导读:本文包含了组合模型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,区间,在线,卷积,土路。
组合模型预测论文文献综述
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）
丁勤祥,陶志富,葛璐璐,赵勤[4]（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）
赵洋[5]（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[6]（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）
王志刚,袁宏俊[7]（2019）在《基于机器学习方法的区间组合预测模型优化》一文中研究指出随着数据量的不断增多,对于预测精度的要求也越来越高。引入了机器学习中的损失函数和梯度下降算法,与传统的线性规划求解组合系数方法相比,简化了计算步骤,在保证精度的同时也提升了算法对大量数据的处理能力。最后通过实例表明,基于机器学习方法的区间组合预测模型能够有效地提升预测精度。(本文来源于《齐齐哈尔大学学报(自然科学版)》期刊2019年06期）
沙爱敏,吕凡任,尹继明,王晓东[8]（2019）在《基于变权重组合预测模型的软土路基沉降预测研究》一文中研究指出为建立更加符合软土路基沉降的预测模型与方法,以某公路工程实测沉降数据为研究对象,对软土路基沉降规律进行分析基础上,分别建立Logistic模型,双曲线模型,Gompertz模型,乘幂模型和对数模型5种预测模型.将5种单项模型预测值与实测值进行对比分析,得到3种优势模型.以组合预测模型理论为依据,赋予3种优势模型不同权重系数建立变权重组合预测模型.结果表明,模型预测值与实测值拟合程度更好,预测精度和可靠性都显着高于单项预测模型,具有明显的优越性.模型能准确地预测长期沉降,更适合于作为公路软土路基沉降预测模型.(本文来源于《数学的实践与认识》期刊2019年21期）
陈佳珊,张丹[9]（2019）在《基于SARIMA组合模型的农产品生产价格指数的短期预测》一文中研究指出为提高农产品市场价格的可预见性,本文以农产品生产价格指数为研究对象,首先运用SARIMA拟合序列的线性部分,然后分别采用BP网络、LSSVM提取非线性信息,从而构造组合模型SARIMA-BP与SARIMA-LSSVM。通过评价指标RMSE和MAPE的对比发现组合模型较单项模型具有更强的稳健性和更高的预测精度,其中SARIMA-LSSVM的预测效果最理想,故基于该模型预测未来5个季度的指数,并得出结论:该指数的波动范围有减小的微弱趋势,但总体波动较大,未来较短一段时间内该市场可能存在较大风险,国家应采取相应的应对举措。(本文来源于《时代金融》期刊2019年30期）
何珂,杨顺新,郜勇刚[10]（2019）在《基于PCA-RF组合模型的隧道交通事故持续时间预测》一文中研究指出使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测。主成分分析用来提高随机森林模型的精度与效率。此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合。参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差。用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2 115起事故数据。每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等。结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果。并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度。且PCA能够降低数据维度,提高算法的效率。与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高。(本文来源于《交通信息与安全》期刊2019年05期）
组合模型预测论文开题报告
（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。
组合模型预测论文参考文献
[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].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
[5].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
[6].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
[7].王志刚,袁宏俊.基于机器学习方法的区间组合预测模型优化[J].齐齐哈尔大学学报(自然科学版).2019
[8].沙爱敏,吕凡任,尹继明,王晓东.基于变权重组合预测模型的软土路基沉降预测研究[J].数学的实践与认识.2019
[9].陈佳珊,张丹.基于SARIMA组合模型的农产品生产价格指数的短期预测[J].时代金融.2019
[10].何珂,杨顺新,郜勇刚.基于PCA-RF组合模型的隧道交通事故持续时间预测[J].交通信息与安全.2019
论文知识图
