共查询到20条相似文献,搜索用时 31 毫秒
1.
设计了一个三层BP神经网络模型,结合MATLAB神经网络工具箱,针对一只个股实际数据,进行了该网络模型的训练与仿真,并时股市行情进行了短期预测。通过实验数据,计算出短期的预测值与实际收盘价的均方误差Q=0.027623,这说明此方法是有效和可行的。 相似文献
2.
基于长短期记忆神经网络的短期负荷预测方法 总被引:1,自引:0,他引:1
《黑龙江科技信息》2016,(31)
为了能够挖掘出海量数据中蕴含的有效信息,提高短期负荷预测精度,本文提出了具有深度学习能力的长短期记忆神经网络(Long Short-Term Memory,LSTM)模型进行短期负荷预测,深度学习顺应了大数据的趋势,对海量数据学习、泛化能力强。利用主成分分析方法对样本进行选择,进而建立LSTM预测模型。仿真结果表明,采用LSTM预测模型相对于BP神经网络模型提高了预测精度。 相似文献
3.
针对多种因素对空气质量影响的复杂性、非线性等特点,采用卷积神经网络模型和多元线性回归对某市的空气质量进行短期预测,考虑到历史数据对某时刻空气质量的影响,选择过去一段时间6中污染物浓度作为特征因子,输入并训练模型,优化网络中的各项参数,测试结果表明:这两种方法的预测结果与实际的空气质量指数变化趋势一致,且预测的时间越短,预测效果越好,其中卷积神经网络提取了数据的非线性特征,预测效果好于多元线性回归,更适合用于短期的空气质量预测。 相似文献
4.
微电网系统中发电功率和负荷功率不匹配将会对其稳定性造成不利影响,为了准确预测微电网系统的短期负荷变化趋势,保证微电网可靠安全运行,文章提出了一种基于单变量单时间步长短期记忆神经网络(Long short-term memory,LSTM)的微电网短期负荷预测方法,该方法利用LSTM擅长处理时序性数据的能力,首先使用微电网负荷的历史数据进行模型训练,然后使用前一个采样点的数据去预测下一个时刻的数据.利用上述方法搭建了基于Keras的单变量单时间步长LSTM微电网短期负荷预测模型,使用某地各大区用电量进行负荷预测,实验结果跟实际用电量的平均绝对误差百分比为1.46%,取得了良好的预测精度,验证了该方法的有效性. 相似文献
5.
本文总结归纳了国内外风电光伏功率预测发展现状、预测方法和分类,通过算例对比验证了三种典型功率预测模型-利用ARMA模型、卡尔曼滤波模型和小波神经网络模型分别对某一分布式风光发电区域进行了功率预测。通过对预测结果各项评价指标的综合分析,发现:小波神经网络预测模型的精确度最高,实现了针对小范围分布式光伏、风电的短期和超短期的精确预测。实验运行结果表明:该系统能够较为准确的预测短期和未来4小时超短期的风光发电整体出力,超短期和短期预测的月平均均方根误差达到为7%和9%。满足电网实际运行需要,在分布式发电项目上具备一定的推广和应用价值。 相似文献
6.
本文用ARIMA模型对上海市1978年到2006年GDP数据进行分析,并预测出未来三年的GDP数据。与2007年实际GDP相对照模型预测误差较小,说明ARIMA模型非常适合于短期预测。 相似文献
7.
《内蒙古科技与经济》2021,(15)
为对露天矿山边坡的变形趋势作出了科学的分析与预测,将GM(1,1)灰色模型与Elman神经网络模型结合,选取露天矿山实测位移数据进行了分析,并对两种预测模型方法进行比较。通过预测结果数据得出:两种模型均可对边坡位移进行较精确的预测,灰色GM(1,1)模型较为简洁,Elman神经网络模型预测值相对于灰色GM(1,1)模型预测值更加接近实际监测位移数据相对误差较小。两种预测模型均能基于现有数据对之后的发展规律作出预测,从而为露天矿山企业安全措施的制定提供重要参考依据。 相似文献
8.
根据BP神经网络原理,分析了神经网络数据,计算了神经网络输入与输出的相关系数,利用多维平面映射原理分析了神经网络输入与输出之间的神经元连接权重,对输入与输出数据进行了线性回归分析,并最终确定了神经网络的预测模型。结果表明:混凝土结构锈胀开裂后,混凝土中的钢筋锈蚀量与钢筋直径的相关性最高,与混凝土结构锈胀裂缝宽度的相关性最低。较之其他计算方法,神经网络模型预测的钢筋截面损失率与实测值误差较小,误差精度可以满足实际工程需要。 相似文献
9.
10.
基于小波网络的电力系统短期负荷预报研究 总被引:7,自引:0,他引:7
本文结合小波和神经网络方法进行电力系统短期负荷预测的通用模型和方法的研究,建立了负荷预报的小波网络模型,确定了有效的算法求解小波函数线性组合的尺度和时延参数以及神经网络的权值。 相似文献
11.
本文基于多层前馈神经网络误差反传(BP)模型的电力系统短期负荷预测的方法。根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势,又包含天气变化对系统负荷的影响的日负荷模型,以此作为对BP神经网络进行训练的向量样本集。实例表明ANN应用于电力系统短期负荷预测是可行的,其预报结果比传统的负荷预测方法更准确。 相似文献
13.
利用径向基神经网络,对国内外近年来专利申请数量进行了预测。预测结果同用时间序列ARMA模型预测的结果进行了比较。预测结果表明:良好训练的径向基神经网络的输出数据能与实际专利申请数较好地吻合,而且比ARMA预测方法更为有效,可作为专利预测的一种新手段。 相似文献
14.
随着GNSS-R技术在海洋遥感领域的发展,已经积累了海量的GNSS-R数据。针对基于时延-多普勒相关功率图(DDM)实测波形与经验模型反演风速复杂性高、计算量大和精度低的问题,采用两种神经网络方法,基于NASA CYGNSS的DDM数据,分析了DDM与海洋表面风速的关系,首先引入卷积神经网络建立风速等级分类模型对海洋表面风速进行分类反演,但效果不理想。为获取精度更高的反演风速,对DDM进行特征提取,改用BP神经网络完成了风速反演。反演风速与实际风速的皮尔逊相关系数为0.958、均方根误差为1.86 m/s、平均相对误差为2.66%,证明了基于DDM使用神经网络反演风速的可行性和有效性。 相似文献
15.
在小微企业的成长性评价中引入BP神经网络模型进行量化评价研究。通过建立评价指标体系、对应数据的学习训练,调整模型结构,建立了基于BP神经网络的小微企业成长性评价动态模型,并进行了实证分析。该模型解决了传统评价中权重确定不客观、定量分析不足、评价效率低下等缺陷,具有较好的实际应用效果。 相似文献
16.
分别用BP神经网络和支持向量机(SVM)两种方法建立相应的网络模型对多光谱辐射测温的测量数据进行处理以得到真实温度。用合适的训练样本分别对两种方法建立的模型进行训练,收敛之后用验证样本测试其精度。结果表明用支持向量机处理多光谱辐射测温数据是可以满足实际要求的,与BP神经网络相比精度更高,而且由于支持向量机对训练样本需求较小,进一步增加了工程可行性。 相似文献
17.
精确高效的短期电力负荷预测在现代化电网建设和资源分配上具有重要的作用和研究意义.随着水电、风电等新能源逐渐接入,电网中数据维度飞速增长,面对具有海量特征的高维数据,短期电力负荷预测技术面临着重大的挑战.传统的短期电力负荷预测技术仅关注了某些特定的特征,因此很难对电力负荷数据在时间维度进行建模;基于循环神经网路的方法虽然能够关注数据中的历史信息,但是因为数据维度过高,导致重要信息丢失、模型无法收敛.为了解决这一问题,提出了一种基于注意力机制的长短期记忆模型(Attention-LSTM),算法使用卷积神经网络从电网高维数据中提取特征,然后使用LSTM对特征进行时序建模;同时引入Attention机制来对历史信息进行加权,减少重要历史信息的丢失.算法在中国东南某地区电力负荷数据上进行测试,预测精度明显优于目前常用的方法. 相似文献
18.
采用BP神经网络和灰色模型的组合对我国未来几年的人均净用电量进行预测。通过实际数据与预测结果的比较,具有较高的精度,证明了组合模型和方法的可行性。最后对我国2008~2011年的人均净用电量做了发展预测。 相似文献
19.
针对燃煤发电机组的重要执行机构阀门,通过深度神经网络算法对机组大量运行数据进行学习,构建重要执行机构阀门在全负荷工况下的精准数学模型,以深度神经网络模型预测值和皮尔逊相关系数判别为依据,实现重要执行机构阀门的故障诊断和早期预警。结果表明,基于大数据,学习和深度神经网络算法的数学模型有效地实现了对执行机构阀门的故障诊断和提前预警,指导运行人员进行提前干预和检修,减少机组的故障率。执行机构阀门故障预警的深度神经网络模型以执行机构阀门前的相关DCS参数、系统主要运行参数作为模型的输入变量;以执行机构阀门之后的参数作为输出量。选择机组在不同负荷工况下,执行机构阀门系统从打开到关闭的完整时间段内的大量数据,作为深度神经网络模型的训练数据。该方法具有较强的通用性,可以方便地平行移植至火电机组的其他重要辅机设备中。皮尔逊相关系数能反映数据变化的趋势信息,能判断两个向量或者两个数组相似度。以皮尔逊相关系数作为深度神经网络模型预测输出值与系统实际输出偏差距离的判据,可以很好地解决系统发生偏离后的预警问题,有效地提高模型预测的精度。 相似文献
20.
本文利用自主滤波与神经网络相结合的方法,对非线性贝叶斯动态模型进行了简单的探讨,从而给模型的短期预测以自适应,自纠正的智能化功能,为非线性贝叶斯动态系统的预测提供了一条可行的途径. 相似文献