参数优化法和残差修正法在预测模型优化中的应用

发布时间：2017-05-02 20:11

  本文关键词：参数优化法和残差修正法在预测模型优化中的应用，由笔耕文化传播整理发布。

【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。
【关键词】：预测模型 优化技术 PSO 残差修正模型 灰色派生模型 季节ARIMA
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：C934
【目录】：

• 中文摘要3-4
• Abstract4-8
• 第一章 前言8-15
• 1.1 预测的目的及意义8-9
• 1.2 预测模型的建立9-10
• 1.3 预测模型的优化方法概述10-14
• 1.4 本文的研究内容14-15
• 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15-31
• 2.1 灰色理论介绍15-16
• 2.2 GIM(1)模型、GLPM(1)模型和GPPM(1)模型介绍16-19
• 2.2.1 灰色模型的基本定义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)模型参数优化中的应用19-22
• 2.3.1 粒子群优化算法(PSO)简介19-21
• 2.3.2 基于PSO的参数优化21-22
• 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22-31
• 2.4.1 粮食产量预测的背景及研究现状22-24
• 2.4.2 实验数据分析24-27
• 2.4.3 案例结果分析27-28
• 2.4.4 方差分析28-31
• 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31-44
• 3.1 季节ARIMA模型31-34
• 3.1.1 季节ARIMA模型概述31-32
• 3.1.2 知识准备——ARIMA模型介绍32-33
• 3.1.3 季节ARIMA模型33-34
• 3.2 残差修正法在季节ARIMA模型优化中的应用34-37
• 3.2.1 基于PSO优化算法的傅里叶残差修正法34-36
• 3.2.2 季节ARIMA残差修正法36-37
• 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37
• 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37-44
• 第四章 结论与展望44-46
• 参考文献46-49
• 在学期间研究成果49-50
• 致谢50

【参考文献】

中国期刊全文数据库 前10条

1 胡海琴;蒋传文;蔡宏欣;;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年02期

2 光辉;李国芬;;基于神经网络的GM(1,1)预测模型残差修正研究[J];城市勘测;2008年01期

3 喻海飞;汪定伟;;食物链算法及其参数分析[J];东北大学学报(自然科学版);2007年07期

4 蒋腾旭;;智能优化算法概述[J];电脑知识与技术(学术交流);2007年08期

5 曹国震;郭雷;;蚁群优化算法应用研究[J];电脑知识与技术;2011年02期

6 杨维,李歧强;粒子群优化算法综述[J];中国工程科学;2004年05期

7 单明;周步祥;;基于ANN和残差修正的电力系统短期负荷预测[J];信息技术;2006年06期

8 向昌盛;周子英;武丽娜;;粮食产量预测的支持向量机模型研究[J];湖南农业大学学报(社会科学版);2010年01期

9 崔长彩;李兵;张认成;;粒子群优化算法[J];华侨大学学报(自然科学版);2006年04期

10 周雅兰;;细菌觅食优化算法的研究与应用[J];计算机工程与应用;2010年20期

中国硕士学位论文全文数据库 前1条

1 高睿;人工生命算法及其应用研究[D];广西大学;2006年

  本文关键词：参数优化法和残差修正法在预测模型优化中的应用，，由笔耕文化传播整理发布。

本文编号：341608