资源描述：
《基于粒子群改进bp神经网络的组合预测模型及其应用研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第40卷第1期中南大学学报(自然科学版)Vol.40No.12009年2月JournalofCentralSouthUniversity(ScienceandTechnology)Feb.2009基于粒子群改进BP神经网络的组合预测模型及其应用1,213崔吉峰，乞建勋，杨尚东(1.华北电力大学工商管理学院，北京，102206；2.国网运行有限公司，北京，100005；3.国网北京经济技术研究院，北京，100761)摘要：针对应用广泛的传统人工智能预测BP(Backpropagation)神经网络自身局限以及其在处理中长
2、期复杂预测问题中需要样本数量大、泛化能力弱等不足，提出利用粒子群算法优化BP神经网络的学习算法，在此基础上，利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测，对中长期预测中数据趋势项和随机项进行模拟；将初步预测的结果作为改进BP神经网络的输入，在此基础上进行训练和预测，构建基于改进BP网络的组合预测模型。以我国1978—2007年能源需求数据为样本，进行实例分析。结果表明：组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%，6.1%和5.3%，验证了组合
3、预测方法在中长期预测问题处理中的有效性。关键词：BP神经网络；粒子群算法；ARIMA模型；灰色理论；组合预测中图分类号：TP18文献标识码：A文章编号：1672−7207(2009)01−0190−05CombinedforecastingmodelbasedonBPimprovedbyPSOanditsapplication1,213CUIJi-feng,QIJian-xun,YANGShang-dong(1.SchoolofBusinessAdministration,NorthChinaElectricPower
4、University,Beijing102206,China;2.StateGridOperationCompanyLtd.,Beijing100005,China;3.StatePowerEconomicResearchInstitute,Beijing100761,China)Abstract:TosolvethelimitationsofBPneuralnetworkindealingwithcomplexandlong-termprediction,whichneedsmanysamplestocalculat
5、eanditsgeneralizationabilityispoor,thelearningalgorithmofBPneuralnetworkoptimizedbyPSO(Particleswarmalgorithm)wasproposed.Onthebasisofthisalgorithm,thegreypredictionandtheARIMA(Autoregressiveintegratedmovingaveragemodel)timeseriesforecastingmethodswereusedtomake
6、apreliminaryforecastforhistoricaldata.TheresultsofinitialforecastswereputastheinputofimprovedBPneuralnetworktobeforecastedandtrained.AnimprovedBPnetwork-basedcombiningforecastingmodelwasbuilt.China’senergydemandsdatain1978—2007weretakenasthesampletobeanalyzed.Th
7、eresultsshowthatthelearningalgorithmofBPneuralnetworkoptimizedbyPSOhasbettereffectsinsimulationofthetrenddataandtherandomdatainmedium-andlong-termforecasting.Thepredictionaccuracyofcombiningforecastingmodelincreasesby4.8%,6.1%and5.3%respectivelycomparedwiththose
8、ofBPneuralnetwork,grayforecastingmethodsandARIMAforecasting,whichprovestheeffectivenessofcombiningforecastingmethodinthemedium-termandlong-termforecasting.Keywords:BP
