本文關(guān)鍵詞：參數(shù)優(yōu)化法和殘差修正法在預(yù)測(cè)模型優(yōu)化中的應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：預(yù)測(cè)的目的是為決策者制定決策提供所必須的未來信息。由于其在決策中的重要性,越來越受到人們的重視。但是,如何才能從復(fù)雜多變的隨機(jī)系統(tǒng)中找出其運(yùn)動(dòng)、變化的規(guī)律,預(yù)測(cè)系統(tǒng)未來的發(fā)展?fàn)顩r呢?為此,人們提出了各種預(yù)測(cè)模型對(duì)不同的系統(tǒng)進(jìn)行預(yù)測(cè)分析。但是,任何一種模型都不是萬能的,都存在缺陷和誤差,并且傳統(tǒng)的模型往往最初是為解決某一種特殊系統(tǒng)的分析和預(yù)測(cè)問題而建立的,所以有一定的局限性。在實(shí)際的應(yīng)用中,簡(jiǎn)單、有效和高精度的預(yù)測(cè)模型是人們所希望的。為了提高未知信息預(yù)測(cè)的可靠性與準(zhǔn)確性,必須深入研究預(yù)測(cè)模型,不斷的改進(jìn)和完善傳統(tǒng)的方法,提高模型的預(yù)測(cè)能力。 模型的優(yōu)化方法就是基于人們對(duì)模型預(yù)測(cè)能力的更高要求而形成的。各種模型優(yōu)化算法和優(yōu)化技術(shù)的出現(xiàn),為傳統(tǒng)模型注入了新的活力。通過將這些優(yōu)化方法引入傳統(tǒng)模型,可以有效的提高模型的預(yù)測(cè)精度。 粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)是一種智能化的模型優(yōu)化方法。由于其結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)的特點(diǎn),目前已經(jīng)被廣泛應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模式識(shí)別、信號(hào)處理等各個(gè)領(lǐng)域。它能夠有效的解決非線性連續(xù)函數(shù)優(yōu)化問題、組合優(yōu)化問題和混合整數(shù)非線性優(yōu)化問題等。利用PSO算法來搜索方程的最優(yōu)解也是PSO算法的一個(gè)重要應(yīng)用。因此,可將PSO可用于解決模型參數(shù)的最優(yōu)化問題,通過優(yōu)化模型的參數(shù)來提高模型的預(yù)測(cè)能力。 預(yù)測(cè)的過程中的誤差總是存在的。所以,使用適當(dāng)?shù)念A(yù)測(cè)模型來模擬殘差序列,然后將殘差序列的預(yù)測(cè)值加到原模型的預(yù)測(cè)值上就可以減小預(yù)測(cè)誤差。由于誤差的大小直接關(guān)系到模型的優(yōu)劣,同時(shí)誤差也是模型優(yōu)劣的評(píng)判標(biāo)準(zhǔn),因此,通過矯正誤差來提高原模型的預(yù)測(cè)精度更優(yōu)不失為一種直接有效的模型優(yōu)化方法。 本文在研究模型優(yōu)化方法的基礎(chǔ)上,本文主要應(yīng)用參數(shù)優(yōu)化的方法和殘差修正的方法來改進(jìn)和優(yōu)化具體的預(yù)測(cè)模型。首先,將粒子群優(yōu)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)的優(yōu)化中,并將其應(yīng)用于中國糧食產(chǎn)量的預(yù)測(cè)。其次,提出了基于殘差修正的季節(jié)ARIMA模型,將殘差修正法用于高精度模型的優(yōu)化,并以實(shí)例說明了該方法對(duì)于季節(jié)ARIMA模型的優(yōu)化和改進(jìn)是有效的。
【關(guān)鍵詞】：預(yù)測(cè)模型 優(yōu)化技術(shù) PSO 殘差修正模型 灰色派生模型 季節(jié)ARIMA
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：C934
【目錄】：

• 中文摘要3-4
• Abstract4-8
• 第一章 前言8-15
• 1.1 預(yù)測(cè)的目的及意義8-9
• 1.2 預(yù)測(cè)模型的建立9-10
• 1.3 預(yù)測(cè)模型的優(yōu)化方法概述10-14
• 1.4 本文的研究?jī)?nèi)容14-15
• 第二章 粒子群優(yōu)化算法在灰色派生模型參數(shù)優(yōu)化中的應(yīng)用——以中國糧食產(chǎn)量預(yù)測(cè)為例15-31
• 2.1 灰色理論介紹15-16
• 2.2 GIM(1)模型、GLPM(1)模型和GPPM(1)模型介紹16-19
• 2.2.1 灰色模型的基本定義16
• 2.2.2 GIM(1)模型16-17
• 2.2.3 GLPM(1)模型17-18
• 2.2.4 GPPM(1)模型18-19
• 2.3 PSO在GIM(1)模型、GLPM(1)模型和GPPM(1)模型參數(shù)優(yōu)化中的應(yīng)用19-22
• 2.3.1 粒子群優(yōu)化算法(PSO)簡(jiǎn)介19-21
• 2.3.2 基于PSO的參數(shù)優(yōu)化21-22
• 2.4 基于PSO優(yōu)化的灰色派生模型在中國糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用22-31
• 2.4.1 糧食產(chǎn)量預(yù)測(cè)的背景及研究現(xiàn)狀22-24
• 2.4.2 實(shí)驗(yàn)數(shù)據(jù)分析24-27
• 2.4.3 案例結(jié)果分析27-28
• 2.4.4 方差分析28-31
• 第三章 殘差修正法在季節(jié)ARIMA模型優(yōu)化中的應(yīng)用——以中國西北電網(wǎng)電力需求預(yù)測(cè)為例31-44
• 3.1 季節(jié)ARIMA模型31-34
• 3.1.1 季節(jié)ARIMA模型概述31-32
• 3.1.2 知識(shí)準(zhǔn)備——ARIMA模型介紹32-33
• 3.1.3 季節(jié)ARIMA模型33-34
• 3.2 殘差修正法在季節(jié)ARIMA模型優(yōu)化中的應(yīng)用34-37
• 3.2.1 基于PSO優(yōu)化算法的傅里葉殘差修正法34-36
• 3.2.2 季節(jié)ARIMA殘差修正法36-37
• 3.2.3 結(jié)合PSO優(yōu)化的傅里葉方法和S-ARIMA模型的殘差修正模型37
• 3.3 殘差修正法優(yōu)化的季節(jié)ARIMA模型在需求預(yù)測(cè)中的應(yīng)用——以中國西北電網(wǎng)為例37-44
• 第四章 結(jié)論與展望44-46
• 參考文獻(xiàn)46-49
• 在學(xué)期間研究成果49-50
• 致謝50

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡海琴;蔣傳文;蔡宏欣;;中長(zhǎng)期負(fù)荷預(yù)測(cè)的傅里葉級(jí)數(shù)殘差修正模型[J];安徽電力;2010年02期

2 光輝;李國芬;;基于神經(jīng)網(wǎng)絡(luò)的GM(1,1)預(yù)測(cè)模型殘差修正研究[J];城市勘測(cè);2008年01期

3 喻海飛;汪定偉;;食物鏈算法及其參數(shù)分析[J];東北大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年07期

4 蔣騰旭;;智能優(yōu)化算法概述[J];電腦知識(shí)與技術(shù)(學(xué)術(shù)交流);2007年08期

5 曹國震;郭雷;;蟻群優(yōu)化算法應(yīng)用研究[J];電腦知識(shí)與技術(shù);2011年02期

6 楊維,李歧強(qiáng);粒子群優(yōu)化算法綜述[J];中國工程科學(xué);2004年05期

7 單明;周步祥;;基于ANN和殘差修正的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J];信息技術(shù);2006年06期

8 向昌盛;周子英;武麗娜;;糧食產(chǎn)量預(yù)測(cè)的支持向量機(jī)模型研究[J];湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);2010年01期

9 崔長(zhǎng)彩;李兵;張認(rèn)成;;粒子群優(yōu)化算法[J];華僑大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

10 周雅蘭;;細(xì)菌覓食優(yōu)化算法的研究與應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年20期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 高睿;人工生命算法及其應(yīng)用研究[D];廣西大學(xué);2006年

  本文關(guān)鍵詞：參數(shù)優(yōu)化法和殘差修正法在預(yù)測(cè)模型優(yōu)化中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：341608