基于数据挖掘技术的汽油消费量预测建模

案例现场汽油消费量预测建模数据挖掘技术及应用系列培训讲座时间：2012年3月5日09:30-10:30•案例描述•建模算法•建模流程•在线建模•参考资料•案例描述汽油消费量受到经济发展、人民生活水平的影响，科学预测对于能源规划有重要意义。本实例分别采用回归分析、BP神经网络等算法构建汽油消费量模型，挖掘汽油消费量受到的影响因素，引入BP神经网络算法，实现智能预测。•案例描述•建模算法•建模流程•在线建模•参考资料•算法介绍-线性回归社会经济现象的变化往往受到多个因素的影响，因此，一般要进行多元回归分析，我们把包括两个或两个以上自变量的回归称为多元回归。多元回归与一元回归类似，可以用最小二乘法估计模型参数。也需对模型及模型参数进行统计检验。选择合适的自变量是正确进行多元回归预测的前提之一，多元回归模型自变量的选择可以利用变量之间的相关矩阵来解决。使用最小二乘法进行参数估计。•算法介绍-LM神经网络误差反向传播算法(Back-propagation，简称BP算法)是当前前馈神经网络训练中应用最多的算法。Levenberg-Marquardt(LM)算法是针对BP算法存在局部极小点,收敛速度慢等缺点，通过采用基于优化理论来改进BP算法。LM算法实际上是梯度下降法和牛顿法的结合，它的优点在于网络权值数目较少时收敛非常迅速。应用LM优化算法比传统的BP及其它改进算法（如共轭梯度法，附加动量法、自适应调整法及拟牛顿法等）迭代次数少，收敛速度快，精确度高。因此，LM优化算法在BP网络学习中具有一定优越性。•算法介绍-LM神经网络LM算法基本思想是使其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯－牛顿法之间自适应调整来优化网络权值，使网络能够有效收敛，大大提高了网络的收敛速度和泛化能力。LM优化算法，又称为阻尼最小二乘法，其权值调整公式为：•案例描述•建模算法•建模流程•在线建模•参考资料•建模流程方案管理数据管理分类与回归否上传数据文件选择训练样本选择数据文件参数设置模型验证刷新数据列表选择应用类别结束输入方案名称输入方案描述指定应用类别是否新建方案确定是模型评估开始打开已建方案样本数据准备从菜单中选择分类与回归算法回归分析BP神经网络FNN神经网络支持向量机…...交叉验证模型训练•建模流程1、数据准备2、创建方案•建模流程3、加载数据•建模流程4、选择算法•建模流程5、建模时导入训练样本•建模流程6、建模参数设置•建模流程-LM神经网络7、模型训练•建模流程8、模型验证•建模流程8、模型验证•建模流程9、模型预测•建模流程10、结果分析经过多元线性回归，可得到结果，重复上述步骤，进行BP神经网络建模，得到结果。具体结果参见汽油消费量.xsl-结果分析。从结果上看,BP神经网络建模具有一定的优势。•案例描述•建模算法•建模流程•在线建模•参考资料•在线建模•在线建模•在线建模•案例描述•建模算法•建模流程•在线建模•参考资料