导读:本文包含了混合预测论文开题报告文献综述、选题提纲参考文献，主要关键词:神经网络,模型,系统,学习机,平均,小波,卷积。
混合预测论文文献综述写法
丁博,王水凡[1]（2019）在《基于混合预测模型的交通标志识别方法》一文中研究指出随着高级驾驶辅助系统(advanced driver assistance systems, ADAS)和无人驾驶技术快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员实现安全驾驶,减少交通事故的发生,将AdaBoost-SVM和卷积神经网络(convolutional neural network, CNN)相结合,构建一个混合预测模型(mixed forecasting model, MFM),通过该模型识别交通标志。将卷积神经网络作为可训练的特征提取器,AdaBoost-SVM作为识别器。采用卷积层和下采样层构建两组隐层结构,将预处理的图像作为CNN模型的输入,利用反向传播算法(backpropagation, BP)对CNN模型进行训练直至收敛,最后将测试集的高维特征提取出来,采用AdaBoost-SVM分类器进行分类识别。实验结果表明,该MFM对交通标志具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,对提高辅助驾驶和无人驾驶的安全性具有重要意义。(本文来源于《哈尔滨理工大学学报》期刊2019年05期）
应张驰,陈淑萍,卢旭航[2]（2019）在《基于多源信息的短期负荷混合预测模型应用研究》一文中研究指出针对单一负荷预测模型在实时预测中的局限性,建立了以ARIMA(自回归移动平均)模型和人工神经网络模型为基础的混合预测模型。除历史负荷数据信息以外,引入气象数据、用户特征、日期信息等多源信息,探究各类特征值选择对预测结果的影响。某市工业用户的实际应用效果表明,综合ARIMA模型对时间序列趋势的拟合能力和人工神经网络对多源信息的捕捉能力后,建立的混合预测模型具有较好的预测效果。(本文来源于《浙江电力》期刊2019年09期）
向荣,房祥彦[3]（2019）在《基于随机非平稳和长短时记忆网络的泊位混合预测》一文中研究指出为了缓解大城市中日益突出的停车困难,现如今中国各大城市级停车诱导系统的研究开发势在必行.在停车诱导系统中,作为帮助用户找到最合适的停车场的重要因素,对未来停车位的预测是一个非常重要的智能技术手段.目前主流预测方法如果没有了实时数据,大部分会出现误差累积现象,从而影响预测准确性.然而,在停车诱导系统平台的建设早期,我们很难做到将城市所有停车场实时的数据流搜集起来.因此,文中以具有周期特性的非平稳停车位历史数据为研究对象,首先根据中心极限定理和大数定理对停车位进行统计分析,然后结合LSTM (Long Short-Term Memory),提出混合预测模型SAL (non-stationary Stochastic And Long short-term memory)来对未来某个时间段的停车位作有效预测.实验数据证明,相比于单独使用LSTM和Lyapunov指数法作长期预测, SAL的计算复杂度更低,预测效果相对更加精确,并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题.(本文来源于《计算机系统应用》期刊2019年08期）
陈颖,何磊,崔行宁,韩帅涛,朱奇光[4]（2019）在《基于紫外光谱的水体硝酸盐浓度混合预测模型研究》一文中研究指出水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁,传统的检测硝酸盐的方法检测时间长且操作复杂。针对水体中硝酸盐氮难以快速在线检测的问题,基于紫外吸收光谱,提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。按照合适的浓度梯度配备了19组硝酸盐氮标准溶液,通过实验测得不同浓度硝酸盐氮样本的光谱数据。首先基于双波长法对所有样本进行回归分析,按照A=A_(220)-2A_(275)计算不同实验样本的吸光度A,其中A_(220)和A_(275)是220和275 nm处样本的吸光度,将吸光度A与样本浓度值进行线性回归,拟合出样本浓度的预测值。结果显示当样本浓度较小时,相关性很好,r为0.997 4,随着实验样本浓度的上升,曲线发生严重的非线性漂移,因此双波长法只适合低浓度样本预测模型的建立。对于高浓度样本,光谱重迭严重,适合建立非线性的预测模型,支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模, LS-SVM预测精度稍高,运算速度稍快。通过对所有的实验样本进行全波长光谱积分,比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值, 4 mg·L~(-1)的硝酸盐样本积分值前后变化率最大,因此选择4 mg·L~(-1)作为临界浓度值较为合适。浓度高于4 mg·L~(-1)的实验样本建立LS-SVM预测模型,通过交叉验证的方法选择出合适的参数,正则化参数γ=50,核函数选择高斯核,核函数宽度σ~2=0.36,训练样本之后进行回归;其余样本建立双波长法预测模型,最后进行两种模型的数据融合,形成从低浓度到高浓度的水体中硝酸盐浓度的检测。为了验证混合预测模型的预测精度,另外建立了SVM, LS-SVM,偏最小二乘(PLS)等模型,并求出r,预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。验证结果表明,相比于SVM, LS-SVM和PLS等模型,提出的混合模型回归的相关系数为0.999 86,分别提高了1.8%, 1.6%和0.45%,预测值与真实浓度的平均绝对误差为2.55%,分别降低了6.27%, 4.49%和1.01%,均方根误差为0.303,为四种预测模型中最小, SVM与LS-SVM的相对误差相对较高, PLS模型相对误差上下波动比较大,混合预测模型相对误差最为稳定,并保持在较低水平,由此可见混合预测模型的预测效果明显优于其他几种模型。并与文献[5—7]中的测量方法进行对比,该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度,且不需要试剂,无二次污染,与文献[9]中的预测模型相比,预测精度明显提高。因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度,可为在线监测水体中硝酸盐浓度提供有效的技术参考。(本文来源于《光谱学与光谱分析》期刊2019年05期）
李敏[5]（2019）在《基于聚类的风速混合预测模型》一文中研究指出随着传统能源的耗竭以及使用传统能源对环境造成的污染,可再生资源的开发利用日益受到许多国家的关注。风能作为一种干净、安全的可再生能源,其利用主要以风力发电为主。风力发电首先不会对环境造成污染,不会对生态造成破坏,还可以解决传统能源稀缺地区和交通不便的地区的电力短缺问题,这对于推动社会发展和人类可持续发展具有重要的意义。但是风速具有比较大的随机性和波动性,并且受到天气因素的影响,对风力发电的稳定性造成了一定的困难,所以为了保证风电网的稳定运行,风速的精确预测尤为重要。风速预测有利于制定风电场中风电机组的开停计划,有利于电力调度部门及时调整电力调度计划以维护电网的安全稳定性以及提高经济与社会效益。为了提高风速预测的精度,本文在现有的机器学习算法的基础上提出了一种基于聚类的风速混合预测算法用于风速的多步超前预测,该模型基于历史风速时间序列和气象数据,结合了奇异谱分析、K-均值聚类、极限学习机、径向基网络、脊波网络、回声状态网络以及社会认知优化算法和方差倒数法。该方法首先利用奇异谱分析对原始的历史风速时间序列通过分解和重构进行降噪处理,并利用灰色关联性分析选择与风速时间序列相关性大的气象特征,将选择的气象特征作为K-均值聚类的特征对风速时间序列聚类得到不同的簇数据,其次对降噪后的风速数据进行训练以分别确定单个神经网络的最佳输入滞后,并且确定每一个簇的最佳簇组合模型,并利用社会智能优化算法结合方差倒数法优化权值,最后计算测试数据集中样本所属簇,利用训练好的簇组合模型进行风速时间序列预测,得到最终的预测结果。为了评估本文提出模型的预测性能,本文选取美国国家风电技术中心M2塔的数据进行多步超前训练预测,实验结果表明本文提出的基于聚类的混合预测模型可以提高风速的预测精度。(本文来源于《兰州大学》期刊2019-04-01）
李宜伦[6]（2019）在《基于混合预测的光伏功率预测方案设计与研究》一文中研究指出光伏发电技术因其清洁、高效、安全等特点受到了广泛的关注,光伏电站被大量建立。但是由于光伏发电受环境因素影响较大,其表现的间断性、不稳定性和波动性给系统调试、电网规划带来了不利影响,因此光伏功率预测系统的模型的建立和开发具有重要意义。目前涉及预测系统的研究主要集中在预测模型的搭建上,缺乏预测系统的整体方案设计,诸多问题有待进一步完善。因此,本文以预测系统的设计为研究重点,进行了混合预测模型的理论研究工作,并对预测系统软件功能和界面进行了设计。主要工作如下:(1)受到环境、天气等多方面影响,采集后的功率序列中包含大量噪音,从而影响预测模型的精度。为了进一步从大量功率数据中得到更加精确的使用价值,本文使用小波变换对功率输入序列进行降噪处理,并通过仿真验证了可靠性。同时对气象信号和功率序列信号进行了相关性分析。(2)本文提出了一种基于SE-IPSO-LSSVM-迭代误差修正的混合预测方法。首先采用样本熵理论将天气类型量化,将量化后数值作为特征向量的输入参与预测;然后对粒子全算法的权值和学习因子进行改进,并加入遗传、变异思想,粒子群算法整体加入模拟退火算法的概率判断准则,减少了迭代次数、提高搜索速度、避免陷入局部最优值,使用改进粒子群算法对最小二乘支持向量机的主要参数优化;最后使用最小二乘支持向量机分别对功率值和误差值进行预测,将误差补偿后的功率值作为最终的预测结果。(3)以某分布式光伏电站的实测数据为例,基于Matlab建立预测模型预测未来1min的光伏发电功率。同时,分别建立相似日-LSSVM、SE-LSSVM、相似日-IPSO-LSSVM叁种预测模型对测试样本进行对比测试,经过仿真分析,得到与传统方法相比,该方法在光伏功率预测中的优越性。最后,分别采用均方根误差和平均相对误差对模型进行评估,验证该模型具有很好的普适性。(4)对光伏预测系统软件的功能进行设计,同时使用VB对软件界面进行了设计。(本文来源于《沈阳工程学院》期刊2019-01-20）
盛秀梅,张仲荣[7]（2018）在《基于ARIMA误差修正的混合预测方法》一文中研究指出由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。(本文来源于《洛阳理工学院学报(自然科学版)》期刊2018年04期）
原文军[8]（2018）在《基于数据特征的铁路客流量混合预测模型研究》一文中研究指出铁路运输作为远距离运输市场的主体之一,在提高人流物流运输速度和推动国家经济发展中起着极为重要的作用。铁路乘客流量是对整个铁路客运需求水平和波动情况进行刻画和描述的重要形式。预测分析铁路乘客流量,从乘客个人来讲,有助于乘客合理安排出行计划和购票时间,避免因时间安排不当,影响出行。从铁路客运部门来讲,为铁路部门的投资结构、经营管理和列车调度决策提供依据,从而合理安排车次、车厢数量,避免出现资源的浪费和乘客一票难求等局面,从国家层面讲,对国家的经济发展格局和资源配置有重要作用。因此,在国家交通事业大发展的背景下,由于铁路客流量预测的巨大经济效益和社会价值,很多科研工作者和研究人员越来越重视对铁路客流量的预测。在铁路客运量预测分析中,时间序列模型在铁路客运量预测中已经被广泛采用,也是目前主流的预测方法。然而,现有的铁路客流量时间序列预测方法往往是基于单一模型或者单一模型的简单扩展,虽然有采用两种模型的复合,也是简单的混合,没有考虑数据的特征而产生“模型设计偏差”。在铁路客流量预测过程中不能抓取客流数据的各种特征,导致预测结果不够准确,因此为了满足铁路客流预测准确性的需求,充分抓取铁路客流数据特征,本文在分析铁路客流量数据的基础上提出了一种新的混合预测分析方法。主要研究工作如下:首先,针对铁路客流量数据所具有的特征进行分析和探索研究,分别采用自回归积分移动平均模型(Autoregressive Integrated Moving Average Mode,简称ARIMA模型)、极限学习机模型(Extreme Learning Machine Model,简称ELM模型)、神经网络模型和季节模型等来分别分析铁路客流量数据所具有的特征。它们在传统时间序列模型预测中被广泛用于线性、非线性和季节性特征数据预测。本文开始采用自回归移动平均模型、极限学习机和季节模型逐一对铁路客流量进行了预测,对实验结果进行深入分析,结果表明:铁路客流量具有线性、非线性和季节特征。面对随机特征明显、复杂不稳定的铁路客流量时间序列,单一模型很难实现对其准确预测,充分挖掘铁路客流数据特征,通过构建混合模型改进算法,对铁路客流量进行预测,有助于提高铁路客流量时间序列预测质量和水平,这也是当前时间序列预测的发展趋势。其次,铁路客流时间序列容易受到多种因素的影响,它们随机性强并且复杂不稳定,同时节假日对铁路客流量的影响也不容忽视。想要分析出铁路客流量的时间序列的特点,就需要利用好非线性模型和线性模型各自的特长,同时把铁路客流量时间序列看作是由高频随机分量和低频趋势分量复合而成的,并且小波分解技术能够把这种复合数据序列的高低频分量提取出来。由此,本文提出了基于小波分解的极限学习机和自回归移动平均的铁路客流量预测模型,该预测方法通过小波分解把铁路客流量数据序列分解为高频随机分量和低频趋势分量,然后用ELM模型对高频序列进行预测来获取铁路客流量中的非线性规律,用ARIMA模型对铁路客流量中低频序列进行预测来获取线性规律,再将高频序列预测值和低频序列预测值进行合成来得到铁路客流量预测值的合成结果。在预测时,铁路客流的高频随机序列通过非线性的ELM模型预测,低频趋势序列采用线性的ARIMA模型预测,两种模型都应用在其专长的方向上,所以理论上本模型在铁路客流量数据序列的预测效果上应该会有所提高,这里简称该混合模型为WAADE。通过这一混合模型对铁路客流量月度数据预测,分析实验结果得出:混合模型预测结果平均相对百分比误差比单一预测模型的结果有所降低。相对最近王炜炜等在高速铁路影响下客流量预测研究中用于对比的BP神经网络。模型预测精度上有一定的提高,同时与最近马佳羽等提出的复杂季节时间序列模型研究相比也提高了预测结果的准确性。最后,铁路客流量月度时间序列数据具有明显的季节特征,上述混合模型没有考虑到铁路客流量的季节特征,预测结果也还不够理想,准确性还可以再上一个档次。基于抓取铁路客流季节特征的考虑,本文在小波分解的极限学习机和自回归移动平均混合模型的基础上进一步扩展研究,采用熵值法对WAADE和季节模型预测结果进行处理,得到这两种预测结果的权重,再使用加权平均法合成铁路客流量最后预测数据。预测数据显示,铁路客流量数据通过基于多特征融合模型的预测处理,可以得到更好的预测效果。由此得出,基于多特征融合的铁路客流量预测模型和方法在促进和提高铁路客流数据预测效果的研究中,既有一定的理论意义,也具有潜在的推广应用前景和市场经济价值。(本文来源于《广西师范大学》期刊2018-12-01）
唐立力,陈国彬,刘超,牛培峰[9]（2018）在《基于反馈快速学习网的热力系统混合预测模型》一文中研究指出针对汽轮机机组功率难以精确计算的问题,提出一种热力系统混合预测模型以改善机组功率的计算精度。混合预测模型以热平衡方程为基本模型,以反馈快速学习网(feedback FLN,B-FLN)为补偿模型,将B-FLN的功率预测值作为热平衡方程功率计算值的补偿值。以某300 MW机组为研究对象,采用提出的混合预测模型对机组的功率进行预测,将其结果与热平衡方程计算值进行比较。仿真结果表明:混合模型输出功率误差小于±2 MW,降低了热平衡方程计算误差,为机组功率的可靠计算提供了一种新的解决思路。(本文来源于《热能动力工程》期刊2018年11期）
孙晓磊,邹永久,张鹏,张跃文[10]（2018）在《基于混合预测模型的船舶海水冷却系统状态参数预测》一文中研究指出为了提高船舶海水冷却系统状态参数的预测精度,提出了自回归滑动平均线性子模型和BP神经网络非线性子模型相结合的海水冷却系统状态参数混合预测模型。介绍混合预测模型的建模过程以及预测流程,选取"育鲲轮"海水冷却系统5天状态参数作为训练样本输入到混合预测模型,对第6天状态参数进行预测,将混合预测模型的预测值分别与自回归滑动平均预测模型预测值、实际观测值对比并运用平均绝对百分比误差法进行验证,结果表明搭建的混合预测模型可以提高海水冷却系统状态参数的预测精度,具有良好的预测能力。(本文来源于《舰船科学技术》期刊2018年15期）
混合预测论文开题报告范文
（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：
针对单一负荷预测模型在实时预测中的局限性,建立了以ARIMA(自回归移动平均)模型和人工神经网络模型为基础的混合预测模型。除历史负荷数据信息以外,引入气象数据、用户特征、日期信息等多源信息,探究各类特征值选择对预测结果的影响。某市工业用户的实际应用效果表明,综合ARIMA模型对时间序列趋势的拟合能力和人工神经网络对多源信息的捕捉能力后,建立的混合预测模型具有较好的预测效果。
（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。
混合预测论文参考文献
[1].丁博,王水凡.基于混合预测模型的交通标志识别方法[J].哈尔滨理工大学学报.2019
[2].应张驰,陈淑萍,卢旭航.基于多源信息的短期负荷混合预测模型应用研究[J].浙江电力.2019
[3].向荣,房祥彦.基于随机非平稳和长短时记忆网络的泊位混合预测[J].计算机系统应用.2019
[4].陈颖,何磊,崔行宁,韩帅涛,朱奇光.基于紫外光谱的水体硝酸盐浓度混合预测模型研究[J].光谱学与光谱分析.2019
[5].李敏.基于聚类的风速混合预测模型[D].兰州大学.2019
[6].李宜伦.基于混合预测的光伏功率预测方案设计与研究[D].沈阳工程学院.2019
[7].盛秀梅,张仲荣.基于ARIMA误差修正的混合预测方法[J].洛阳理工学院学报(自然科学版).2018
[8].原文军.基于数据特征的铁路客流量混合预测模型研究[D].广西师范大学.2018
[9].唐立力,陈国彬,刘超,牛培峰.基于反馈快速学习网的热力系统混合预测模型[J].热能动力工程.2018
[10].孙晓磊,邹永久,张鹏,张跃文.基于混合预测模型的船舶海水冷却系统状态参数预测[J].舰船科学技术.2018