建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。

准确的交通流量预测是智能交通系统中的关键问题。在分析支持向量机SVM回归估计方法参数性能的基础上，提出了粒子群算法PSO优化参数的PSO-SVM短期交通流预测模型。模型利用支持向量机具有结构风险最小化的特性和粒子群算法快速全局优化特点，实现了数据降维并且保持了交通流序列的特征，因此可以高效地预测交通流量。用G107国道现场采集的数据仿真表明了该模型的有效性，预测平均误差为3.4%。

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

提出了基于相关性分析的风电场群风速分布预测方法，首先以空间降尺度的思路，给出了基于修正经验变异函数的风电场群相关性区域划分方法，将风电场群划分为若干个相关性区域；以此为基础，利用空间升尺度的思路，运用经验累积分布函数，考虑相关性区域内参考风电场与目标风电场的相关性，以参考风电场风速来求取目标风电场风速，从而得知相关性区域内的风速分布，结合各个相关性区域的风速描述，最终得到整个风电场群内的风速分布。以实际风电场监测数据为基础的仿真算例验证了所提方法的可行性和有效性。

预测方法 Matlab代码与数据，教程

人工智人-家居设计-短期电力负荷的智能化预测方法研究.pdf

人工智人-家居设计-电力系统短期负荷智能化预测方法研究.pdf

人工智人-家居设计-电力系统短期负荷智能预测方法的研究.pdf

面向智慧交通的数据修复与预测方法研究.pdf

近年来，中国普通高等学校招生规模不断扩大，提高了高等教育的入学率，却增加了大学毕业生就业的压力。研究普通高等学校招生规模的预测方法对于合理地制定普通高等学校招生规模，实现高等教育可持续性发展是非常关键的。采用灰色系统方法和神经网络方法，结合1970―2009年全国普通高等学校招生人数的数据资料，建立了普通高等学校招生规模的灰色系统GM(1，1)模型和BP神经网络模型。对2种模型的模拟通过MATLAB 平台实现。 BP神经网络建模考虑了普通高等学校数、普通高等学校教职工人数、普通高中毕业人数以及国家财政教育