[精选]基于神经网络和灰色理论的冠心病月就诊人数的预测模型--资料
灰色预测模型在预测犬伤人数中的应用
根 据文献 ［ ］ 供 的方 法 建 立 预 １提
测模 型。
２ ２ 计 算 累 加生 成 数据 和 均值 生 成
１ １ 数据处 理 ．
设原始数据序列 为
；￡ ｊ￡ （ ）一 （）一 ２ ￡ １ ０ 一） （
；（ ） ｔ：
ｓ √１高ｅ）； ＠ （￡一） 一 （
度。
８ ６ ． 一 ３． ８ ２ ５×１ ’ ０ 根据表 ｌ判断 灰 色数 列 的拟合 优 ９ ３ ３ ５
含有未知或非 确知 信 息的 系统 。灰 色
信息 ， 立一 个 从 过去 引 伸 到将 来 的 建 模型 。笔 者试 用 ＧＭ（ ． ） 型… 对 １１ 模
然后根据 最小 二乘法 原 理估计 差
； ｔ ＝ｊ ｔ 一 （ 一１ （） （） ｊ ｔ ）
ｔ＝ ｎ＋ １ ＋２… … ．
０
预测模型是根 据已 有 的现 实及 过去 的 数 向量 ， 由矩阵运算 得其表达式为 ： 并
１２ 建立 模 型 ＧＭ（ ， ） ＧＭ（ ， ） ． １１ １ １ 模型是按 累加生成 数 据建立 的一 阶线
Ｃ＝Ｓ ／ ｓ
⑨
（ ） ／ （９２＋４ １ ） ９ ６ ５ ３ ＝１２ ２ ６ ９ １ ＝３ ３ ．
性擞 分方 程 尘
Ｐ＝Ｐｌｅ ｔ 一 ｝ ７５ ⑩ ｌ （ ） １ ＜０ ６ ４ Ｓ ＋掣 （ ＝ 按 微 ） 式中： ＝ ± （） ； ｌ ｆ ＠
⑦ 数 据
详见表 ２ （ ） 。 ｔ行 ｙ ２ ＝１６ ＋１０ ＝２ ６ （ 、 ４ １ ５ １ ９２ ｙ ３ ＝２ ９ １４ ＝４ １ （、 ６２ ９ ９ ９１
ｙ １ ） ０ ７ ＋３ ６ ＝２ ６ ０ （０ ＝２ ２ ０ ３ ０ ３ ３
基于WOA-BP算法的持液率预测模型研究
基于WOA-BP算法的持液率预测模型研究
肖荣鸽;靳帅帅;庄琦;周鹏;冯鑫
【期刊名称】《化学工程》
【年(卷),期】2022(50)1
【摘要】湿气管道在运行过程中,不可避免地会在管道低洼处出现积液。
积液的存在会诱发很多安全问题,严重时甚至引发事故。
因此,对湿气管道持液率进行预测就显得至关重要。
文中基于灰色理论,对影响水平管道持液率的6个影响因素进行灰色关联分析,选取影响较大的因素作为影响变量;基于鲸鱼算法,建立鲸鱼算法优化BP神经网络的持液率预测模型,并与传统BP算法和遗传算法优化BP神经网络的预测模型进行对比。
结果表明:文中预测模型的平均绝对误差为4.50%,均方根误差为0.0121,远低于传统BP预测模型和GA-BP预测模型,具有更高的计算精度,适用范围更广,为湿气管道的持液率预测提供了新思路和新途径。
【总页数】7页(P67-73)
【作者】肖荣鸽;靳帅帅;庄琦;周鹏;冯鑫
【作者单位】西安石油大学石油工程学院陕西省油气田特种增产技术重点实验室;长庆油田分公司油气营销事业部
【正文语种】中文
【中图分类】TE832
【相关文献】
1.基于ACE算法的水平管道持液率计算模型
2.水平管段塞流液塞持液率试验研究与预测模型对比
3.基于遗传算法的BP神经网络气液两相流持液率预测模型优化
4.基于大数据方法的持液率预测模型
5.基于大数据分析的段塞流持液率预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。
基于高斯过程回归的网络流量预测模型
基于高斯过程回归的网络流量预测模型作者：李振刚来源：《计算机应用》2014年第05期摘要：针对传统网络流量预测精度低难题，为了获得理想的网络流量预测结果，提出一种基于高斯过程回归（GPR）的网络流量预测模型。
该模型首先计算延迟时间和嵌入维数，构建高斯过程回归的学习样本；然后采用高斯过程回归对网络流训练集进行学习，并采用入侵杂草优化对高斯过程回归的参数进行优化；最后采用经典的网络流量测试集对该模型性能进行实验测试。
实验结果表明，高斯过程回归模型提高了网络流量的预测精度。
关键词：网络流量；高斯过程回归；入侵杂草优化；延迟时间；嵌入维数中图分类号：TP301.6文献标志码：A0引言近年来随着网络业务多样化，网络越来越拥挤，同时用户对服务质量要求也相应提高，提高预测精度成为网络领域中的研究重点和难点[1]。
针对网络流量随机性、突变性以及混沌性，一些学者将非线性理论和混沌理论应用于网络流量预测，提出基于贝叶斯网络、支持向量机、灰色理论、神经网络、相关向量机等网络流量预测模型[2-5]，尤其是神经网络具有优异的非线性预测能力，成为当前要主要研究方向[6]。
但是神经网络自身存在许多难以克服的缺陷，如网络结构的构造要求训练样本数量大，在小样本条件下，预测结果不稳定，易出现“过拟合”现象[7]。
高斯过程回归（Gaussian Process Regression， GPR）是一种基于贝叶斯网络的新型机器学习算法，不仅具有贝叶斯网络推理能力，可解释性强，同时具有了支持向量机的小样本、非线性、高维等问题的自适应处理能力，是机器学习领域的研究热点[8]。
大量研究实践表明，相对于支持向量机和神经网络，GPR模型具有易实现、泛化能力更强等优点，可以获得较好的建模性能[9]。
然而，GPR在实际应用中，参数对其性能影响至关重要，目前常采用共轭梯度法确定最优参数，但共轭梯度法存在对初始值敏感、易陷入局最优等弊端，对GPR预测性能产生不利影响[10]。
基于时间序列与CNN-GRU的滑坡位移预测模型研究
ｈｔｔｐ：／／ｗｗｗ．ｒｅｎｍｉｎｚｈｕｊｉａｎｇ．ｃｎＤＯＩ：１０ ３９６９／ｊ ｉｓｓｎ １００１ ９２３５ ２０２４ ０２ ００１第４５卷第２期人民珠江 ２０２４年２月 ＰＥＡＲＬＲＩＶＥＲ基金项目：国家自然科学基金项目（６２２０３３４４）；陕西省技术创新引导专项（２０２０ＣＧＸＮＧ ００９、２０２０ＣＧＸＮＸ ００９）；陕西省自然科学基础研究计划（２０２２ＪＭ ３２２）；陕西省教育厅服务地方专项（２０２２ＪＭ ３２２）收稿日期：２０２３－０５－３０作者简介：符振涛（１９９８—），男，硕士研究生，主要研究方向为智能算法及其在地质灾害监测领域的应用。
Ｅ－ｍａｉｌ：２６７３２２９５０３＠ｑｑ．ｃｏｍ符振涛，李丽敏，王莲霞，等．基于时间序列与ＣＮＮ ＧＲＵ的滑坡位移预测模型研究［Ｊ］．人民珠江，２０２４，４５（２）：１－８．基于时间序列与ＣＮＮ ＧＲＵ的滑坡位移预测模型研究符振涛，李丽敏，王莲霞，任瑞斌，崔成涛，封青青（西安工程大学电子信息学院，陕西 西安 ７１０６００）摘要：滑坡位移预测是滑坡预警的重要依据之一。
针对以往预测模型在预测精度上存在的不足，提出了一种基于时间序列与卷积门控循环单元（ＣＮＮ ＧＲＵ）的滑坡位移动态预测模型。
首先，利用小波分析确定存在趋势项位移后，利用指数平滑法对累计位移分解得到趋势项与周期项位移，将趋势项采用五次多项式拟合；之后，采用自相关函数检验位移的周期特征，利用灰色关联法判断各因子与周期项之间的关联度，并将周期项与影响因子一起输入ＣＮＮ ＧＲＵ模型进行预测；最终，叠加得到累计位移预测值。
以三峡库区白水河滑坡为例，选取２００４年１月至２０１２年１２月数据进行研究，最终预测结果平均绝对误差百分比仅为０．５２５％，ＲＭＳＥ为９．６１４、Ｒ２为０．９９３。
试验结果表明，ＣＮＮ ＧＲＵ具有更高的预测精度。
关键词：位移预测；时间序列；卷积门控循环单元；白水河滑坡中图分类号：Ｘ４３ 文献标识码：Ａ 文章编号：１００１ ９２３５（２０２４）０２ ０００１ ０８ＬａｎｄｓｌｉｄｅＤｉｓｐｌａｃｅｍｅｎｔＰｒｅｄｉｃｔｉｏｎＭｏｄｅｌＢａｓｅｄｏｎＴｉｍｅＳｅｒｉｅｓａｎｄＣＮＮ ＧＲＵＦＵＺｈｅｎｔａｏ牞ＬＩＬｉｍｉｎ牞ＷＡＮＧＬｉａｎｘｉａ牞ＲＥＮＲｕｉｂｉｎ牞ＣＵＩＣｈｅｎｇｔａｏ牞ＦＥＮＧＱｉｎｇｑｉｎｇ牗ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎ牞Ｘｉ ａｎＰｏｌｙｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ牞Ｘｉ ａｎ７１０６００牞Ｃｈｉｎａ牘Ａｂｓｔｒａｃｔ牶Ｌａｎｄｓｌｉｄｅｄｉｓｐｌａｃｅｍｅｎｔｐｒｅｄｉｃｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｂａｓｉｓｆｏｒｅａｒｌｙｌａｎｄｓｌｉｄｅｗａｒｎｉｎｇ．Ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｌａｎｄｓｌｉｄｅｍｏｖｉｎｇｓｔａｔｅｓｂａｓｅｄｏｎｔｉｍｅｓｅｒｉｅｓａｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ牗ＣＮＮ ＧＲＵ牘ｔｏｄｅａｌｗｉｔｈｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｐｒｅｖｉｏｕｓｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓ．Ｆｉｒｓｔｌｙ牞ａｆｔｅｒｅｍｐｌｏｙｉｎｇｗａｖｅｌｅｔａｎａｌｙｓｉｓｔｏｄｅｔｅｒｍｉｎｅｔｈｅｄｉｓｐｌａｃｅｍｅｎｔｏｆｔｈｅｔｒｅｎｄｔｅｒｍ牞ｔｈｅｅｘｐｏｎｅｎｔｉａｌｓｍｏｏｔｈｉｎｇｍｅｔｈｏｄｉｓａｄｏｐｔｅｄｔｏｄｅｃｏｍｐｏｓｅｔｈｅｃｕｍｕｌａｔｉｖｅｄｉｓｐｌａｃｅｍｅｎｔｔｏｏｂｔａｉｎｔｗｏｄｉｓｐｌａｃｅｍｅｎｔｔｙｐｅｓｏｆｔｈｅｔｒｅｎｄｔｅｒｍａｎｄｔｈｅｐｅｒｉｏｄｉｃｔｅｒｍ牞ａｎｄｔｈｅｔｒｅｎｄｔｅｒｍｉｓｆｉｔｔｅｄｂｙａｆｉｖｅ ｏｒｄｅｒｐｏｌｙｎｏｍｉａｌ．Ｔｈｅｎ牞ｔｈｅａｕｔｏｃｏｒｒｅｌａｔｉｏｎｆｕｎｃｔｉｏｎｉｓｕｔｉｌｉｚｅｄｔｏｔｅｓｔｔｈｅｐｅｒｉｏｄｉｃｄｉｓｐｌａｃｅｍｅｎｔｃｈａｒａｃｔｅｒｉｓｔｉｃｓ牞ａｎｄｔｈｅｇｒａｙｃｏｒｒｅｌａｔｉｏｎｍｅｔｈｏｄｉｓａｐｐｌｉｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｃｏｒｒｅｌａｔｉｏｎｄｅｇｒｅｅｂｅｔｗｅｅｎｅａｃｈｆａｃｔｏｒａｎｄｔｈｅｐｅｒｉｏｄｉｃｔｅｒｍ．Ｍｅａｎｗｈｉｌｅ牞ｔｈｅｐｅｒｉｏｄｉｃｔｅｒｍａｎｄｔｈｅｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒａｒｅｉｎｐｕｔｉｎｔｏｔｈｅＣＮＮ ＧＲＵｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｏｎ牞ａｎｄｆｉｎａｌｌｙｔｈｅｐｒｅｄｉｃｔｅｄｃｕｍｕｌａｔｉｖｅｄｉｓｐｌａｃｅｍｅｎｔｖａｌｕｅｉｓｏｂｔａｉｎｅｄｂｙｓｕｐｅｒｐｏｓｉｔｉｏｎ．ＢｙｔａｋｉｎｇｔｈｅＢａｉｓｈｕｉＲｉｖｅｒｌａｎｄｓｌｉｄｅｉｎｔｈｅＴｈｒｅｅＧｏｒｇｅｓＲｅｓｅｒｖｏｉｒａｒｅａａｓａｎｅｘａｍｐｌｅ牞ｔｈｉｓｐａｐｅｒｓｅｌｅｃｔｓｔｈｅｄａｔａｆｒｏｍＪａｎｕａｒｙ２００４ｔｏＤｅｃｅｍｂｅｒ２０１２ｆｏｒｓｔｕｄｙ牞ａｎｄｔｈｅａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒｐｅｒｃｅｎｔａｇｅｏｆｔｈｅｆｉｎａｌｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｉｓｏｎｌｙ０．５２５％牞ｗｉｔｈＲＭＳＥｏｆ９．６１４ａｎｄＲ２ｏｆ０．９９３．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＣＮＮＧＲＵｈａｓｈｉｇｈｅｒｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙ．Ｋｅｙｗｏｒｄｓ牶ｄｉｓｐｌａｃｅｍｅｎｔｐｒｅｄｉｃｔｉｏｎ牷ｔｉｍｅｓｅｒｉｅｓ牷ｃｏｎｖｏｌｕｔｉｏｎａｌｇａｔｅｄｒｅｃｕｒｒｅｎｔｕｎｉｔ牷ＢａｉｓｈｕｉＲｉｖｅｒｌａｎｄｓｌｉｄｅ人民珠江２０２４年滑坡是常见的自然灾害之一，据国家统计局报告，２０２１年中国发生滑坡灾害２３３５起，占全年地质灾害总数的４８．９％，造成直接经济损失数十亿，因此通过历史地质数据综合判断滑坡的演变工程，并对滑坡的变化趋势做出预测成了防灾减灾的必要手段。
基于多重回归模型的住院人数预测
基于多重回归模型的住院人数预测
覃桓
【期刊名称】《中国卫生统计》
【年(卷),期】2014(031)003
【摘要】目的寻长合适的预测方法预测住院人数.方法以上一年度的住院人数及本年平均开放床位增加数为自变量建立多重回归模型预测本年住院人数.结果建立的多重回归模型具有极高的拟合程度.结论用此种模型预测住院人数在置信度一定的前提下置信区间窄,具有科学性和实用性.
【总页数】2页(P523-524)
【作者】覃桓
【作者单位】三峡大学人民医院信息科 443000
【正文语种】中文
【相关文献】
1.应用BP神经网络和多重线性回归模型预测颅内出血患者住院天数 [J], 伍刚;许国宇;白颖;周青;刘策;常鹏飞;安沂华
2.基于灰色系统理论的急性原因未明传染病住院人数预测模型研究 [J], 刘智勇;金新政
3.基于多重离群点平滑转换自回归模型的短期风电功率预测 [J], 陈昊;张建忠;许超;谭风雷
4.商洛市城镇居民医保患者住院费用影响因素研究——基于多重线性回归模型 [J], 杨伟; 高建民; 周晓娟; 杨杨
5.基于多重线性回归模型的零伤亡管控体系构建研究 [J], 钱兴; 梁婷
因版权原因，仅展示原文概要，查看原文内容请购买。
GM-WLSSVM模型在办公建筑电力能耗预测中的应用
GM-WLSSVM模型在办公建筑电力能耗预测中的应用杜瑞芝;于军琪【摘要】提出一种结合调整参数的灰色模型GM(Grey model)和加权最小二乘支持向量机回归WLSSVM(Weighted least squares support vector machine)的办公建筑电能预测模型.利用灰色模型所需原始数据少、建模简单、计算工作量小等特点,选取不同的样本对同一时段进行多类型预测;利用加权最小二乘支持向量机模型非线性拟合性好、小样本和泛化能力强的特点,将预测结果进行组合.求解算法时,使用优化的粒子群算法对加权最小二乘支持向量机算法中使用的参数进行寻优.考虑办公建筑特点,将工作日和节假日区分开进行建模预测,提升了预测精度.与需要提供环境信息的经典RBF神经网络方法和最小二乘支持向量机方法比较,仿真结果验证了模型在办公建筑电能预测上是可行的,短期预测具有较高的精度.【期刊名称】《计算机应用与软件》【年(卷),期】2018(035)009【总页数】7页(P44-49,55)【关键词】灰色模型;加权最小二乘支持向量机;建筑能耗预测;粒子群算法【作者】杜瑞芝;于军琪【作者单位】西安建筑科技大学信息与控制工程学院陕西西安710055;西安建筑科技大学信息与控制工程学院陕西西安710055【正文语种】中文【中图分类】TP3990 引言我国办公类建筑的数量近几年呈现爆发式增长，办公人员对办公室内条件要求愈发升高。
办公建筑的能耗量在这样的要求下飞速增长，给使用者、城市能源、环境和电力供应都带来了巨大压力[1]。
其中，办公建筑电力能耗的节约是降低能耗的最重要途径，电力能耗的模拟预测为其提供了便捷的途径[2]。
目前办公建筑用电力耗能预测的方法主要有：回归分析法、时间序列法、灰色模型、神经网络、支持向量机等[4]。
由于影响用电能耗的因素具有复杂性和不确定性，而每一种单一的模型都很难全面地考虑用电量的变化趋势和影响因素。
基于Fourier级数的滑坡位移预测模型研究
【 摘
要 】滑坡灾害的发生是多种致 灾因子共 同作用 的结果 ，其位移变 化呈现周期性阶梯式增长特性。本 文将
Ｆ ｕｉ 级数理论引入到位移一 时间序列分析 ，建立了基于 Ｆ ｕｉｒ ｏｒｒ ｅ ｏ ｒ 级数的滑坡位移预测模 型。同时将其应用到卧 ｅ
龙寺 是新滑坡位移预测当中，预测结果表 明： 基于 Ｆ ｕｉ 级数的滑坡位 移预测模型能较好地揭示滑坡位移一 时间 ｏｒｒ ｅ 序 列中的趋势性及周期性规律 ，能更好地预测滑坡位移变化的趋势 。 【 关键 词】滑坡 ；位移一时间序列 ；Ｆ ｕｉｒ ｏ ｒ 级数 ；预测 ｅ
残差平方和
２ ５４ ２ ４ ．４ ６
６ ．６ ５ ９８ ０ ３ ．７ ７ ５２ ４ ２ ．５ ３ ３８ ０ １ ．７ ４ ４６ ６ １ ．７ ６ ２９ ８ １ ．６ ４ ２１３ ８３ ６ ．９ ９
相 关系数
０９ ５ ．５ ５
０９ ７ ．８ ３ ０９ ３ ．９ ６ ０９ ５ ．９ ６ ０９ ７ ．９ ３ ０９ ７ ．９ ６ ０９ ７ ．９ ８ ０９ ８ ．９ ５
由上节 中的 离散傅里 叶变 换理 论可 知 ， 限域 内的非周 期函数 也可 以用 正弦和／ 有 或余 弦乘 以加权 函数 的
积分来表示一即傅里叶变换。边坡位移监测的时间序列厂（ 则可以通过傅里叶级数进行展开为任意 Ｋ 阶 ｆ ）
盼波加和形： ） ｌｃ‘ ｎ ／当及项数足定件 谐韵权的式 ＝＋（。 罕） 各系满一条时 詈ｎ ｓ ‘＝ 罕十 ｌ。 ＼
ｎｌ ＝ ‘ ‘ ／
（ ９ ）
其趋势项则反映滑坡体 由于本身赋存条件的影响而表现出的位移变化的趋势性， ｏｒ 级数项则反映 Ｆ ｕｉ ｒ ｅ
滑坡体受季节 （ 周期）性降水及地震等因素作用下滑坡位移的变化 。该修正模型在一定程度上考虑了不同
基于SVD-GA-BP神经网络模型的股价预测①
基于SVD-GA-BP神经网络模型的股价预测①罗成【期刊名称】《《佳木斯大学学报（自然科学版）》》【年(卷),期】2019(037)006【总页数】4页(P988-991)【关键词】奇异值分解; 遗传算法; BP神经网络模型; 股价预测【作者】罗成【作者单位】安徽财经大学金融学院安徽蚌埠233000【正文语种】中文【中图分类】F832. 480 引言从对数据处理的角度看，陈园园、刘俊和傅强(2014)用EMD(经验模态分解，Empirical Mode Decomposition)算法预先进行数据处理，并将其结果作为神经网络的输入，最终预测结果要比小波神经网络模型的更佳[1]。
而马瑜和潘和平(2018)依据神经网络构建三种模型，其输入分别是价格相对收益率、价格相对扭力和DB小波变换来预测美元指数，结果说明预先用DB小波变换处理数据，能得出更好的预测效果[2]。
从对模型改进的角度看，(2013)张秋明和朱红莉采用灰色GM(1,1)预测股价的变化趋势，其后用BP神经网络改良了该模型，这种做法不仅提高了预测股票价格的准确性，更能挖掘股票价格变化规律[3]。
TicknorJ L等(2013)提出经过贝叶斯正则化后的神经网络，在既可以不进行季节性分析，也没有数据预处理的情况下，将股票价格相关的金融技术指标作为该神经网络模型的输入变量，仍可以获得很好的预测结果[4]。
从影响股价的因子选取方面看，(2015)郑睿和周丽采用因子分析法确定影响股票价格的主要因子，然后将其作为神经网络的输入向量进行训练。
该模型融合了因子分析和神经网络的优势，可以准确刻画股票价格变化的复杂性和非平稳性，提高了股票价格的预测精度[5]。
李振平和桂预风(2016)首先利用灰色关联分析来遴选出重要的技术指标，然后利用BP神经网络对收盘价格作粗预测，最后再用马尔可夫模型对收盘价格作进一步的精准预测[6]。
而胡婧，叶建木(2017)选取反映投资者情绪的微博数据指标，结合一些技术性指标作为BP神经网络的输入进行预测，取得很好的预测结果，这说明，相比单纯的利用技术性和基本面指标，市场情绪指标也有进一步挖掘的价值[7]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2013南昌大学第十届数学建模竞赛承诺书我们仔细阅读了南昌大学数学建模竞赛的竞赛规则。
我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。
我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。
如有违反竞赛规则的行为，我们将受到严肃处理。
我们参赛选择的题号是（从A/B中选择一项填写）： B 。
报名序号是(没有或不清楚可不填)：NO.85 。
参赛队员(打印并签名) ：所属院系（请填写完整的全名）：1.范元冠杰签名：院系：高等研究院2.黄志涵签名：院系：太阳能光伏学院3.李巧签名：院系：信息工程学院日期：2013 年5 月28 日2013南昌大学第十届数学建模竞赛编号专用页评阅编号：评阅记录：评阅人备注基于神经网络和灰色理论的冠心病月就诊人数的预测模型摘要本文分别对冠心病与就诊人数的统计描述、与环境因素的关系、预测建立了不同的模型。
首先建立了模型一：基于多种统计方法的统计描述模型和模型二：基于小波分析的数据分析模型，得出各个环境因素随月份增加的变化为周期性，同步调的；月病例数主要受大气的平均气压，平均湿度和最高温度的影响，而且与平均气压成正相关，与平均湿度和最高温度成负相关。
月病例数总体呈现出增大的趋势，具有波动性。
然后根据以上结论，选取主要因素平均气压，平均湿度和最高温度作为输入参数，月病例数作为输出参数建立模型三：96-10-7-1四层神经网络进行拟合，建立起病例数与主要环境因素的关系。
分析网络训练的performance图和regress图得到均方差为5.1176×10-5，R =0.9999，由此认为此模型十分精确并接受。
由于病例数序列符合灰色系统的定义，我们建立了模型四：GM(1,1)预测模型，将病例数数据按月分为12组，即2000~2007年1月份数据、2000~2007年2月份数据……2000~2007年12月份数据，分别使用GM(1,1)模型对月数据进行5年预测，最后汇总为2008年~2012年的病例数预测数据。
计算其误差并认为可以接受此模型。
在使用模型四预测的同时又建立了模型五：基于12-7-8-1四层神经网络的时间序列预测模型，使用不同的方法进行预测以期获得最好的结果。
选取2000~2006年病例数作为输入参数，2007年病例数作为输出参数对网络进行训练，之后代入2001~2007年数据得到2008年病例数的方针预测结果。
分析网络训练的performance图和regress图得到均方差为4.2387×10-3，R =0.99413，由此认为此模型十分精确并接受。
然后根据以上结论对卫生行政部门和医疗机构提出具体的预警和干预的建议方案。
我们指出，受夏季高温和冬季高压的影响，冠心病病例数会出现上升态势，所以应对相应的气候变化等做好预警。
并提出了包括加强民众重视程度、加强健康检查、建立多等级预防体系、做好疾病研究等四项建议。
最后对模型进行了评价与改进，并以给出的预警和干预方案作为模型的应用。
关键词：冠心病病例数，神经网络，GM(1,1)，时间序列，建议目录1问题重述与分析 (3)1.1问题重述 (3)1.2问题分析 (3)2模型假设 (3)3符号说明 (3)4模型的建立与求解 (4)4.1问题一 (4)4.1.1模型一：基于多种统计方法的统计描述模型 (4)4.1.2模型二：基于小波分析的数据分析模型 (7)4.1.3结论综述 (8)4.2问题二 (8)4.2.1模型三：基于四层BP神经网络的病例数与环境因素的关系模型[3] (8)4.2.2模型四：基于GM(1,1)的病例数预测模型2] (10)4.2.3模型五：基于四层BP神经网络的病例数时间序列的预测模型[2][3] (13)4.2.4结论综述 (14)4.3问题三 (14)4.3.1预警 (14)4.3.2干预 (15)5模型的检验 (15)5.1模型一的检验 (15)5.2模型二的检验 (15)5.3模型三的检验 (15)5.4模型四的检验 (15)5.5模型五的检验 (16)6模型的优缺点分析 (16)6.1模型一的优缺点 (16)6.1.1优点： (16)6.1.2缺点 (16)6.2模型二的优缺点[3] (16)6.2.1优点： (16)6.2.2缺点 (16)6.3模型三的优缺点[3] (16)6.3.1优点 (16)6.3.2缺点 (16)6.4模型四的优缺点[2][4][5] (16)6.4.1优点 (16)6.4.2缺点 (17)6.5模型五的优缺点[2][3] (17)6.5.1优点 (17)6.5.2缺点 (17)7模型的改进与推广 (17)8参考文献 (17)9附录 (17)1问题重述与分析1.1问题重述冠心病是目前威胁人类生命的严重疾病之一，这种疾病的诱发已经被证实与环境因素，包括温度和气压之间存在密切的关系。
对冠心病中的发病环境因素进行分析，其目的是为了对冠心病就诊人数的进行预测，掌握疾病发病率的规律，对于卫生行政部门和医疗机构合理调配医务力量、改善就诊治疗环境、配置床位和医疗药物等都具有实际的指导意义。
数据(见MWQS.xls)来源于南昌市某医院2002年至2010年间共96个月的冠心病发病病例信息以及相应期间当地的气象资料。
请你们根据题目提供的数据，回答以下问题：1．根据数据基本信息，对月就诊人数及环境因素进行统计描述。
2．研究冠心病月就诊人数与环境因素间的关系，建立冠心病月就诊人数的预测模型。
3．结合1、2中所得结论，对卫生行政部门和医疗机构提出预警和干预的建议方案。
1.2问题分析问题一是对现有数据进行统计描述，题目中给出了2000年~2007年8年间96个月的病例数、平均气压、最高气压、最低气压、平均湿度、最低湿度、平均温度、最高温度、最低温度共9组数据的月时间序列，因此我们使用中位数、标准差、方差、偏度、峰度、平均值、极差等七个统计量描述数据，并运用小波分析对数据进行分析。
问题二则是要求研究冠心病月就诊人数与环境因素的关系并对冠心病与就诊人数作出预测。
我们在问题一的统计基础上，通过神经网络的方法分析冠心病月就诊人数与环境因素的关系，并可通过输入环境因素参数计算出相应的就诊人数，由于冠心病月就诊人数受多种因素影响，其影响因素部分已知部分未知，是一种灰色系统，因此我们基于灰色系统理论建立GM(1,1)模型对月就诊人数做出预测。
为了更加全面，我们以神经网络为基础建立了另外一种预测模型。
对于问题三我们则根据前面建立的模型的求解结果对卫生行政部门和医疗机构提出预警和干预的建议方案。
2模型假设1.所有数据是真实可靠的；2.环境不会发生灾害性突变；3.不会出现冠心病致病病毒及其大规模流行，即以冠心病与环境因素的关系为主。
3符号说明平均值S信号的i层细节信息标准差发展灰度偏度内生控制系数峰度原始序列变量X、Y的相关系数累加序列变量X、Y的协方差拟合累加序列原信号拟合还原序列S信号的i层近似信息4模型的建立与求解4.1问题一4.1.1模型一：基于多种统计方法的统计描述模型[1]4.1.1.1基于中位数、标准差、方差、偏度、峰度、平均值、极差等统计量的数据描述我们选择中位数、标准差、方差、偏度、峰度、平均值、极差等七个统计量对月就诊人数和环境因素进行统计描述和分析。
下面将对这七个统计量进行一一阐述。
●中位数是将数据由小到大排序后中间位置的那个数。
●算术平均值是描述数据取值的平均位置，记作。
中位数和算术平均值都是描述位置的统计量。
表示数据变异程度的统计量有：标准差，方差和极差●标准差s定义为它是各个数据与均值偏离程度的度量。
●方差是标准差的平方。
●极差是数据中最大值与最小值的差，它反映的是这一列数据的振幅特性。
●用数据的偏度和峰度来表征数据的分布形状特征。
变量x的偏度和峰度指的是x的标准化变量的三阶中心距和四阶中心距。
偏度反映数据分布的对称性，大于0称为右偏态，此时数据位于均值右边的比位于左边的多；小于0称为左偏态，此时数据位于均值左边的比位于右边的多。
而接近于0，则可认为分布是对称的。
峰度是数据分布形状的另一种度量。
正态分布的峰度是3，若比3大的多，表示分布有沉重的尾巴，说明样本中有较多的值偏离均值。
表4.1是所有统计量的计算结果汇总：表4.1 各组数据的相关统计量汇总表中位数标准差方差偏度峰度平均值最大值最小值极差平均气压1008.860 8.654 69.108 0.029 -1.235 1009.418 1023.990 994.030 29.960 最高气压1011.330 8.654 74.895 -0.006 -1.252 1011.636 1026.260 995.700 30.560 最低气压1005.916 8.094 65.507 0.084 -1.220 1006.926 1021.730 992.180 29.550 续表病例数76.000 70.959 5035.157 0.836 -0.216 91.479 290.000 11.000 279.000 平均湿度70.550 6.108 37.305 -0.411 0.349 70.792 82.520 54.450 28.070 最低湿度51.785 7.300 53.285 -0.194 -0.073 52.118 67.570 33.420 34.150平均温度 19.700 8.511 72.429 -0.167 -1.336 18.647 31.560 3.510 28.050 最高温度 24.335 8.725 76.124 -0.227 -1.251 22.665 35.920 6.060 29.860 最低温度 16.160 8.298 68.860 -0.135 -1.388 15.643 27.419 1.620 25.799从求得的结果来看：平均气压，最高气压和最低气压的标准差非常地接近，极差也非常地接近，且峰度都小于0，这说明这三个环境因素的变化情况基本上是相同的，都是呈周期性，同步调变化的，数据都不是很集中，这一点也可以从它们的图像中得到应证，也符合实际情况。
1020304050607080901009909951000100510101015102010251030月份压强平均气压 最高气压 最低气压平均气压最高气压最低气压图4.1 平均气压、最高气压、最低气压折线图月病例数的标准差和方差都非常的大，极差也非常大，这说明月病例数的数据波动性很大，不稳定，波动的振幅大，从月病例数-时间的图像中也可以看出，随着时间的推移，月病例数也是大致呈现周期性变化的。