GMDH

摘要： 短期交通流量预测是智能交通系统的重要组成部分。在某些交通控制场景中,提前获取未来的交通流量,有利于公路管理部门有足够的时间制定相应的交通流量控制措施。因此,建立一种准确的短期交通流量预测方法具有重要的意义,能够为高峰交通流量警告提供依据。本文提出了一种新的交通流量混合预测模型VMD-ICA-GMDH-BILSTM-ELMAN,该模型由VMD算法对历史交通流序列进行分解,并利用ICA算法对GMDH-BILSTM-ELMAN集成的网络模型参数进行优化。为了验证此模型的预测性能,在本文所提出的模型和其他模型之间进行了多次比较实验。实验结果表明:1)BILSTM网络,GMDH网络和ELMAN网络具有比其他单个模型更好的预测性能。2)VMD分解方法的加入可以显著改善ICA-GMDH-BILSTM-ELMAN模型的预测性能,且VMD方法的效果优于EEMD和FEEMD。综上所述,由VMD分解,ICA优化,BILSTM网络,GMDH网络和ELMAN网络组成的预测模型,对交通流序列具有精确的短期预测性能。

摘要： 传统的宏观经济短期预测研究通常基于定量或定性预测模型,而G MD H算法兼具定性定量的特点,建立了基于G MD H自回归模型的混合预测模型数学模型来进行宏观经济短期预测,应用相关的统计数据做实证分析,将所得结果与传统G MD H模型、二次自回归模型进行了比较.结果 表明,本文提出的混合预测模型具有良好的预测精度,是一种有效的宏观经济短期预测手段.

摘要： 客户分类一直是企业客户关系管理(CRM)中最重要的问题之一,而选择出客户的关键特征更是其中的重中之重.在大数据时代,客户数据类别分布不平衡、高维以及大量的无类别标签样本等特征让这一问题变得更为复杂,成为一个复杂的系统性决策问题.为解决这一问题,本文提出基于综合集成研讨厅的半监督客户关键特征选择模型(semi-supervised key feature selection of customers based on hall for workshop of meta-synthetic engineering,SFS-HWME).该模型邀请5位相关领域的专家确定研究难点并通过定性分析寻找备选方案,然后通过综合集成得到整体解决方案,进一步进行定量分析建模.在定量分析模型中,使用半监督学习(semisupervised learning,SSL)技术,首先使用初始有类别标签的数据集L训练Adaboost集成模型来预测无类别标签数据集U中样本的类别;接着,使用自组织映射(self-organization map,SOM)算法对数据集U进行聚类并对其中的样本进行选择性标记;然后将这些样本连同标记的类别标签一起添加到数据集L中;最后,使用重抽样技术平衡新的训练集L的类别分布,再训练数据分组处理(group method of data handling,GMDH)深度学习网络选择最优特征子集,并邀请专家从特征子集中选出最合理的.在4个客户分类数据集上进行实证分析,结果表明,和已有的一些模型相比,本文提出的SFS-HWME模型具有更好的关键特征选择性能.

摘要： 本文基于非常规油气的致密气开发流程图,利用K-means将4291口气井根据单位压降产气量聚为三类.通过改进GMDH算法对训练集和测试集样本规模比例的完备性和样本次序的随机性进行研究以增强算法鲁棒性.以单位压降产气量作为评价参数对三类气井开发效能主要相关的11个参数进行特征提取并统计各参数作为主成分的概率,选择累计概率80％及以上最少参数作为SVR模型的输入变量,单位压降产气量作为输出变量,选择RBF作为核函数.分别使三类井各一个样本井的压裂参数上下浮动20％,应用SVR模型统计相应单位压降产气量变化范围是[-18.08％,13.42％]、[-2.34％,5.39％]、[-16.10％,15.21％],分析不同压裂参数组合对单位压降产气量的影响趋势,确定工程实践最优压裂参数,提高气井效能.

摘要： 为研究不同卷烟规格消费人群的购买动机,针对2015年在销的3个价档、4个卷烟规格的品牌形象、价值(价格)、社交应酬、健康、新品、产品和渠道/宣传促销七大类因素进行问卷调研,并采用自组织GMDH算法进行购买因素分析,结果表明:不同卷烟规格最重要的购买因素主要分布在品牌形象和价值(价格)两个大类中,其中3个价档卷烟的购买因素侧重点分别体现在产品价值、品牌知名度和身份地位的象征性上,而4个产品的购买因素侧重点分别体现在产品价值、品牌历史形象、社交应酬优势和产品性价比上.该结果可为工业企业新产品市场投放和老产品提质维护方面提供参考.%This paper aims to investigate consumer motivation in purchasing cigarettes of different specifications.Self-organizing GMDH (group method of data handling) algorithm was applied to analyze such factors as brand image,value (price),social acceptance,health issues,newly created,product characteristics and sales channels/sales promotion affecting cigarettes purchase of three price segments and four specifications in 2015.Results showed that the most important purchasing factors were brand image and value (price).This could render favorable reference for cigarette manufacturers to improve cigarette quality and maintain brand image.

摘要： Physical process and computing system are two aspects of CPS.The former focuses on processing continuous objects which requires time-dependent models,and the latter takes its attention in handling the discrete problems (0-1 formalism)in most cases,so it exists great difference in modeling method of this two aspects.Notice that the traditional modeling methods focused on states transition in general,which is difficult to predict in such a complicated environment of CPS,it didn’t truly realize the interaction between the two aspects of CPS.In this paper,we obtained some discrete data from the real environment,and presented a new modeling mechanism called DCDM which started from the original data to build a continuous model through a mathematical method (GMDH).To decrease the relative error between them,we took the feedback control to the original data to adjust the error.Furthermore,from the adjustment of new discrete data,our method established the continuous modeling again by repeating the above steps until the error turns to an acceptable range.DCDM has fundamentally changed the traditional modeling style with the proposal of a new modeling direction which models the system from discrete data,and deeply realizes the integration between the discrete system and continuous system through feedback. DCDM has the following four advantages:(1 )the modeling object is easy to be obtained and objective to reflect the system itself;(2 )DCDM can directly select the suitable parameters through the GMDH to remove the redundancy attributes and minimize the factors impact on the system models;(3)Compared to other data fitting methods,DCDM has a simpler complexity to save a lot of computing time;(4)There is a significant improvement in the error between the discrete data and the continuous model.Experimental results show that the implementation of DCDM is faster than the current data modeling method,and it is more obvious with the increase of data.%信息-物理融合系统（CPS）由物理事件与计算系统两大部分组成，前者专注于处理连续的物理过程，与时间的流逝存在密切联系；后者则只能处理基于0-1机制的离散问题，两者存在本质上的差别．传统的建模方法一般需事先估计系统将要经历的状态及每一个状态转换所需的时间，这在复杂的 CPS（Cyber-Physical System）环境中难以预测，也没有真正意义上实现计算系统与物理事件之间的交互．因此，我们提出一种新的建模方法 DCDM：面向 CPS 的真实环境经传感器、网络等测试得出一些原始的离散数据，通过一定的数学方法（GMDH）从数据出发建立系统的连续模型，为了缩小离散数据与连续模型之间的误差，采用反馈控制的方式不断调整两者之间的差距，直至其减小到一定的范围之内．DCDM 从根本上改变了传统的建模方式，提出了一种从离散数据出发建立系统模型的思想，通过反馈控制实现物理事件与计算系统之间的深度融合．DCDM 具有以下4种优势：（1）建模对象容易获得且更加客观，能真实反映系统本身；（2）通过数学方法直接实现参数的筛选，去除冗余属性，减小弱影响因子对系统模型的影响；（3）相较于其他数据拟合的方法，DCDM 具有更加简单的复杂度，能节约大量的计算时间；（4）在离散数据与连续模型之间的误差方面，相较于其他的算法有着明显的改进．实验结果表明，在真实数据集中，DCDM的执行速度快于当前最新的数据建模方法，且数据集越大优势越明显．

摘要： 文章以2001年1月至2015年2月的我国CPI定基指数为样本数据,首先构建季节乘积SARIMA模型与GMDH自回归模型对CPI进行预测;然后通过自组织数据挖掘理论构建SARIMA-GMDH组合模型再次对CPI进行预测;最后通过模型拟合优度检验与预测能力分析综合评价这3个预测模型,探索各个模型预测效果的差异性,总结评价组合预测法在经济现象中的预测优势。

摘要： 城市交通是一个复杂的大系统，实时而准确的短时交通流量预测，可以为城市交通诱导和控制提供科学支持。针对GMDH算法建模泛化能力差的问题，结合集成学习的思想对GMDH算法进行改进，并将改进的算法应用到短时交通流量模型的构建中。结果表明，该方法可以有效地对短时交通流量进行预测，建模平均相对误差为1.10%，预测相对误差为0.58%。%The urban traffic is a complex large system, actual and accurate traffic flow prediction can provide scientific support for urban traffic guidance and control. Ensemble learning is introduced to improve the general ability of classical Group Method Of Data Handing ( GMDH ) algorithm. The short-term traffic flow model was built based on improved GMDH algorithm. Experimental results indicate that the average relative error of the model is 1. 10%, and the relative error of prediction is 0. 58%. Thus, this model is an efficient method to the short-term traffic flow forecasting.

摘要： 烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标，所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量，所采用的软测量建模方法为数据成组处理法(Group method of data handling, GMDH)，利用从华润某电厂300MW机组得到的实际运行数据建立模型，并与BP神经网络所得预测结果进行对比。仿真结果表明：该方法能够较准确的对火电厂烟气含氧量进行预测。

摘要： Long-term load forecasting is always the basis of electric power system planning. In recent years, with social industrial restructure, Liaoning's economic growth has slowed down significantly. The traditional load forecasting method has the problem of low forecast precision. This paper adopts variable structure cointegration theory to establish long-term load forecasting model to forecast the electricity consumption in Liaoning during 2015-2020, Using GMDH algorithm to determine the mutation point. The results show that the forecasting method above take high precision.%采用基于变结构协整理论建立中长期负荷预测模型，并通过GMDH算法确定突变点，对2015－2020年辽宁省用电量进行预测，结果显示该预测方法预测精度较高。

摘要： 将GMDH理论引入贝叶斯分类中。提出基于GMDH的贝叶斯分类器结构学习算法。算法将评分搜索与依赖分析两种结构学习思想相结合,根据互信息测度值来选择初始模型,用贝叶斯评分作为筛选模型的外准则。首先学习了两个真实贝叶斯网络的结构,来验证算法的结构学习能力,然后在标准分类数据集上进行分类器结构学习、参数学习及推理。结果表明,该方法有较强的结构学习能力和较高的分类精度,为分类研究提供了一种新的思路。

摘要： 将GMDH理论引入贝叶斯分类中。提出基于GMDH的贝叶斯分类器结构学习算法。算法将评分搜索与依赖分析两种结构学习思想相结合,根据互信息测度值来选择初始模型,用贝叶斯评分作为筛选模型的外准则。首先学习了两个真实贝叶斯网络的结构,来验证算法的结构学习能力,然后在标准分类数据集上进行分类器结构学习、参数学习及推理。结果表明,该方法有较强的结构学习能力和较高的分类精度,为分类研究提供了一种新的思路。

摘要： 将GMDH理论引入贝叶斯分类中。提出基于GMDH的贝叶斯分类器结构学习算法。算法将评分搜索与依赖分析两种结构学习思想相结合,根据互信息测度值来选择初始模型,用贝叶斯评分作为筛选模型的外准则。首先学习了两个真实贝叶斯网络的结构,来验证算法的结构学习能力,然后在标准分类数据集上进行分类器结构学习、参数学习及推理。结果表明,该方法有较强的结构学习能力和较高的分类精度,为分类研究提供了一种新的思路。

摘要： 将GMDH理论引入贝叶斯分类中。提出基于GMDH的贝叶斯分类器结构学习算法。算法将评分搜索与依赖分析两种结构学习思想相结合,根据互信息测度值来选择初始模型,用贝叶斯评分作为筛选模型的外准则。首先学习了两个真实贝叶斯网络的结构,来验证算法的结构学习能力,然后在标准分类数据集上进行分类器结构学习、参数学习及推理。结果表明,该方法有较强的结构学习能力和较高的分类精度,为分类研究提供了一种新的思路。

摘要： 简单介绍了在险价值(Value-at-Risk)的含义及计算方法,指出推测市场因子的波动情况是计算VaR的关键.通常广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedastic)能够较好地刻画金融市场波动的特征,但当利用GMDH(Group Method of Data Handling)特性对GARCH模型中的滞后项进行自动选取后比较发现,改进后的GARCH模型预测结果更接近金融市场实际波动值.将GARCH模型和改进后的模型应用于VaR计算,并通过上海证券市场给出实证分析.

摘要： 简单介绍了在险价值(Value-at-Risk)的含义及计算方法,指出推测市场因子的波动情况是计算VaR的关键.通常广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedastic)能够较好地刻画金融市场波动的特征,但当利用GMDH(Group Method of Data Handling)特性对GARCH模型中的滞后项进行自动选取后比较发现,改进后的GARCH模型预测结果更接近金融市场实际波动值.将GARCH模型和改进后的模型应用于VaR计算,并通过上海证券市场给出实证分析.

摘要： 简单介绍了在险价值(Value-at-Risk)的含义及计算方法,指出推测市场因子的波动情况是计算VaR的关键.通常广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedastic)能够较好地刻画金融市场波动的特征,但当利用GMDH(Group Method of Data Handling)特性对GARCH模型中的滞后项进行自动选取后比较发现,改进后的GARCH模型预测结果更接近金融市场实际波动值.将GARCH模型和改进后的模型应用于VaR计算,并通过上海证券市场给出实证分析.

摘要： 简单介绍了在险价值(Value-at-Risk)的含义及计算方法,指出推测市场因子的波动情况是计算VaR的关键.通常广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedastic)能够较好地刻画金融市场波动的特征,但当利用GMDH(Group Method of Data Handling)特性对GARCH模型中的滞后项进行自动选取后比较发现,改进后的GARCH模型预测结果更接近金融市场实际波动值.将GARCH模型和改进后的模型应用于VaR计算,并通过上海证券市场给出实证分析.

摘要： 与常用的分析方法不同.文章将GMDH方法引入上市公司财务风险影响因素分析中.首先从理论上阐述了该方法的可行性,然后分别建立了GMDH线性输入输出模型和非线性输入输出模型来对上市公司财务风险影响因素进行实证分析并取得了较好的结果,从而论证了该方法的有效性,为上市公司财务风险影响因素分析提供了一种新的思路.

摘要： 与常用的分析方法不同.文章将GMDH方法引入上市公司财务风险影响因素分析中.首先从理论上阐述了该方法的可行性,然后分别建立了GMDH线性输入输出模型和非线性输入输出模型来对上市公司财务风险影响因素进行实证分析并取得了较好的结果,从而论证了该方法的有效性,为上市公司财务风险影响因素分析提供了一种新的思路.

摘要： 本发明涉及一种GMDH神经网络的晶圆CMP材料去除率预测方法，其步骤如下：(1)获取去除异常值后的抛光样本数据集；(2)对抛光样本数据集中样本进行分析，确定b个有效工艺变量；(3)提取每个有效工艺变量的均值、标准差、歪度和峭度，获得4*b个特征向量；(4)对4*b个特征向量与对应的MRR值相关性进行筛选，确定m个特征向量作为GMDH神经网络模型的输入特征向量；(5)对m个特征向量形成的数据集进行归一化处理得到训练特征集；(6)采用二元二次Volterra多项式回归模型，以训练特征集中的输入特征值为输入层，对应输出的MRR值为输出层，得到训练好的GMDH网络模型；(7)将待预测样本中作为输入的m个特征值输入训练好的GMDH网络模型中，则输出预测的MRR值。

摘要： 本发明公开了一种基于改进GMDH算法的封闭式停车场停车需求预测方法，使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对GMDH算法建模泛化能力差的问题，结合集成学习(Ensemble Learning)的思想对GMDH算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场停车需求预测模型的构建中。该方法减少了对历史数据的依赖、降低了数据成本，并且具有较高的预测精度，可以快速、有效地对封闭式停车场停车需求进行预测。后期可基于用户均衡理论，结合智能交通诱导系统，实现区域性的、不同特性的停车场停车资源共享与调度，对智慧城市的建设具有重大的实用价值。

摘要： 本发明公开了一种基于改进GMDH算法的封闭式停车场停车需求预测方法，使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对GMDH算法建模泛化能力差的问题，结合集成学习(Ensemble Learning)的思想对GMDH算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场停车需求预测模型的构建中。该方法减少了对历史数据的依赖、降低了数据成本，并且具有较高的预测精度，可以快速、有效地对封闭式停车场停车需求进行预测。后期可基于用户均衡理论，结合智能交通诱导系统，实现区域性的、不同特性的停车场停车资源共享与调度，对智慧城市的建设具有重大的实用价值。

摘要： 本发明公开了一种基于集成GMDH框架的旋转机械剩余寿命预测方法，所述方法包括以下步骤：S1，采集多个同一种类旋转机械从正常运行到故障失效过程中的多个传感器数据，通过数据处理，得到训练数据集合W；S2，将数据集通过不同的划分，分别用于构建三个具有差异性的GMDH预测网络；S3，将三个GMDH网络在训练样本上的预测输出作为三层BP神经网络的输入对BP神经网络进行训练，该BP神经网络用于对三个GMDH网络的预测结果进行集成；S4，利用所述集成GMDH框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。本发明与经典的LSTM网络和单个GMDH网络相比，能有效提高预测精度和泛化能力，具有更大的实际指导意义。

摘要： 本发明公开了一种基于GMDH选择性组合的能源消费量时间序列预测方法及装置，其中方法包括：S1.获取原始能源消费量时间序列yt，根据原始能源消费量时间序列yt得到线性部分预测结果和非线性子序列ut；S2.采用多种非线性单一模型作为AdaBoost算法的弱学习器，在非线性子序列ut上使用AdaBoost算法进行集成预测，得到多个集成预测结果；S3.对非线性子序列ut和多个集成预测结果使用GMDH神经网络进行选择性组合预测，找到最优复杂度的组合预测模型u*；S4.利用最优复杂度的组合预测模型u*预测得到非线性子序列ut对应的非线性部分预测结果S5.将线性部分预测结果和非线性部分预测结果相加得到能源消费量时间序列预测值本发明相较于已有的混合模型模型具有更好的预测性能。

摘要： 本发明公开了一种基于GMDH神经网络的双层复合衬垫击穿时间计算方法属于涉及环境岩土和深度学习领域。在计算阶段，通过使用解析解公式或数值模拟的方法，对单层复合衬垫常见工况的击穿时间进行计算，并在此基础上使用GMDH神经网络对击穿时间及其影响因素的关系进行黑盒模型运算，得到击穿时间计算的简化公式，并使用另一部分数据对结果进行检验，得到精简准确的计算公式。后续根据已有简化公式，将双层复合衬垫进行分层考虑，并得到双层复合衬垫总击穿时间与分层击穿时间的关系，其结果不但客观准确，且计算方便。

摘要： 本发明公开了一种基于SCADA系统及GMDH网络的风机状态预测方法。通过监视控制系统SCADA获取风力发电机的运行状态观测值；建立风机轴承温度和风机齿轮箱油温的解耦型数据分组处理网络GMDH；将训练集和测试集分别输入训练并获得训练完成的风机轴承温度解耦型GMDH预测网络和风机齿轮箱油温解耦型GMDH预测网络；将风力发电机的运行状态观测值输入并输出预测值，最终实现对风力发电机的风机齿轮箱发生运行故障后的状态预测。本发明结合了数据分组处理方法，基于SCADA系统采集的风力发电机的运行环境数据，采用解耦型GMDH网络自组织生成拟合精度与泛化能力均衡的最优网络结构，实现了对风机状态的精确预测。

摘要： 本发明涉及一种GMDH神经网络的晶圆CMP材料去除率预测方法，其步骤如下：(1)获取去除异常值后的抛光样本数据集；(2)对抛光样本数据集中样本进行分析，确定b个有效工艺变量；(3)提取每个有效工艺变量的均值、标准差、歪度和峭度，获得4*b个特征向量；(4)对4*b个特征向量与对应的MRR值相关性进行筛选，确定m个特征向量作为GMDH神经网络模型的输入特征向量；(5)对m个特征向量形成的数据集进行归一化处理得到训练特征集；(6)采用二元二次Volterra多项式回归模型，以训练特征集中的输入特征值为输入层，对应输出的MRR值为输出层，得到训练好的GMDH网络模型；(7)将待预测样本中作为输入的m个特征值输入训练好的GMDH网络模型中，则输出预测的MRR值。

摘要： 本发明公开了一种基于改进GMDH算法的封闭式停车场停车需求预测方法，使用GMDH算法对封闭式停车场进场车流量训练，在训练过程中针对GMDH算法建模泛化能力差的问题，结合集成学习(Ensemble Learning)的思想对GMDH算法进行改进，提高GMDH模型泛化能力，并将改进的算法应用到封闭式停车场进场停车需求预测模型的构建中。该方法减少了对历史数据的依赖、降低了数据成本，并且具有较高的预测精度，可以快速、有效地对封闭式停车场停车需求进行预测。后期可基于用户均衡理论，结合智能交通诱导系统，实现区域性的、不同特性的停车场停车资源共享与调度，对智慧城市的建设具有重大的实用价值。

摘要： 本发明提供一种基于GMDH多变量处理的风机出力预测的方法，其包括以下步骤：针对待预测风电场区域，获取该区域的历史气象数据、待预测时间的气象数据和该风电场区域历史风机出力数据；将所述历史气象数据、待预测时间的气象数据以及历史风机出力数据进行标准化与中心化，并划分为训练集和检验集；将所述标准化与中心化后的数据输入至GMDH神经网络模型，对模型进行学习训练，并对训练结果进行验证；将学习训练后的GMDH网络模型输出最优权重因子，确定GMDH网络参数；使用所述GMDH网络参数对该区域风电出力进行预测。本发明能够对大规模风电功率现实更加准确的预测。