原创力文档- 1、本文档共24页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
预测方法库
线性模型
线性模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
指数模型1
指数模型1，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
指数模型2
指数模型2，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
对数模型
对数模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
双曲线模型1
双曲线模型1，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
双曲线模型2
双曲线模型2，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述：1/Y=a+b/X 历史数据最少需要数目：3 建模示例：
幂函数模型
幂函数模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
扩展S形曲线
扩展S形曲线，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3
扩展GOMPERTZ
扩展GOMPERTZ，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3
扩展反正切
扩展反正切，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3
S型曲线模型
S型曲线模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
Gompertz曲线
Gompertz曲线，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
抛物线模型
抛物线模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：3 建模示例：
N次曲线模型
N次曲线模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。 模型描述： 历史数据最少需要数目：5 建模示例：
人工神经网络法
人工神经网络法属于通用序列预测方法，适用于年月电力电量等各类指标预测；人工神经网络法也属于相 关预测方法，可含纳相关因素建立相关模型。 历史数据最少需要数目：3 传统的数学模型是用显式的数学表达式加以描述。这就决定了传统的预测模型的局限性。事实上，负荷变 化的自然规律很难用一个显式的数学公式予以表示。神经网络方法是这一领域内的一个重大突破。该方法 视传统函数的自变量和因变量为输入和输出，将传统的函数关系转化为高维的非线性映射，而不是显式的 数学表达式。 从数学意义上讲，多层前馈网络--BP网是利用训练样本实现从输入到输出的映射。若输入层节点数为n， 输出层节点数为m，则网络是从 到 的一个高度非线性映射。如下图所示： 图中每一个节点表示一个神经元。其输出与输入函数为： BP网络不需要知道描述这种映射的具体数学表达式，而只是在所选网络的拓扑结构下，通过学习算法调整 各神经元的阈值和连接权值，使误差信号最小。 BP网使用的节点特性函数为： 对于序列预测而言，一般可以采用三层BP网(只有一个隐含层)。 输入输出信号可以有两种选择方法： (1)以时段序号作为输入信号，以待预测量在该时段的取值作
文档评论（0）