导读:本文包含了预测残差论文开题报告文献综述及选题提纲参考文献，主要关键词:残差修正,灰色预测,GM(1,1)模型
预测残差论文文献综述
邢晏,冯长焕[1]（2019）在《基于GM(1,1)模型残差修正的经济预测》一文中研究指出为提高我国国内生产总值GDP总量预测精度,更好地为宏观经济政策提供参考信息,在传统灰色GM(1,1)预测模型的基础上,进行残差修正,建立GM(1,1)残差改进模型。经过实证分析,结果表明:GM(1,1)残差改进模型具有较好的可行性与精确性。(本文来源于《渭南师范学院学报》期刊2019年11期）
付川,刘刚,赵忠德,郝迎鹏,刘四洋[2]（2019）在《基于残差修正的冬季天然气日负荷预测模型》一文中研究指出在考虑冬季天然气相邻日负荷进行连续多日负荷预测时,由于模型本身误差及气象预报误差的存在,将在迭代预测中产生误差累积,造成预测精度降低。基于小波神经网络(WNN)建立初步日负荷预测模型,以温度为标准将数据集分为"日常温度"和"极端温度",分别引入BP神经网络,作为残差修正模型以降低误差累积对连续多日负荷预测的影响,建立适用于北京供暖季天然气负荷短期预测模型。实验结果表明,经残差修正后北京市的天然气日负荷预测平均绝对误差由5.21%降低至2.98%,取得较好的预测效果。通过对比分析,残差修正网络能有效修正极端气象条件负荷预测值以降低连续多日负荷预测中的误差累积现象,从而提升模型整体精度,对商业天然气日负荷预测具有较高应用价值。(本文来源于《油气田地面工程》期刊2019年10期）
宋亮,吴杨[3]（2019）在《基于ARIMA模型和残差自回归模型的安徽省城乡居民PCDI分析与预测》一文中研究指出文章对1981年以来安徽省城乡居民人均可支配收入作了对比分析,以判断安徽省城乡均衡发展状况,并分别利用ARIMA模型和残差自回归模型分析和预测了安徽省城乡居民收入差距的发展趋势,得出结论:未来十年安徽省城乡居民收入比将进一步下降,城乡发展趋于均衡,但是城乡居民PCDI仍有一定差距。(本文来源于《铜陵学院学报》期刊2019年05期）
朱美峰,吴青龙,王永琴[4]（2019）在《基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）》一文中研究指出目前中国以化石能源为主的能源消费格局正逐步优化,清洁能源的消费规模逐步增加。对天然气消费量的预测分析对未来能源消费结构调整具有积极意义。本文创新性地采用拟合值偏离度倒数法进行权重设置,利用残差自回归模型和Kalman滤波算法构建组合预测模型,以《BP世界能源统计年鉴》和《中国统计年鉴》1980–2017年的天然气消费历史数据为对象,对中国天然气消费量进行预测研究。研究结果表明:(1)组合预测模型的预测精度更高:残差自回归预测模型的相对误差落在(–0.08,0.09)区间内,卡尔曼滤波预测的相对误差落在(–0.09, 0.32)区间内,组合预测模型相对误差落在(–0.03, 0.11)区间内。(2)组合预测模型预测结果的稳定性更好:残差自回归预测模型相对误差的预测方差为0.002,卡尔曼滤波预测相对误差的预测方差为0.007,组合预测模型相对误差的预测方差为0.001。(3)其他条件不变的情况下,2018年天然气消费量费预测值为2418.08亿m~3。与其他时间序列预测方法相比,利用残差自回归模型和卡尔曼滤波算法构成的组合预测模型对数据限制条件少,可操作性强,且分析结果更为可信。(本文来源于《Journal of Resources and Ecology》期刊2019年05期）
张贝贝,李静文,刘霞,杨亚楠[5]（2019）在《基于组合残差修正的预测方法及实证》一文中研究指出为了提高预测精度,文章构建了组合残差修正模型,通过组合矫正残差来优化模型的预测能力。考虑到单项预测方法不同时点预测精度"时好时坏"的特性,进一步将IOWA算子引入到残差的组合预测模型中,计算出样本区间各个时点的残差组合预测值,并对前端模型预测结果做进一步的修正。最后,以中关村高新技术园区为例进行实证分析,结果表明了模型的有效性。(本文来源于《统计与决策》期刊2019年18期）
陈佳琪,宋冀龙[6]（2019）在《残差修正GM(1,1)模型在房屋建筑施工面积预测中的应用》一文中研究指出房屋建筑施工面积可以有效反映建筑业的现实状况,对房屋建筑施工面积的预测结果可以为政府、企业在未来的策略方案提供更加有效的参考。采用传统GM(1,1)模型和改进后的残差修正GM(1,1)模型分别对房屋建筑面积统计数据进行预测,通过两种模型预测的结果,可以得出改进后的残差修正GM(1,1)模型可以在一定程度上减少误差,可以更有效地对房屋建筑面积进行预测。(本文来源于《科技创新与应用》期刊2019年27期）
佟健颉,黎英,王一旋[7]（2019）在《基于深度残差网络的短时交通流量预测》一文中研究指出建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%～4%,可以看出该模型一定程度上提高了预测精度。(本文来源于《电子测量技术》期刊2019年18期）
冯子帆,成枢,董娟[8]（2019）在《残差修正的GM(1,1)模型在滑坡位移预测中的应用》一文中研究指出根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。(本文来源于《地理空间信息》期刊2019年09期）
张炳彩[9]（2019）在《基于残差修正GM(1,1)模型的银川市空气质量预测分析》一文中研究指出选取2013～2017年影响银川市环境空气质量的六种主要污染物浓度值,建立GM(1,1)预测模型,对精度检验结果为基本合格和不合格模型进行残差修正,得到了残差修正GM(1,1)预测模型,其精度检验为优。2018～2020年污染物浓度预测值显示CO和O_3浓度值有增加的趋势,建议相应部门做好预防CO和O_3浓度值增加的措施。(本文来源于《绿色科技》期刊2019年12期）
闵旭,叶青,蔡高琰[10]（2019）在《基于残差自回归方法的短期区域用电量预测》一文中研究指出基于我国区域用电量数据展开了短期用电量预测研究,采用了基于残差自回归方法的时间序列预测模型,有效提高了短期区域用电量预测准确性。相比于传统的时间序列模型(ARIMA模型和Holt-Winters模型),基于残差自回归方法的时间序列预测模型的MAPE值和RMSE值均最小,并在两个不同的数据集上表现平稳。(本文来源于《技术经济》期刊2019年06期）
预测残差论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在考虑冬季天然气相邻日负荷进行连续多日负荷预测时,由于模型本身误差及气象预报误差的存在,将在迭代预测中产生误差累积,造成预测精度降低。基于小波神经网络(WNN)建立初步日负荷预测模型,以温度为标准将数据集分为"日常温度"和"极端温度",分别引入BP神经网络,作为残差修正模型以降低误差累积对连续多日负荷预测的影响,建立适用于北京供暖季天然气负荷短期预测模型。实验结果表明,经残差修正后北京市的天然气日负荷预测平均绝对误差由5.21%降低至2.98%,取得较好的预测效果。通过对比分析,残差修正网络能有效修正极端气象条件负荷预测值以降低连续多日负荷预测中的误差累积现象,从而提升模型整体精度,对商业天然气日负荷预测具有较高应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预测残差论文参考文献
[1].邢晏,冯长焕.基于GM(1,1)模型残差修正的经济预测[J].渭南师范学院学报.2019
[2].付川,刘刚,赵忠德,郝迎鹏,刘四洋.基于残差修正的冬季天然气日负荷预测模型[J].油气田地面工程.2019
[3].宋亮,吴杨.基于ARIMA模型和残差自回归模型的安徽省城乡居民PCDI分析与预测[J].铜陵学院学报.2019
[4].朱美峰,吴青龙,王永琴.基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）[J].JournalofResourcesandEcology.2019
[5].张贝贝,李静文,刘霞,杨亚楠.基于组合残差修正的预测方法及实证[J].统计与决策.2019
[6].陈佳琪,宋冀龙.残差修正GM(1,1)模型在房屋建筑施工面积预测中的应用[J].科技创新与应用.2019
[7].佟健颉,黎英,王一旋.基于深度残差网络的短时交通流量预测[J].电子测量技术.2019
[8].冯子帆,成枢,董娟.残差修正的GM(1,1)模型在滑坡位移预测中的应用[J].地理空间信息.2019
[9].张炳彩.基于残差修正GM(1,1)模型的银川市空气质量预测分析[J].绿色科技.2019
[10].闵旭,叶青,蔡高琰.基于残差自回归方法的短期区域用电量预测[J].技术经济.2019