基于改进的PSO-BP组合预测模型及应用研究

摘要

数据预测在学术上是一项热门的课题研究，主要是通过分析已存在的数据，来实现预测未来数据的目的。对数据进行预测时，需要达到相应的预测效果，这样才有实际的意义。预测的效果依赖于预测模型，对预测模型进行研究，以提高预测的准确率，这是非常有意义的。 现有的预测模型可以分为单一预测模型和组合预测模型，单一预测模型中的BP神经网络能较好地模拟数据的非线性关系，预测效果较佳，但BP神经网络自身存在一定缺陷。本文对BP神经网络的优化方法进行分析研究，在此基础上，对粒子群算法（PSO）优化BP的过程进行改进，提出了改进的PSO-BP模型。该改进模型在PSO优化BP的过程中使用BP神经网络更新群体最优位置和粒子最优位置。将改进的PSO-BP与原有的PSO-BP进行预测实验对比，实验结果显示本文改进的PSO-BP模型收敛速度更快，预测效果更佳。 组合预测模型能吸收每个单一预测模型的优点，不会出现某一时刻预测效果极差的情况。考虑到这个，本文使用Adaboost算法，将改进的PSO-BP、支持向量机（SVM）和灰色预测模型进行组合，提出一种新组合预测模型。这样既能吸收改进的PSO-BP的优点，又能与其他预测模型进行互补，从而得到更准确的预测结果。将新组合预测模型用于R&D投入预测实验中，同单一预测模型和其他组合预测模型进行对比，结果显示，新组合预测模型的预测效果最好，其预测误差最小。 本文提出了改进的PSO-BP模型，并将其与SVM、灰色预测模型组合，提出新组合预测模型，将新组合预测模型进行预测实验，实验结果证明该组合预测模型效果更佳，准确率更高。

目录

第一个书签之前