论文部分内容阅读
本文最先使用了多重线性回归模型对石油消费量进行预测,然后由于灰色系统最适合预测具有“小样本、贫数据”信息的数据,因此我们以石油消费量这种样本量较少的数据为研究对象,利用GM(1,n)模型对其进行预测。并使用了灰色神经网络模型,其结合神经网络良好的非线性映射能力,以便更好的反映非线性系统的趋势。然而,从灰色神经网络训练过程来看,针对"GNNM(1,n)无法进一步修正参数”这一缺点,我们又使用遗传算法对其结构参数(权值和阂值)进行优化,进一步提高预测精度与收敛速度,从而实现对模型的有效性检验。然而,实验结果发现,单项模型并不能完全反映石油消费量信息及其变化规律,因此石油消费量组合预测方法成为新型研究趋势。本文引入了基于误差平方和最小的变权组合预测模型,并针对权重的取值范围,分别使用了传统组合预测模型以及带有负权重的组合预测(TCM-NNCT)模型。为提高预测精度,本文共模拟出26种变权组合方式,并对其进行模拟仿真,这样可以有效规避单个预测方法出现“过拟合”等现象而降低预测精度的风险。最后基于MAE、MSE、 MAPE、SSE这四种误差指标对比了各个模型的预测精度,对比结果显示不仅组合模型的预测精度相对于单项预测方法有较大的提高,而且预测精度随着组合模型数的增多而提高,也可以从权重系数表以及误差精度表的实验结果捕捉到五种单一预测模型“优胜劣汰”的信息,从而提高预测可靠性。针对权重值是否可以取负值,传统组合模型与TCM-NNCT模型预测结果表明,当为权重赋予负值时预测精度会得到较大提高。因此我们认为TCM-NNCT方法组合是可行并有效的,无需将权重l(?)的取值设为[0,1],只需满足∑l,=1即可。