通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

为了提高大数据的精准挖据与预测能力，解决传统数据挖据技术无法适应大数据处理环境的问题，利用云计算和大数据处理技术，提出了大数据精准挖据处理架构及基于BP神经网络的预测模型。重点研究了大数据处理平台架构、大数据分析与表达技术、基于BP神经网络的大数据挖据及预测模型。应用结果表明，该方案结合云计算平台和大数据挖掘技术，能够高效的处理海量数据的处理和表达，对于销售数据具有一定的预测能力。

本文利用灰色系统分析就SARS对某市商品零售业、旅游业和综合服务业所造成的影响建立了预测模型，进行了定量分析，并将分析结果与实际数据进行了比较，从而得出SARS对某市2003的经济影响。 模型：首先，根据题目所给的1997-2002年商品零售业、接待海外游人和综合服务业的数据（即表1-1，表1-2，表1-3）建立了灰色预测模型GM(1,1)，进行预测2003年各项经济指标的相应数据。预测得出2003年1月到12月的商品零售额（单位：亿元），各月接待海外旅游人数（单位：万人）和2003年2月到12月的综合服务业总额（单位：亿元） 表1 对2003相关行业的预测结果 一月 二月 三月 四月 五月 六月 七月 八月 九月 十月 十一月 十二月 商品零售 152.9 155.4 144.2 151.2 157.7 157.4 162.6 161.3 168.0 170.5 166.7 177.1 旅游人数 14.8 26.6 25.5 31.9 33.0 30.8 30.4 37.1 36.7 37.8 33.2 25.5 综合服务 — 240.1 389.6 545.2 743.8 915.8 1100.8 1316.1 1516.6 1708.6 1906.5 2200.9 其次，将2003年预测值与表1-1、1-2、1-3中所给真实值进行比较，画出相应的折线图，得到SARS对该市商品零售业和旅游业的影响比较显著，但对综合服务业的影响不大。损失比的折线图进一步分析。得出在商品零售业、接待海外旅游业、综合服务业三个行业中，SARS对接待海外旅游业的影响最大。 最后，本文对模型的预测值进行了准确的误差分析。将求得的预测值进行检验，计算出商品零售业、综合服务业相对误差都小于0.01，达到一级要求；接待海外旅游业的相对误差小于0.05，达到了二级要求。均方差比值 表3 相关产业预测值与真实值的均方差比 商品零售 接待海外游人 综合服务业 均方差比 0.0398 0.2560 0.0528 通过我们定义的损失比，消除了量纲的影响，从而能够通过损失比衡量SARS疫情对各行业的影响大小。

摘要：文章讨论了多变量灰色预测模型的建模方法及其算法思想，得到了多变量灰色预测模型的检验方法。为了简化模型求解，给出多变量灰色预测模型的MATLAB 程序实现。通过应用实例说明算法程序的应用和效果。 带有MATLAB 程序