导读:本文包含了组合预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:组合,神经网络,模型,电价,在线,卷积,算子。
组合预测论文文献综述
耿立校,张永杰[1]（2019）在《基于ARIMA-GRNN组合模型的汽车零部件需求预测研究》一文中研究指出单一的预测方法难以准确预测市场需求趋势,通过构建ARIMA-GRNN组合需求预测模型提高预测精确度:首先利用ARIMA预测出每月需求数并计算出每月实际需求数与每月预测需求数的误差值,再利用GRNN神经网络对误差值进行函数逼近与拟合,将拟合值对ARIMA预测值进行修正后的结果即为最终预测值。性能评估显示组合模型可以较好帮助汽车零部件企业提高市场预测精度。(本文来源于《物流科技》期刊2019年12期）
李广源,花向红,韩浩然,续东[2]（2019）在《一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型》一文中研究指出根据高铁沉降监测和预测特点,提出了一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型,给出了组合高铁沉降预测模型实施步骤。通过某一高铁沉降监测数据,对单一模型和组合模型预测进行分析比较,结果表明,采用变系数组合模型求出的预测值精度更高。(本文来源于《测绘地理信息》期刊2019年06期）
郑洋洋,白艳萍,续婷[3]（2019）在《基于SARIMA-SVR组合模型的空气质量指数预测》一文中研究指出空气质量指数(AQI)在波动中既具有整体的时间序列线性特征和明显的季节性波动周期,又具有多种因素影响的不确定性,为了提高AQI的预测精度,基于Ri386 3.3.3和Matlab R2014a两种编程软件,提出了一种同时具有线性和非线性的复合特征的时间序列预测模型——SARIMA-SVR组合模型。以太原市2014年1月—2019年7月的AQI月均值数据为基础,利用SARIMA时间序列模型进行线性预测,利用SVR模型对残差进行非线性预测,加和得到组合预测模型的预测结果,分析比较SARIMA,SVR和SARIMA-SVR这3种模型的预测结果和平均绝对百分比误差。结果表明,组合预测模型发挥了2种模型各自的优势,相较于单一预测模型的预测结果而言,其预测精度更高,稳定性更好。通过此模型得到的空气质量预测结果不仅可为人们的日常生活提供指导,而且可为大气污染的防治工作提供科学依据和借鉴意义。(本文来源于《河北工业科技》期刊2019年06期）
赵征,乔锦涛[4]（2019）在《基于集合经验模态分解的神经网络短期风速组合预测研究》一文中研究指出针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果迭加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。(本文来源于《电力科学与工程》期刊2019年11期）
陈璐,马惠彪[5]（2019）在《基于灰色组合预测的沿海围垦区基坑工程深层土体变形研究与控制》一文中研究指出我国沿海围垦区深基坑工程,受到地下土含水量大、水位高、渗透性差、易变形的影响,对周边建筑环境产生较严重的破坏,其中,深层土体变形是影响其施工的最直观因素。为能实时获得基坑工程深层土体的变形数据,建立了灰色组合预测模型,即采用灰色关联度的方法,选取周边地表沉降、桩顶位移、支撑轴力以及地下水位等监测值作为组合预测模型的自变量,根据不同影响因素对应深层土体变形值的权重关系,应用于沿海围垦区某基坑工程深层土体变形预测模型中,结果表明灰色组合预测模型较GM(1,1)具有较高的预测精度,在5%以内。同时运用Midas GTS有限元模拟工程案例,从支撑刚度角度,计算其最优面积的大小,通过减小桩顶水平变形,控制基坑工程深层土体位移。(本文来源于《中国港湾建设》期刊2019年11期）
丁勤祥,陶志富,葛璐璐,赵勤[6]（2019）在《基于L1范数的IOWGA算子的区间组合预测模型》一文中研究指出为提高区间值时间序列的预测精度,文章提出了基于L1范数的IOWGA算子的区间组合预测模型。把区间中心和区间半径作为出发点,在IOWGA算子的基础上,将L1范数与区间组合预测模型相结合,避免了预测误差"放大"或"缩小"的效应和可能出现的区间数的左端点大于右端点的情况,并且克服了各单项预测方法取固定权系数的缺陷。并通过实例分析对比,考虑了中心和半径非等权时的情况,结果表明:该模型可以显着提高预测的精度。(本文来源于《统计与决策》期刊2019年22期）
张亮,王洪涛,邹斌[7]（2019）在《基于数据驱动的组合电价预测研究》一文中研究指出在解除管制的电力市场中,电价预测是核心。在不考虑电力市场本身情况及影响电价的诸多因素的基础上,单纯从数据驱动角度出发,以历史负荷和电价数据作为输入来预测电价。首先构造Lasso、随机森林、Gradient Boosting、SVM、BP神经网络和LSTM六种单算法电价模型,然后再构建组合六种算法的Lasso、BP神经网络和LSTM组合模型,以及组合叁种算法的BP神经网络模型,最后以澳大利亚昆士兰州电力市场历史数据进行仿真。实验结果表明:单算法电价模型中,LSTM模型精度最高,MAE为5.468;BP神经网络适合用于组合单算法电价模型。(本文来源于《工业控制计算机》期刊2019年11期）
赵洋[8]（2019）在《基于IOWA的在线英语教学学习人数组合预测模型》一文中研究指出针对英语教学在线学习人数单一预测模型存在预测精度低和误差大的缺点,在SVM、指数平滑和BP神经网络模型的基础上,提出一种基于IOWA算子的在线英语教学学习人数预测的组合模型。选择我国2002～2017年英语教学在线学习人数为研究对象,进行实证分析。结果表明,组合模型预测绝对误差和相对误差的平均值为10.682 9万人和3.43%,分别优于SVM的11.428 6万人和3.98%、BP神经网络的13.616 7万人和39.75%以及指数平滑的61.685 7万人和7.22%,由此验证了提出的算法相对单一预测模型具有更高的精度,可以推广到其他领域,解决其他类似的问题。(本文来源于《微型电脑应用》期刊2019年11期）
许国艳,朱进,司存友,胡文斌,刘凡[9]（2019）在《基于CNN和MC的水文时间序列预测组合模型》一文中研究指出对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。(本文来源于《计算机与现代化》期刊2019年11期）
刘源,胡雷周[10]（2019）在《基于信息熵的电价组合预测方法研究》一文中研究指出为解决单项电价预测方法的准确性不足、稳定性欠缺的问题,本文根据组合预测原理研究了基于信息熵的电价组合预测方法。基于信息熵理论,采用多准则评价方法对单项电价预测方法进行评价,建立了电价组合预测模型。电价预测实例验证了基于信息熵组合预测方法的可靠性,较单项预测方法提高了预测精度。(本文来源于《中国管理信息化》期刊2019年22期）
组合预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
根据高铁沉降监测和预测特点,提出了一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型,给出了组合高铁沉降预测模型实施步骤。通过某一高铁沉降监测数据,对单一模型和组合模型预测进行分析比较,结果表明,采用变系数组合模型求出的预测值精度更高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
组合预测论文参考文献
[1].耿立校,张永杰.基于ARIMA-GRNN组合模型的汽车零部件需求预测研究[J].物流科技.2019
[2].李广源,花向红,韩浩然,续东.一种变系数的ARIMA和GM(1,1)组合高铁沉降预测模型[J].测绘地理信息.2019
[3].郑洋洋,白艳萍,续婷.基于SARIMA-SVR组合模型的空气质量指数预测[J].河北工业科技.2019
[4].赵征,乔锦涛.基于集合经验模态分解的神经网络短期风速组合预测研究[J].电力科学与工程.2019
[5].陈璐,马惠彪.基于灰色组合预测的沿海围垦区基坑工程深层土体变形研究与控制[J].中国港湾建设.2019
[6].丁勤祥,陶志富,葛璐璐,赵勤.基于L1范数的IOWGA算子的区间组合预测模型[J].统计与决策.2019
[7].张亮,王洪涛,邹斌.基于数据驱动的组合电价预测研究[J].工业控制计算机.2019
[8].赵洋.基于IOWA的在线英语教学学习人数组合预测模型[J].微型电脑应用.2019
[9].许国艳,朱进,司存友,胡文斌,刘凡.基于CNN和MC的水文时间序列预测组合模型[J].计算机与现代化.2019
[10].刘源,胡雷周.基于信息熵的电价组合预测方法研究[J].中国管理信息化.2019
论文知识图
