在论述铁矿石需求预测途径的基础上,选取影响我国铁矿石需求的8个基本因素,采用回归分析方法进行了铁矿石需求的单因素分析.单因素分析结果表明,选取的8个基本因素与铁矿石需求的相关度基本都大于0.9.对8个基本影响因素进行了主成分分析,最终降维为4个主成分.将主成分分析方法与回归分析方法相结合,建立了铁矿石的需求预测模型,并对我国2015年和2020年铁矿石的需求量进行了预测,分别为29.76亿t和26.68亿t

13.1 时间序列及其分解 13.2 时间序列的描述性分析 13.3 时间序列的预测程序 13.4 平稳序列的预测 13.5 趋势型序列的预测 13.6 复合型序列的分解预测

Ø8.1 时间序列及其分解 Ø8.2 时间序列的描述性分析 Ø8.3 时间序列的预测程序 Ø8.4 平稳序列的预测 Ø8.5 趋势型序列的预测 Ø8.6 复合型序列的分解预测

◼ 13.1 时间序列及其成分 ◼ 13.2 时间序列的描述性分析 ◼ 13.3 时间序列的预测程序 ◼ 13.4 平稳序列的预测 ◼ 13.5 趋势型序列的预测 ◼ 13.6 复合型序列的分解预测

以BP算法为基础开发了ANN学习预测系统,用于宝钢IF钢大生产产品性能预测.同时,应用在宝钢IF钢大生产数据对该系统进行了测试和分析,并与多元线性回归结果进行预测精度比较.结果表明,ANN学习预测系统,除σ0.2误差较高(9.0%)外,σb,δ,r和n值均<5.0%,且比多线性回归方法精度高

选取某4000 m3级别高炉2014年至2019年时间范围内的日平均数据，以铁水温度为目标函数，首先对铁水温度的特征参量进行线性与非线性相关性分析、特征选择与规范化处理，获取了显著影响铁水温度的正负相关性特征参量。在此基础上，基于支持向量回归与极限学习机两种算法对铁水温度构建预测模型，模型均可对铁水温度实现有效预测，基于支持向量回归算法构建的预测模型较优，预测平均绝对误差为4.33 ℃，±10 ℃误差范围内的命中率为94.0%

第一节 需求与预测概述 第二节 物流需求与供给 第三节 物流需求预测 第四节 物流需求预测方法 第五节 物流需求预测实例 第六节 案例分析

9.1 时间数列的基本特征 9.2 移动平均法分析与预测 9.3 回归法分析与预测 9.4 指数平滑法分析与预测 9.5 季节变动的测定与分析

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法

EViewsWindows能为我们提供基于平台 的复杂的数据分析、回归及预测工具, 通过 EViews能够快速从数据中得到统计 关系,并根据这些统计关系进行预测。 EViews在系统数据分析和评价、金融分 析、宏观经济预测、模拟、销售预测及 成本分析等领域中有着广泛的应用