边位置建立的模型估算和预测精度最高;4)各个生育期中,基于PCA-BP神经网络模型的估算效果最好,建模精度和预测精度最高, R 2最高分别为0.938和0.974;主成分分析模型次之,单因素模型最低。因此,基于红边参数建立的PCA-BP神经网络反演模型能进行桃树叶片SPAD值的准确估算,为桃树叶片叶绿素含量监测提供理论依据。 相似文献
4.
基于灰色神经网络与马尔科夫链的城市需水量组合预测 总被引：1，自引：0，他引：1
【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。 相似文献
5.
基于经验模态分解和小波神经网络的温室温湿度预测 总被引：2，自引：0，他引：2
温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。 相似文献
6.
基于ARIMA和GA-Elman神经网络的新疆年降水耦合预测研究 总被引：1，自引：0，他引：1
[目的]提高降水预报的预测精度,准确预测一个地区未来的降水量,可以提高该地区防灾减灾的能力,更好地为工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用差分自回归移动平均(ARIMA)和GA-Elman神经网络技术建立一种耦合预测模型.该模型首先根据年降水时间序列建立ARIMA模型,拟合它的线性结构部分,基于原始降水序列和ARIMA模型的预测值、残差序列,利用GA-Elman神经网络技术进行耦合建模.将该模型应用于新疆年降水量的预测预报,并与单一的ARIMA模型、GA-Elman神经网络模型进行比较.[结果]耦合模型的归一化均方误差、平均绝对误差、后验差比值及小误差概率分别为0.287,9.581,0.241和1,均优于ARIMA模型、GA-Elman神经网络模型,预测精度得到了明显的提高,预测精度等级为好.[结论]基于ARIMA和GA-Elman神经网络的耦合预测模型具有更高的预测精度,可用于新疆的年降水量预报. 相似文献
7.
由于影响换热器污垢热阻的因素较为复杂,对其预测比较困难.针对这种情况,提出了利用灰色神经网络预测方法对污垢热阻进行预测.本文用一种灰色理论算法改进模型和RBF神经网络分别对换热器污垢热阻值进行预测,并对预测结果进行最优组合,同时给出了预测曲线.结果表明与GM（1,1）模型相比较,灰色神经网络组合模型（GMNN）预测精度更高,可以较准确地预测污垢热阻随时间的变化趋势. 相似文献
8.
【目的】揭示径流时间序列变化规律并进行预测,为水库调度提供指导。【方法】针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌相空间重构的径流量预测BP网络模型,并利用该模型对位于陕西省汉江上游的石泉水文站的径流时间序列进行了预测。【结果】实例计算结果表明,石泉水文站月平均流量的时间序列具有混沌性,最大嵌入维数为12,依此构建的BP神经网络收敛速度快、预测精度较好。【结论】利用重构相空间中的最佳嵌入维数,可合理确定BP神经网络的输入层节点数。 相似文献
9.
目的高血压发病率是政府和相关医学工作者预防和监测高血压的重要依据之一。方法利用主成分分析(principal component analysis,PCA)对因子进行线性筛选,获得保留因子后利用ARIMA进行建模预测,即为PCA-ARIMA多维时间序列组合预测模型。结果高血压发病率的拟合与独立预测结果表明,PCA-ARIMA优于PCA-MLR、ARIMA等参比模型。结论本文提出的基于主成分分析和ARIMA模型(PCA-ARIMA模型)的建模有助于提高模型的预测精度。 相似文献
10.
【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。 相似文献
11.
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。 相似文献
12.
提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA＜107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。 相似文献
13.
【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。 相似文献
14.
【目的】基于组合预测思想,结合灰色理论与马尔可夫预测方法的特点构建一种新的预测模型,为大坝沉降量的中长期预测提供支持。【方法】通过对传统灰色系统模型的优化改进,简化建模步骤并提高模型预测精度。在此基础上,借助于马尔可夫模型处理时间序列的随机性波动,克服灰色模型对随机波动性大的序列预测精度较低的局限性,并利用新信息优先原理,构建新维无偏灰色马尔可夫组合预测模型。将构建的新维无偏灰色马尔可夫组合模型应用于大坝沉降量的预测。【结果】构建的模型预测平均误差由原来的1.7%降低为1.0%,且预测误差的变化波动性减小。同时,随着预测期数的增加,相对于传统灰色模型,改进后的组合模型的预测精度进一步提高。【结论】与传统计算方法相比,所建立的新维无偏灰色马尔可夫组合预测模型计算量小、预测精度较高,且该模型保留了传统灰色模型短期预测精度高的优点,提高了模型的中长期预测能力,适用于大坝沉降量的中长期预测。 相似文献
15.
季节性叠加趋势-马尔柯夫预测模型及其应用 总被引：1，自引：0，他引：1
为提高利用季节性叠加趋势模型预测有较大波动性数据序列的预测精度,提出一种季节性叠加趋势一马尔柯夫组合预测新方法,并用于油菜平均产量的预测.采用浙江省诸暨市1949年到1996年的油幕平均每公顷产量数据建立一个季节性叠加趋势一马尔柯夫组合预测模型,对1997年到2003年的油菜平均每公顷产量进行预测,预测精度分别为:97.9%、97.9%、97.9%、97.9%、98.8%、97.7%和98.4 %.远远高于季节性叠加趋势模型的预测精度:76.1%、68.9%、70.9%、97.9%、82.5%、76.9%和82.2%.该方法具有计算简单、精度高的特点.说明利用季节性叠加趋势一马尔柯夫组合预测模型可以大大提高具有周期趋势性和较大波动性数据序列的预测精度. 相似文献
16.
《江苏农业科学》2016,(12)
由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。 相似文献
17.
利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。 相似文献
18.
19.
针对农产品价格序列非平稳、非线性的特征,提出一种基于经验模态分解和支持向量机的短期农产品价格组合预测方法。以全国苹果批发价格的周度价格序列为研究对象,首先对价格序列进行非平稳、非线性检验;然后将价格序列分解成一系列具有不同特征尺度的分量;最后针对各分量的特点分别构建支持向量机模型进行预测,得到苹果批发价格的预测值。研究结果表明,该预测模型能够更好地追踪农产品价格的变化,其预测精度与BP(back propagation)神经网络模型相比有显著提高。 相似文献