文献综述
摘要：本文以神经网络的预测应用为脉络，对其原理和国内外的相关研究进行了介绍，并陈述了基于神经网络的时间序列短期拟合与预测具有更好，更精准效果的观点。
关键词：神经网络；预测；应用；原理
一、引言
神经网络实质上是一种将信息分布式存储和并行协同处理的一种模拟人脑结构的算法模型。尽管每一个单元的功能和结构较为简单，但由大量单元构成的网络系统则可以实现复杂的数据计算，并且还是一个高度复杂的非线性动力学习系统。神经网络的结构更类似于人类大脑，具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。
- 国内外相关研究
通过神经网络的时间序列短期拟合来进行预测的研究，国内外都已经进行了相当多的实践应用。以下列举几种通过神经网络进行预测的应用研究：
- 由于房地产价格变化的情况是一个不稳定的随机过程，具有复杂的非线性特征，因此要想找到能够描述其系统发展变化规律的函数是非常困难的。但陈基纯和王枫在“房地产价格时间序列预测的BP神经网络方法”一文中通过对BP神经网络原理进行改进，根据以往的全国房屋年平均销售价格的数据，同时结合MATLAB的神经网络工具箱的功能就可以比较准确地预测出将来的房地产市场价格。该项方法巧妙地把时间序列构成了BP神经网络的输入输出模式对，从而实现了用BP神经网络对时间序列进行预测的目的[[1]]。
- 随着经济快速发展而带来的城市化加快，城市中也开始出现了很多深基坑工程。但考虑到深基坑如果变形就会导致周围建筑物的变形，因此为了能够获得更好变形监测数据处理效果以此来进一步提高工程安全系数。王磊，高峰在“基于时间序列-BP神经网络在基坑方面的应用研究”一文中运用时间序列-BP神经网络模型对监测数据进行处理分析，使得组合模型对变形监测数据处理后得到的精度更高[[2]]。
- 矿井通风机是煤矿井下用来通风的必不可少的安全设备，假如出现故障而导致通风机停机，则可能会威胁到整个矿山的安全生产。管丽莎，张恩瑜，潘越为了进一步减少这一危险，在“基于时间序列和BP神经网络的矿井风机故障诊断”一文中利用测取的信号进行时间序列分析，建立AR模型并进行估计、预测，锁定故障发生的范围，这样节省了盲目查找故障的时间。直接从预测故障范围中提取参数作为特征向量，并以此作为BP神经网络的训练样本，实现矿井风机的故障诊断[[3]]。
- 股票市场从来就是一个波动不稳定的的市场，而我国股票市场的能否健康稳定发展将直接或间接的影响我国的实体经济发展。为了对股票市场进行合理预测，使我国有关部门能够及时有效的做出正确决策。张扬武就撰写了“基于时间序列和神经网络相结合的股票预测研究”。实际上影响股价运行的因素很多是非线性映射关系。神经网络具有很好的非线性映射能力和自适应自学习的优良特性，可以用时间序列和神经网络综合分析方 法对股票作出预测[[4]]。
- 在当下日益注重生态环境的政策下，海水富营养化逐渐被提上了解决日程。海水富营养化就是指生物所需要的如氮、磷等营养物质大量进入海水之中，引发海藻及其浮游生物大量爆长，抢夺了水中其他生物的氧气，致使其他生物死亡的现象。为了能够更好的应对海水富营养化，于是陈芸，周连宁，唐俊逸，赵振业便进行了“基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测”。即首先根据指数平滑法建立时间序列预测模型，然后利用MATLAB建立三层BP人工神经网络模型进行海域叶绿素a含量预测，进而以叶绿素含量判断海域富营养化的状况[[5]]。
- 随着智能电网的发展，线损治理得到了一定程度的解决。但由于我国智能电网的建设完善度存在地方差异这一因素，使得部分地区的供电公司还普遍存在着智能电表等智能设备使用不全面的情况，致使统计电量工作大多需要人工完成，而这就在很大程度上增加了统计电量的缺失率，继而导致了线损汇总数据不够精确，影响线损数据的适用范围和四分线损达标率。于是黄文思，陆鑫，薛迎卫为了应对这一困难就在“基于用户用电量的时间序列---神经网络线损预测模型”一文中通过将时间序列算法与神经网络模型相结合的方式预测售电量，运用时间序列典型分解方法确定样本售电量序列中存在的趋势成分、周期性成分，并把售电量的主要影响因素作为 BP 神经网络输入，并通过所预测的电量计算线损率，最终实现对异常线损进行修复[[6]]。
- 在金融领域之中也有着神经网络的身影。孙延风，梁艳春，姜静清，吴春国在“金融时间序列预测中的神经网络方法”一文中就提出：由于金融数据的产生过程主要是随机性的、是部分决定的，其影响因素很多，也很复杂。因此，一般建模之前总需要做一些假定，这些假定的正确与否对于预测的准确性影响很大。而神经网络模型是一种非参数模型，只需很少的假定即可进行具有一定精度的预测，因此神经网络模型的使用将会极大地降低因假定有误而引起的预测误差[[7]]。
- 结论
随着国内外对于神经网络研究事业的不断推进，预测领域也取得了较为显著的突破，其中重要的表现就是大量预测方法被应用到各个领域，预测精度不断提高。但是各种单项预测模型由于自身条件的限制，在对数据序列进行预测时，可能由于不能全面掌握数据信息而影响预测结果[[8]]，而通过基于神经网络的时间序列短期拟合这种组合形式的预测模型则具有更好的预测精度。
参考文献：[1]陈基纯，王枫.房地产价格时间序列预测的BP神经网络方法[D].广州：番禺职业技术学院，2008.[2]王磊，高峰.基于时间序列-BP神经网络在基坑方面的应用研究[D].黑龙江：黑龙江第一测绘院，2018.[3]管丽莎，张恩瑜，潘越.基于时间序列和BP神经网络的矿井风机故障诊断[D].河北：河北工程大学，2016.[4]张扬武.基于时间序列和神经网络相结合的股票预测研究[D].北京：中国政法大学，2009.[5]陈芸，周连宁，唐俊逸，赵振业.基于时间序列模型与BP神经网络的深圳近岸海域富营养化预测[D].广东:深圳海岸与大气重点实验室，2017.[6]黄文思，陆鑫，薛迎卫.基于用户用电量的时间序列---神经网络线损预测模型[D].国网信通亿力科技有限责任公司，2018.[7]孙延风，梁艳春，姜静清，吴春国.金融时间序列预测中的神经网络方法[D].吉林：吉林大学，2004.[8]翟静，曹俊.基于时间序列ARlMA与BP神经网络的组合预测模型[D].重庆：重庆科技学院，2016.
-
uarr;
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
