参数优化法和残差修正法在预测模型优化中的应用

参数优化法和残差修正法在预测模型优化中的应用

论文摘要

预测的目的是为决策者制定决策提供所必须的未来信息。由于其在决策中的重要性,越来越受到人们的重视。但是,如何才能从复杂多变的随机系统中找出其运动、变化的规律,预测系统未来的发展状况呢?为此,人们提出了各种预测模型对不同的系统进行预测分析。但是,任何一种模型都不是万能的,都存在缺陷和误差,并且传统的模型往往最初是为解决某一种特殊系统的分析和预测问题而建立的,所以有一定的局限性。在实际的应用中,简单、有效和高精度的预测模型是人们所希望的。为了提高未知信息预测的可靠性与准确性,必须深入研究预测模型,不断的改进和完善传统的方法,提高模型的预测能力。模型的优化方法就是基于人们对模型预测能力的更高要求而形成的。各种模型优化算法和优化技术的出现,为传统模型注入了新的活力。通过将这些优化方法引入传统模型,可以有效的提高模型的预测精度。粒子群优化算法(Particle Swarm Optimization, PSO)是一种智能化的模型优化方法。由于其结构简单、易于实现的特点,目前已经被广泛应用于函数优化、神经网络训练、模式识别、信号处理等各个领域。它能够有效的解决非线性连续函数优化问题、组合优化问题和混合整数非线性优化问题等。利用PSO算法来搜索方程的最优解也是PSO算法的一个重要应用。因此,可将PSO可用于解决模型参数的最优化问题,通过优化模型的参数来提高模型的预测能力。预测的过程中的误差总是存在的。所以,使用适当的预测模型来模拟残差序列,然后将残差序列的预测值加到原模型的预测值上就可以减小预测误差。由于误差的大小直接关系到模型的优劣,同时误差也是模型优劣的评判标准,因此,通过矫正误差来提高原模型的预测精度更优不失为一种直接有效的模型优化方法。本文在研究模型优化方法的基础上,本文主要应用参数优化的方法和残差修正的方法来改进和优化具体的预测模型。首先,将粒子群优化算法引入到灰色派生模型GIM(1)(grey linear power index model)、GLPM(1)(grey logarithm power model)和GPPM(1)(grey parabola power model)的优化中,并将其应用于中国粮食产量的预测。其次,提出了基于残差修正的季节ARIMA模型,将残差修正法用于高精度模型的优化,并以实例说明了该方法对于季节ARIMA模型的优化和改进是有效的。

论文目录

  • 中文摘要
  • Abstract
  • 第一章 前言
  • 1.1 预测的目的及意义
  • 1.2 预测模型的建立
  • 1.3 预测模型的优化方法概述
  • 1.4 本文的研究内容
  • 第二章 粒子群优化算法在灰色派生模型参数优化中的应用——以中国粮食产量预测为例
  • 2.1 灰色理论介绍
  • 2.2 GIM(1)模型、GLPM(1)模型和GPPM(1)模型介绍
  • 2.2.1 灰色模型的基本定义
  • 2.2.2 GIM(1)模型
  • 2.2.3 GLPM(1)模型
  • 2.2.4 GPPM(1)模型
  • 2.3 PSO在GIM(1)模型、GLPM(1)模型和GPPM(1)模型参数优化中的应用
  • 2.3.1 粒子群优化算法(PSO)简介
  • 2.3.2 基于PSO的参数优化
  • 2.4 基于PSO优化的灰色派生模型在中国粮食产量预测中的应用
  • 2.4.1 粮食产量预测的背景及研究现状
  • 2.4.2 实验数据分析
  • 2.4.3 案例结果分析
  • 2.4.4 方差分析
  • 第三章 残差修正法在季节ARIMA模型优化中的应用——以中国西北电网电力需求预测为例
  • 3.1 季节ARIMA模型
  • 3.1.1 季节ARIMA模型概述
  • 3.1.2 知识准备——ARIMA模型介绍
  • 3.1.3 季节ARIMA模型
  • 3.2 残差修正法在季节ARIMA模型优化中的应用
  • 3.2.1 基于PSO优化算法的傅里叶残差修正法
  • 3.2.2 季节ARIMA残差修正法
  • 3.2.3 结合PSO优化的傅里叶方法和S-ARIMA模型的残差修正模型
  • 3.3 残差修正法优化的季节ARIMA模型在需求预测中的应用——以中国西北电网为例
  • 第四章 结论与展望
  • 参考文献
  • 在学期间研究成果
  • 致谢
  • 相关论文文献

    • [1].基于组合残差修正的预测方法及实证[J]. 统计与决策 2019(18)
    • [2].基于灰色-灰色残差修正的广东旅游业收入预测[J]. 农家参谋 2017(24)
    • [3].物流量预测的灰色残差修正模型[J]. 商场现代化 2011(01)
    • [4].灰色双重残差修正的多芯片组件寿命预测[J]. 电子测量与仪器学报 2020(05)
    • [5].基于震荡残差修正的灰色模型在堆场沉降预测中的应用[J]. 水运管理 2015(06)
    • [6].基于时域特征的故障行波灰色残差修正组合预测算法[J]. 电子设计工程 2020(13)
    • [7].基于小波残差修正的通信故障特征提取仿真[J]. 计算机仿真 2013(01)
    • [8].中长期负荷预测的傅里叶级数残差修正模型[J]. 安徽电力 2010(02)
    • [9].残差修正灰色模型及其在珩磨尺寸预报中的应用[J]. 机械科学与技术 2019(05)
    • [10].残差修正模型在森林火灾预测中的应用[J]. 福建农林大学学报(自然科学版) 2016(05)
    • [11].残差修正之灰色模型应用于财务比率预测[J]. 财政监督 2013(29)
    • [12].马尔可夫残差修正模型的高铁路基变形预测[J]. 测绘科学 2017(07)
    • [13].基于残差修正的GM(1,1)模型的我国人均粮食产量预测[J]. 统计与决策 2011(17)
    • [14].残差修正的GM(1,1)模型在滑坡位移预测中的应用[J]. 地理空间信息 2019(09)
    • [15].基于残差修正GM(1,N)的武汉市住户存款预测[J]. 保定学院学报 2019(01)
    • [16].GM(1,1)模型的残差修正及其在建筑物变形预测中的应用[J]. 测绘标准化 2018(03)
    • [17].基于残差修正的组合模型在港口吞吐量预测中的应用[J]. 物流技术 2012(09)
    • [18].改进GM(1,1)残差修正模型在光伏发电量短期预测中的应用[J]. 北京建筑工程学院学报 2008(04)
    • [19].基于残差修正GM(1,N)的常州市社会消费品零售额预测[J]. 常州工程职业技术学院高职研究 2018(04)
    • [20].基于残差修正GM(1,N)的成都市社会消费品零售额预测[J]. 阿坝师范学院学报 2018(04)
    • [21].基于残差修正的多因素灰色模型的网络舆情预测研究[J]. 情报科学 2017(09)
    • [22].GM(1,1)循环残差修正模型及其应用研究[J]. 承德石油高等专科学校学报 2010(04)
    • [23].滑坡预测预报的Verhulst反函数残差修正模型[J]. 中国铁道科学 2009(04)
    • [24].基于马尔科夫残差修正的灰色系统理论钢桁梁拼装误差调整研究[J]. 山东交通科技 2020(01)
    • [25].改进的MEEMD-ARMA残差修正组合预测模型[J]. 测绘科学 2018(08)
    • [26].GM(1,1)残差修正模型在建筑形变预报中的应用[J]. 城市勘测 2010(03)
    • [27].GM(1,1)残差修正模型在建筑形变预报中的应用[J]. 测绘与空间地理信息 2010(03)
    • [28].基于残差修正GM(1,1)模型的银川市空气质量预测分析[J]. 绿色科技 2019(12)
    • [29].油中溶解气体的灰色模型残差修正融合算法[J]. 电子测量与仪器学报 2018(10)
    • [30].动态残差修正的新陈代谢灰色模型在沉降预测中的应用[J]. 工程勘察 2018(04)

    标签:;  ;  ;  ;  ;  

    参数优化法和残差修正法在预测模型优化中的应用
    下载Doc文档

    猜你喜欢