预测和推理能力（共5篇）
预测和推理能力 篇1
摘要：听力是大学英语学习中是十分重要的技能。预测、推理能力的短失成为不少学生进一步提高听力的障碍。本文就学习者如何在听力活动充分利用已学知识和其他有效学习策略发展自己的预测和推理能力做一讨论。
关键词：大学英语听力,已学知识,预测、推理能力
一、引言
2004年教育部颁发了《大学英语课程教学要求》,正式启动了中国大学英语教学新的改革,而加强听说教学则是改革的主要目标和核心内容。听力是英语学习中十分重要的技能,但也是一项学习者认为最难掌握的技能。学习者在听力学习方面有困难,可能有多种原因,如缺乏必要的语音、语调等语音知识;或者缺乏必要的词汇量等原因,但对有一定的英语知识基础的学习者来说,缺乏必要的听力学习策略可能是主要障碍。我们知道,听力过程是听话人的心理解码过程,但听力理解又不是单纯的语言信息解码过程。“听的整个过程是一个接受、理解、预测、肯定、否定等诸多心理过程反复的动态过程”(肖礼全,2006:111)。在这个过程中,学习者的已有语言知识、对目的语的社会文化背景知识以及常识都对听力理解产生正面或者负面影响。本文就学习者如何在听力活动充分利用已学知识和其他有效学习策略发展自己的预测和推理能力做一讨论。
二、听力学习中发展预测、推理能力的策略
(一)听力理解中充分利用已学知识
首先,教学中我们要让学生明白:听力活动所涉及的不仅是语音、语调、重音等语音知识,更是涉及英语语言各方面的综合知识。学生学会利用已学语言知识,是指包括对英语口语体知识的了解、词汇和语法知识等。了解这些不仅可以克服对听力理解的畏难情绪,调动主动和积极性充分利用已有知识于听力理解,更重要的是对听到的内容进行验证、或者预测下文。这样做无疑对提高听力技巧和能力是很有帮助的。
例如:当听到“it is fantastic, really good.”时,有学生可能真的不知道听到的fantastic为何意。如果能够认识到really good就是对fantastic的解释或者重复。那么就不要认为没有听懂。实际上就这句话来说,这样理解是正确和透彻的。
再如,句法知识告诉我们:当听到“do you…?”我们应该马上反应这是一句问题,十有八九是一个一般疑问句。听力活动中能从词汇、句型中及时捕捉的信号有助于树立信心和对接下来要听到的内容做出积极的预测。
再如:当听到“first…”.后完全可以这样预测:下面还会出现“second…”,甚至“third…” and“fourth…”等内容。如果听到 however,but,nevertheless等连接词汇,那么这些信号词清楚地告诉听者,下面所说的内容很可以与前面的不同或者相反。类似的用法或者语言现象还有很多,教师要引导学习者学会在听力练习中注意积累、积极运用。
(二)借鉴阅读理论和模式,利用标题、关键词或者练习选项等线索发展预测能力
我们知道在阅读学习研究中有所谓的“上行阅读理论”“下行阅读理论”和“上下行理论”。“下行阅读理论”指的是由整体到部分,由宏观到微观,由大到小的阅读。简单说就是由篇章到段落,有段落到句子,有句子到词组、单词的阅读。可以比喻为“先见林,再见木。”“上行阅读理论”反之。而“上下行理论”指的是两个阅读理解模式的相互交差、相互弥补。阅读的有关理论对我们进行听力训练很有启发意义。而且,在很大程度上,听力理解过程实际上与阅读一样也经历着同样复杂的上下行阅读模式交互的过程。不同的是阅读信息是视觉信息,而听力为听觉信息。所以我们完全可以借鉴阅读模式中有效的策略用于听力训练。这里特别介绍一下借鉴“下行阅读理论“的做法。
因为现实中很多学习者在听力练习中倾向于过多使用类似阅读“上行阅读理论”的做法。他们往往把注意力集中到某个单词上,缺乏篇章意识和对听力材料宏观的预测和把握能力。听的过程中只听到“树”,未闻及“林”,结果往往是“既没捡到芝麻,又丢了西瓜”。听力训练中学习者尝试借鉴“下行阅读理论”的做法,对学生提高听力预测能力和理解能力也会有帮助的。
如,听到的听力材料标题为How to keep fit?时,听者就完全可以预测正文无非是怎样保持健康的方法或者途径。而且常识告诉听者这些方法可能谈到锻炼方式、可能谈到饮食和生活习惯等。听到段落的主题句如Doing exercises is key to good health.时,就可以预测本段的大意和内容很可能就是谈运动的好处或者介绍几种运动。听到生词,就可以借助标题、主题句和上下文来判断、推理出它的意思。如,当听到Jogging in the morning is one good way to keep fit. But you have to do it regularly. Running once in a month won’t be of much help.通过对标题、主题句的预先了解,加上下文中Running once in a month won’t be of much help.线索,听者不难推测出jogging无非是running的一种。
另外,虽然听力材料为听觉信息,但很多时候还是有相关的文字、图像等视觉信息可以利用。积极利用这些信息也是听力理解中必要的策略。如电视英语的画面、画面给出字幕、关键词和听力练习给出的选项等。如下面是听力测试对话题型的4选项,请首先问一下自己的学生在测试中怎样预测将听到的内容,注意过选项是唯一可以利用的信息来源吗?然后根据选项预测一下对话的大致内容。
(A) Because it has a prettier yard.
(B) Because it has a large yard.
(C) Because it has a prettier color.
(D) Because it is bigger.
此时,选项是预测要听到的内容的唯一信息来源。在大多数情况下,通过快速浏览选项是可以成功预测听力内容的。比如在以上四个选项至少可以获得以下信息。1)it 很可能是一栋房子。因为it 带有yard(院落)。2)这房子和某房子相比较大或院落较大或色彩更漂亮。3)所提问题很可能是问某人为什么买这栋房子或者为什么喜欢这栋房子。因为四个选项都以表示原因的连词because 开头。
三、结语
由以上讨论可见,听力理解的过程是包含接收、辨认、理解、预测、判断、否定、肯定等思维的复杂的心理活动。在此过程中,学习者对英语基础知识(语音、词汇、语法等)的掌握程度和具有其他已有知识和预测、推理能力都起着重要的作用。教学中指导学生学会利用已有知识、逐步发展自己的预测、推理能力对提高学生听力水平具有积极意义。
参考文献
[1]Ellis,R.Understanding Second Language Acquisition[M].Oxford university Press.1986.
[2]D.Cohen,Andrew.Strategies in Learning and Using aSecond Language[M].AddisonWesley Longman Limited.1998.
[3]文秋芳.英语学习策略论[M].上海:上海外语教育出版社,1996.
[4]文秋芳.英语学习策略实证研究[M].西安:陕西师范大学出版社,2003.
[5]程晓堂.英语学习策略[M].北京:外语教学与研究出版社,2002.
[6]王笃勤.英语教学策略论[M].北京:外语教学与研究出版社,2002.
[7]张敬源,佘名叔.论大学英语教学中发展口语交际能力的可行性[M].外语与外语教学,1999,(1).
[8]戴炜栋,束定芳.外语交际中的交际策略研究及其理论意义[M].外国语,1994.
预测和推理能力 篇2
【关键词】世界洋流 推理能力 案例教学
引言
世界洋流是自然界中物质运动与能量交换的重点内容，洋流的内容可以分为两个方面。首先，对洋流四大规律的归纳。在教学过程中，教师要引导学生运用世界洋流模拟图、世界表层洋流分布图、气压带和风带分布图以及对不同纬度和不同海区洋流系统的分析来进行规律归纳。其次，根据世界洋流的特点来说明对人们生活的影响。教师可以在把握知识重点的基础上，运用实例教学来培养学生归纳和演绎推理能力，以此来提高学生的综合素质。在我们生活中实际的案例在不断的变化，这就需要学生充分利用所学的地理概念，对实际情况进行分析和总结，这个过程就是学生不断熟练旧知识并且发现新知识的过程。
一、洋流教学中出现的问题
在世界洋流的教学中，很多老师首先从洋流流向与盛行风之间的关系进行讲解。然后再通过气压带与风带来总结陆地轮廓和地转偏向力的影响，进而向学生介绍洋流分布模式图。这种方法不符合学生接受新知识的规律，老师在讲解的过程是从抽象到具体，从整体到部分。学生无法对内容有一个深入的了解。而这部分内容要求学生根据世界地图，归纳出洋流的分布规律。这个过程教师应该引导学生运用世界地图，运用“归纳”的方法来学习洋流的分布规律，通过许多的实例对本质进行总结，使学生通过从现象到实质，从具体到抽象的方法来进行学习，并且结合实际的案例分析，使学生学习的更加深入。
二、通过实例教学培养学生的分析推理能力
教师在讲解的过程中，可以用一个例子或者一个故事来引导出所要讲的知识并提出与所讲内容相关的问题，使学生进行分析和讨论，并鼓励学生提出自己的观点。学生经过分析讨论之后会出现一些解决不了的问题，这个时候老师就可以讲解所学知识的重要性，提高学生学习的兴趣和积极性。老师在实例教学的过程中，不仅可以引导学生通过理论分析实例案例，也可以通过实际案例对概念进行分析与总结。在这种教学方法下，学生可以对所学概念进行不断的分析、推理、总结与归纳，并在此基础上对一些实际问题进行分析与解释，这种教学方法有助于学生归纳与演绎推理能力的培养。
1.洋流的案例分析
在讲解洋流形成原因的过程中，老师就可以讲解第二次世界大战中的故事。在第二次世界大战中，英军戒备森严的控制着直布罗陀海峡，而德军的潜艇总是能轻而易举的来回于大西洋与地中海之间，对盟军的海上力量造成了严重的威胁。通过这个案例，老师可以对学生进行询问，德军能够自由的来回于直布罗陀海峡的原因，学生能够很容易的想到是洋流。那么老师可以在此基础上，引导学生进行思考洋流产生的原因有哪些。学生对洋流已经有了一定的了解，在此基础上可以通过所学知识对洋流产生的原因进行很好的推理与分析，并且把自己的语言进行总结。通过以上的案例并结合教材，很多学生可以推理出洋流产生的原因是密度流。直布罗陀海峡各地海水的温度与盐度不同，引起了海水密度的差异，水面的高度也有所不同，导致海水的流动。学生在总结出密度流之后，老师可以通过引导学生运用归纳与推理的方法分析总结洋流形成的其它原因，在此基础上培养学生的推理能力。
2.郑和下西洋的案例分析
（1）郑和带领着庞大的船队航行，船只仅靠风动力前行，那么在航行的过程中必须要有效的利用风力和洋流，合理的安排航海路线和时间。然后教师带领学生对郑和对季风和洋流的运用进行分析。
（2）郑和船队的出发均选在冬季风力最强的时候，返航的时间都是夏季。老师就可以向学生提问郑和这样选择的原因，在此期间老师可以不断的讲解原理，并鼓励学生进行总结分析，使学生得出最后的答案。选择冬季出航是因为亚欧大陆面积广阔，亚洲的高压势力强，在冬季就出现强劲的偏北风，有利于航行。返航选择夏季的原因是当时西南季风漂流的势力很强，船队向东行驶和向北行驶，这样一来就能很快的回到中国。而且在航线的设定上，充分的利用了洋流的知识，冬季航行的时候偏北风不断的吹送南下的洋流，使船队顺风顺水，很快就到达中南半岛。在这个案例中，教师在清楚讲解原理的情况下引导学生进行总结和分析，很好的培养了学生的归纳推理能力。
3.生产生活的案例分析
（1）洋流的规模很大，决定着不同海区的水量、热量和盐量交换，对我们的生产生活有着很大的影响。老师可以询问问题的方法来引导学生学习这方面的知识。
（2）首先老师可以询问学生为什么在日本和秘鲁的海域内渔业资源特别的丰富呢，这时学生就会进行思考和讨论，学生根据之前知识回答说日本寒流和暖流交汇的北海道渔场，秘鲁则分布由上升流形成的秘鲁渔场。老师对问题进行最后的归纳和总结。首先，海流对渔场的形成有着重要作用，老师可以将学生的回答进行补充与总结，即在寒、暖流交汇处和有大规模上升流的地方会形成大的渔场，也就是日本北海道渔场和秘鲁渔场形成的原因。其次，鱼类所需的饵料则是根据海水表层营养盐类的多少而决定。表层盐类多，浮游植物就多，以此为生的浮游动物就多，这样鱼类所需的饵料就会特别的丰富。寒、暖流交汇和上升流都会把海底的营养盐类带到表层，从而形成大型的渔场。对渔场的形成条件进行细致的分析之后，教师可以询问学生世界上都有哪些著名的渔场，并让学生分析。学生很容易的就能理解并掌握世界著名渔场形成的原因是寒、暖流的交汇或者是受上升流的影响。
（3）老师可以通过提问的方法，来进行其他方面的教学，比如洋流对全球气候的影响，对交通运输和环境保护的影响等等。这种方法可以使学生自己思考，老师在一定程度上对其答案进行总结和整合。这种方法是通过分析现象来得出本质，培养学生的归纳推理能力。
小结
案例教学法是各个学科都在使用的一种方法，地理的教学也不例外。地理不是只有空泛的理论，而是所有的理论都有实际的基础，基础即是我们所生活的地球。所以实例教学对于地理尤为重要，我们可以把知识与生活过程中实例进行有效的结合，使抽象的理论更加具体。在地理的教学中，老师要注重学生推理能力的培养，这样可以使学生对原理和概念的掌握更加深刻。另外，在具备了一定的归纳和演绎推理能力之后，学生可以把地理中的概念与实际结合起来进行分析、概括与归纳。学生在推理能力不断提高的过程中，其解决问题的能力也会不断提高，学生的自学能力和实际运用的能力不断增强，促进了学生的全面发展。
【参考文献】
[1] 谢惠清. 以导学案为载体，构建创感地理课堂以——“世界海洋表层的洋流”为例[J]. 考试周刊，2012（90）： 131-132.
[2] 王晨光. 谈洋流教学的误区与改进[J]. 中学地理教学参考，2013（3）：44-45.
预测和推理能力 篇3
教师首先要思考的是:对于一些常识性的知识, 学生当初是如何接受的?以“原子可以再分”这一结论为例, 苏教版物理八年级下册在“静电现象”一节中, 先是通过摩擦起电现象提出了正负电荷的概念, 同时总结出摩擦起电现象的规律。教材的重点在于让学生认识和理解静电现象, 认识原子是由更小的微粒构成, 原子的构成对摩擦起电现象可以做初步解释。所以“原子可以再分”是学生在必须接受的事实下, 理解所看到的现象, 并加深对现象规律的记忆, 这属于形象记忆方式。当这一结论在高中阶段再次出现时, 在学生看来无非是抽象记忆中以结论为对象的事物二次呈现, 只是高中教材介绍得详细一点而已。高中教师应该如何处理这一节知识的讲授?教材在不同教学阶段给出相同的知识点, 并非让教师将教学手段再次重复。笔者认为原因有以下几点。
1.教学实施原则
学生的成长过程是一个不断向前递进的过程, 在成长的每个阶段, 针对他们的要求都是不同的, 我们常说教师面对学生个体讲究的是因材施教, 而面对整个学生群体因时施教则显得尤为重要。教师的施教要符合学生现阶段脑力成熟的水平, 要满足学生现阶段能力提升的需要, 要为学生后期的发展提供有利的保障和合理的规划。
2.侧重逻辑推理关系
复习旧知识的目的是寻找新的启示, 初中教材的目的是让学生知道有这么个结论, 而高中教材的目的在于让学生体会到这个结论的发现过程, 如何在“体会”中让学生的思辨能力和逻辑推理能力得到锻炼, 也就是如何侧重于抽象记忆中的逻辑关系对象。这是教师教学实施过程中需要认真思考的。
3.完善缜密思维过程
让学生以一个探究者的身份去思考问题和解决问题, 可不可以从这个环节连到下一个环节?这种由上至下的连接是否唯一?能否从另一个层面完成探究?让学生“体会”本身也是完善缜密思维和强化逻辑思维的过程。这是教师教学实施的着力点。
当高中阶段继续学习“原子可以再分”这一结论时, 则应该引导学生完成对电子发现过程的体会。
第一, 如何证明射线为粒子流的重要性?众所周知, 摩擦不但能起电, 而且还可以产生内能。除此之外, 正离子的轰击、紫外光的照射、金属受热也会有内能产生。也就是说不同的物质和不同的方法在产生能量方面也可以具有一致性, 但能量显然不能作为物质的组成部分。如果不解决射线是能量还是粒子的问题, 我们就无法得出下一个结论, 即由于不同物质都能发出相同的射线, 因此它是所有物质中的组成部分。
第二, 如何验证射线的性质?能量和带电粒子的区别在于在磁场和电场中是否发生偏转。因为能量没有极性, 所以打出来的射线自然是一条直线, 而运动的电荷会在电场力或洛伦兹力的作用下发生偏转。另外, 由于此前科学家就发现了氢离子, 因此我们有理由怀疑射线的组成有可能是氢离子。但通过偏转的方向和相关数据可以测出带电粒子的极性和荷质比, 从而发现这是一个不同于氢离子的物质。此法在核衰变章节中也被用来辨别琢射线、茁射线和酌射线的物理性质。
第三, 如何检验实验结论?结论究竟正确与否, 要看是否能够合理地解释目前所观察到的现象以及能否以此作为前提从而得到其他一些正确的推论。电子作为原子的组成部分, 根据其被测得的物理性质可以很好地解释原子为什么会呈电中性, 也为后来原子结构、光电效应等一系列问题的解决打下了基础。
预测和推理能力 篇4
有效的风电功率预测, 是保证电力系统安全运行和优化调度的前提, 但风电具有较强的随机性和间歇性, 这无疑增加了预测的许多难度。虽然起步比较晚, 但我国的研究人员在这方面还是做出了许多贡献, 时间序列、灰色模型[1]、神经网络[2]、支持向量机[3]、小波分析等方法得到了较好地运用。部分方法采用了间接预测, 即通过预测风速, 再建立功率曲线求取风电功率。其中的每一步都存在些许误差, 总和之后自然会增大误差。另外, 以上方法都是得到一个或一系列确定的预测点, 用户只能接受这些确定值而没有选择的余地。
云理论是由李德毅院士提出的一种不确定性人工智能方法, 该方法已经成功运用在空间负荷预测[4]、电价预测[5]等多个电力系统的研究领域中。本文给出的云推理模型用云变换将风速等定量数据转换成多个云的定性概念, 并通过挖掘多个云概念之间的关联规则, 找出内部规律, 最后利用云推理得到一系列有稳定倾向的预测值。虽然预测结果是不确定的, 但所有的点都在某个值附近小幅波动, 用户可以利用自身经验或借助其他信息恰当选取其中一个点作为预测结果, 还可以求取所有离散点的期望值作为确定性结果。
1 云模型
云是定性概念和定量数值之间的不确定转换模型。云模型一般由三个数字特征 (期望、熵、超熵) 来描述。云的期望 (Ex) 是最能代表该定性概念的数值;熵 (En) 反映了该定性概念的模糊程度, 它的大小决定了能被该概念接受的范围;超熵 (He) 反映了云的离散程度, 它的大小反映了云的厚度, 是随机程度的体现。比如风速的一个定性概念“较快”及其数字特征如图1所示。
2 云变换
云变换是指把风速、风向、风功率等定量数据转换成由多个云叠加而成的定性概念。首先, 以某风电场10月份的历史数据为依据, 对所有的数据进行归一化处理, 然后求取各类数据的频率分布, 风功率的频率分布如图2所示。
最后采用基于峰值的云变换算法[6], 即
其中:f (x) 为频率分布函数;ri为幅度系数;c (Exi, Eni, Hei) 为变换后的其中一个云概念;num为变换后的云概念的个数;为云变换的最大误差。数据频率分布的局部最高点 (峰值) 是数据的汇聚中心, 将它所对应的横坐标作为某个云概念的期望值。峰值越大, 表示数据汇集越多, 越能反映某个定性概念。
具体的峰值云变换如下, 以风功率为例:
(1) 找到风功率频率分布 (图2) 中的各个峰值位置, 将其对应横坐标定义为云的期望Exi (i=1, 2, …, num) 。
(2) 计算用于拟合原频率分布函数f (x) 的以Exi为期望的各个云概念的熵Eni[7], 并计算云概念的概率密度期望函数作为各个云的分布函数, 如图3所示。
(3) 用不带确定度的逆向云算法[8]求取各个云概念的超熵Hei, 整合之后得到所有云概念的3个数字特征c (Exi, Eni, Hei) , 并最终得到云变换之后风功率的16个定性概念。
用同样的方法可分别得到风速和风向的16个和12个定性概念。但上述变换得到的云概念还比较粗糙, 相邻两个云之间有可能距离太近, 甚至一个云已把另一个云完全包含在内, 造成概念的重复和多余, 所以有必要对云变换之后的概念进行跃升, 使每个云概念的意义更加独立和清晰。
3 概念跃升
所谓概念跃升, 是指将云变换得到的基本概念作为泛概念树的叶结点, 逐步合并距离最近的两个概念, 以得到想要的概念层次。通常有两种方法:用户指定概念个数, 直接跃升;不指定概念个数, 根据人的认知特点 (人们同时只能认知至多72个概念) 自动跃升[9]。这里采用第一种方法, 并考虑云之间的幅度系数影响[10]来进行概念合并, 多次设定概念个数进行实验后, 选取疏密合适的概念个数作为云概念跃升的结果。最终得到风功率的9个跃升概念, 如图4所示。
一般情况下, 可用半云 (或半梯形云) 来描述最接近论域边界的两个定性概念, 相邻概念之间出现交叠, 体现了云模型的不确定性。假设风功率的9个云概念分别为:{极低, 很低, 低, 较低, 中等, 较高, 高, 很高, 极高}, 则它们的数字特征如表1所示。
用类似的方法对风速和风向进行多次概念跃升实验, 从中选取较合适的概念个数, 最终得到相应的5个和9个跃升概念, 分别如表2和表3所示。
4 关联挖掘
4.1 概念隶属判定
概念跃升之后, 需要判定所有的历史数据属于相应类别的哪个概念, 从而精简数据库, 促进关联规则挖掘的成效。概念隶属判定有随机判定法和极大判定法两种方法, 两者都需先求出某个数据对相应云概念的所有隶属程度, 然后, 随机判定法从隶属程度大的前几个概念中随机选择某个定性概念, 而极大判定法选择隶属度最大的那个概念作为隶属概念。选用极大判定法, 以风速的某个待判定数据a为例:首先, 生成以风速概念的Eni为期望, Hei为方差的5个正态随机数Eni'=Norm (Eni, H2ei) (i=1, 2, …, 5) ;然后计算得到a对风速概念的5个隶属程度;最后将最大的µi所对应的概念Ci作为a的隶属概念。
为了便于挖掘规则, 把风功率、风速和风向的定性概念改用阿拉伯数字命名, 则风功率的9个云概念命名为{1, 2, ⋅⋅⋅, 9}, 风速的5个云概念命名为{10, 11, ⋅⋅⋅, 14}, 风向的9个云概念命名为{15, 16, ⋅⋅⋅, 23}。这样, 得到仅包含{1, 2, ⋅⋅⋅, 23}的简化数据库, 如表4所示。
4.2 关联规则挖掘
采用改进的Apriori算法[11]对概念隶属判定后的数据库进行规则挖掘, 总共有500组历史数据, 只要某组数据重复出现2次, 就认为该组数据对关联知识有一定的贡献, 因此设置支持度阈值为0.004, 信任度阈值为0.2。得到30条符合条件的关联规则, 如表5所示。其中第一条规则{1, 10, 20}可以这样理解, 如果风速“很低”, 并且风向为“东北”, 则风功率“极低”。
5 规则发生器
云推理是基于规则发生器的不确定性推理, 而规则发生器由规则前件和规则后件组成。设有定性规则“if A then B”, A和B分别为对应于论域U1和U2的定性概念。把A叫作规则前件, B叫作规则后件。
给定论域中的一个特定点x, 通过正向云算法生成该特定点属于定性概念的确定度y, 称为前件云发生器;给定一个确定度y∈[0, 1], 通过逆向云算法生成论域中满足这个确定度的云滴x, 称为后件云发生器。一个前件云发生器和一个后件云发生器连接起来就构成了一个单条件单规则发生器。规则发生器的前件可以是多个的 (即多维) , 而后件通常只有一个。
本文采用双条件单规则发生器, 即“if A1, A2then B”。其中, A1和A2作为规则前件, 分别代表风速和风向的某个云概念, B作为规则后件, 代表风功率的某个云概念。如果用一个双条件单规则发生器来描述一条关联规则, 那么, 前面挖掘出的30条定性规则便可用30个双条件单规则发生器来描述, 相当于一个组合规则发生器。
6 云推理预测
设预测点前一时刻的风速和风向值为 (x1, x2) , 输入前述组合发生器中将得到30个预测结果, 这显然是不可取的。预测中如果考虑历史数据隐含着的某种历史规律, 那么它体现的是一种整体的预测策略;而若考虑最近数据呈现出的某种当前趋势, 则它体现的是一种局部的预测策略。单纯将历史规律作为预测知识是有些陈旧的, 唯有综合考虑这两种策略, 用当前趋势对历史规律惯性加权, 才能进行较准确地推理和预测。
首先考虑历史规律:把 (x1, x2) 输入每个双条件单规则发生器的前件会得到一个隶属度, 该隶属度体现了 (x1, x2) 对该条规则的激活强度。那么, 我们将得到30个激活强度 (y1, y2, …, y30) 。从中找到最大值ymax, 则对应的规则“if Ai1, Ai2 then Bi”最能反映点 (x1, x2) 所具有的历史特性, 因而该规则的后件Bi可作为相应预测知识的历史规律。
其次考虑当前趋势:越靠近预测点的数据越能反映其当前趋势, 因此, 可选邻近预测点的t个数据, 通过逆向云算法得到当前趋势的云模型Ct。
最后综合考虑历史规律和当前趋势:采用第2节中提到的概念合并算法, 将Bi和Ct合并得到Dt, 从而构造新的预测规则“if Ai1, Ai2 then Dt”进行推理预测。
由以上方法可以得到云推理的组合规则发生器, 如图5所示。具体的算法步骤如下[12]:
(1) 将预测点前一时刻的风速和风向值 (x1, x2) 输入30个双条件单规则发生器的前件 (CGA1, CGA2, …, CGA30) 得到 (y1, y2, …, y30) , 找到最大值ymax所对应的规则“if Ai1, Ai2 then Bi”, 将其后件Bi (Ex B, En B, He B) 作为预测知识的历史规律。
(2) 取邻近预测点的t个数据, 通过逆向云算法得到当前趋势的云模型Ct (Ext, Ent, Het) 。
(3) 综合Bi和Ct得到新的预测知识Dt (Ex D, En D, He D) , 将其作为组合规则发生器的后件CGD-1。构造新规则“if Ai1, Ai2 then Dt”进行预测。
(4) 生成一个期望值为 (En Ai 1, En Ai 2) , 方差为 (H2eAi 1, H2eAi 2) 的二维正态随机数 (E'n Ai 1, E'n Ai 2) 。
(5) 生成一个期望值为En D, 方差为H2e D的正态随机数E'n D。
(6) 若x1≤Ex Ai1, x2≤Ex Ai2, 则预测值
7 预测实例
预测采用我国某风电场10月份的500组历史数据, 每组数据包含风速、风向和风功率三类数据。根据风功率的数据特点, 采用邻近预测点的5个数据迭代地构造当前趋势的云模型Ct1, Ct2, …, Ct24, 再用第5节的云推理方法迭代地预测未来值y'501, y'502, (43) , y'504。虽然云推理属于不确定性推理, 但每个点的预测结果都在某一可靠范围内, 如未来第24个小时的预测结果为{0.3641, 0.3627, …, 0.3398, 0.3587, …, 0.3411, 0.3622, 0.3648, …}。如图5所示。
为了便于分析比较, 运行云推理程序10次, 并取其期望值与ARIMA (1, 1, 1) 模型[13]和RBF神经网络的预测结果进行比较, 如图6所示。
三种预测方法的误差分析如表6所示。可以看出, 无论是最大相对误差、最小相对误差, 还是平均相对误差, 云推理模型都具有一定的优势。其中, 最大相对误差较ARIMA模型和RBF神经网络分别下降了10.93%和56.62%, 最小相对误差分别下降了4.79%和1.74%, 平均相对误差分别下降了4.43%和2.84%。
8 结论
云模型是随机性和模糊性的完美结合。根据风电的特点, 提出了一种基于云推理的短期风电功率预测模型, 通过与ARIMA模型和RBF神经网络比较发现, 该模型具有明显的优势和特点:
(1) 预测结果灵活。云推理预测得到的是一系列有稳定倾向的预测值, 且所有的预测值均在一定范围内小幅波动。用户可以利用多年的经验或借助其它各方面的信息, 在该预测范围内恰当选择预测值, 也可取其期望作为确定性结果, 显示了该模型较强的选择性, 且易与其他知识结合的特点。
(2) 适用于短期预测, 预测误差较小。通过多次运行实验, 并取其期望与其它预测方法比较发现, 该模型的风电功率预测在24小时之内效果较好, 各方面的误差都有不同程度地减小, 具有一定的预测精度。
(3) 扩展性能好。除风速和风向之外, 如能利用气温、气压、降雨量等方面的历史资料, 将云推理发生器的前件从2维扩展到5维甚至更高维度, 将有利于提高预测的效果, 显示了该模型较高的推广价值。
预测和推理能力 篇5
随着计算机技术的发展, 神经网络在货运量预测中得到了广泛应用[5,6,7]。神经网络具有良好的非线性映射能力及自适应能力, 对建模对象的经验知识要求较少, 通过本身的学习能力就可以建立输入、输出数据间的映射关系, 预测精度在一定程度上有所提高。但神经网络本身存在收敛速度慢、容易陷入局部极小值等不足。Jang[8]将神经网络的优点与模糊推理系统相结合, 提出了自适应神经模糊推理系统。该方法是一种新型的非线性预测方法, 既可应用模糊规则描述预测对象, 又可利用神经网络的结构实现自学习、自适应的功能, 因而其预测精度比神经网络要高。
本文将自适应模糊推理系统应用于货运量预测中, 首先阐述了ANFIS网络的基本建模原理;然后通过对我国铁路货运量和公路货运量的预测, 检验ANFIS在货运量预测方面的有效性;最后得出研究结论。
1 自适应神经模糊推理系统
自适应神经模糊推理系统 (ANFIS) 是一种以T-S模糊模型[9]为基础的推理系统, 是一种对有精确输入、输出数据产生模糊规则推理的系统化方法, 它将模糊逻辑与神经网络相结合, 采用混合学习算法调整前提参数和结论参数, 优化了控制规则、隶属度函数和输出函数。一阶T-S模型的模糊规则形式为:
Rj:如果x1为A1S1, j, x2为A2S2, j, …, xn为AnSn, j,
式中, Rj为第j条模糊规则, j=1, 2, …, K;输入向量x=[x1, x2, …, xn]T的每个分量xi均为模糊语言变量;AiSi (i=1, 2, …, n;Si=1, 2, …, Ki) 是定义在xi论域上的一个模糊集, 对应的隶属度函数为μAiSi (xi) 。输出向量y=[y1, y2, …, yr]T;pjr, 0, pjr, 1, …, pjr, n为参数。由 (1) 式可知, T-S模型的前提条件是模糊的, 而结论是确定的, 为各局部线性模型输出的加权和[10], 最终输出可表示为:
式中, wj表示第j条规则的权重。
根据T-S模糊模型设计出的ANFIS网络具有如下5层结构, 其中i, j, k分别表示系统输入变量、隶属度函数个数以及总规则数。
第1层:该层每个节点是一个具有节点函数的自适应节点, 将输入变量模糊化:
式中, xi为节点i的输入变量。O1, k为模糊集Ai的隶属度, 可以选择多种隶属度函数, 常用的有钟形隶属度函数和高斯型隶属度函数, 此层的参数称作前提参数。
第2层:这一层的每个节点均为固定节点, 它的输出为所有输入信号的积:
式中, 输出信号wk为规则k的激励强度 (权重) 。
第3层:这一层的每个节点均为固定节点, 计算第k条规则的权重wk相对于所有规则权重和的比值:
第4层:这一层的每个节点是一个具有节点函数的自适应节点, 计算每个规则的输出:
式中, w軍k为第3层的输出权重, {pi, 1, …, pi, q+p, ri}称为结论参数。
第5层:这一层只有一个固定节点, 计算所有信号之和作为总输出:
ANFIS网络在每一次迭代中, 当输入信号正向传递直到第4层时固定前提参数, 采用最小二乘法调节结论参数, 然后信号继续正向传递到第5层, 将获得的误差信号沿ANFIS反向传递, 调整前提参数, 按这种方式可以得到结论参数的全局最优点, 直到输出误差或训练次数满足设定值时调整参数过程结束。
2 实例分析
选取我国1992-2008年铁路货运量和公路货运量为研究对象, 利用ANFIS进行预测分析, 以检验ANFIS的预测性能。将数据分成两组:1992-2004年的数据用于建立及训练模型, 2005-2008年的数据用于检验ANFIS的样本外预测性能。
为了加快ANFIS的收敛速度, 对数据样本进行归一化处理, 公式为:
式中, x为原始数据, x軃为归一化处理后的数据。
对铁路及公路货运量建立模型时, 先采用网格分割法生成初始的ANFIS网络, 选择高斯型函数作为ANFIS网络的隶属度函数, 训练次数设为100, 经过反复试验, 发现当隶属度函数为2时, ANFIS的训练效果最好。然后利用训练好的ANFIS对2005-2008年的货运量进行向前一步预测, 最后将预测值再反归一化为原始数据的预测值。
表1和图1给出了ANFIS对铁路及公路货运量的预测结果, 其中虚线为货运量实际值, 实线为ANFIS预测值。由表1可知, ANFIS比较准确地预测了铁路及公路货运量, 预测相对误差均比较小;铁路货运量的最大相对预测误差为-2.05%, 最小相对预测误差为-0.38%;公路货运量的最大相对预测误差为-1.25%, 最小相对预测误差为0.85%。
由图1可看出, ANFIS可以准确地预测出铁路及公路货运量的变动趋势, 两种货运量的预测值均比较接近于实际值。前三年的铁路货运量预测值低于实际值, 第四年的预测值又高于实际值;而公路货运量预测值正好相反, 前三年的预测值高于实际值, 第四年的预测值低于实际值。
为了进一步检验ANFIS在货运量方面的预测性能, 采用综合评价指标, 如均方根误差 (RMSE) 、平均绝对误差 (MAE) 、平均相对误差 (MPE) 、无量纲指标统计量 (THEIL) 进行评价, 如表2所示。ANFIS对铁路及公路货运量的RMSE、MAE、MPE、THEIL值都比较小, 其中MPE的值分别为0.0121和0.0111, THEIL分别只有0.007 6和0.005 7, 而且ANFIS对两种货运量的建模及训练时间也非常短, 分别仅有0.67秒和0.25秒。这说明ANFIS在货运量预测方面具有较好的预测性能, 应用其预测货运量既可以获得较高的预测精度, 又可以加快收敛速度, 减少建模时间, 因而是一种有效的货运量预测方法。
3 结论
ANFIS网络是一种非线性系统, 理论上能以任意精度逼近任意非线性函数, 充分利用这一特点可实现高精度的非线性逼近和预测。本文利用ANFIS对我国铁路及公路货运量进行了实例分析, 通过预测性能评价指标证明, ANFIS能够比较准确地预测我国铁路及公路货运量, 且收敛速度较快, 具有一定的应用价值。
参考文献
[1]单丽辉, 王强.铁路货运量的灰色预测模型[J].铁道货运, 2008 (2) :19-20.
[2]吴晓玲, 符卓, 王璇等.铁路货运量组合预测方法[J].铁道科学与工程学报, 2009, 6 (5) :89-92.
[3]张诚, 周湘峰.基于灰色预测-马尔可夫链-定性分析的铁路货运量预测[J].铁道学报, 2007, 29 (5) :15-21.
[4]杨居义.基于BP网络的交通运输能力预测[J].微电子学与计算机, 2008, 25 (9) :202-205.
[5]赵闯, 刘凯, 李电生.基于广义回归神经网络的货运量预测[J].铁道学报, 2004, 26 (1) :12-15.
[6]刘志杰, 季令, 叶玉玲, 耿志民.基于径向基神经网络的铁路货运量预测[J].铁道学报, 2006, 28 (5) :1-5.
[7]郭玉华, 陈志亚, 冯芬玲, 畅博.基于经济周期的铁路货运量神经网络预测研究[J].铁道学报, 2010, 32 (5) :1-6.
[8]J S R Jang.ANFIS:Adaptive-Network-based Fuzzy Inference Systems[J].IEEE Transactions on Systems, Man and Cybernetics, 1993, 23 (3) :665-685.
[9]T Takagi, M Sugeno.Fuzzy Identification of Systems and its Applications to Modeling and Control[J].IEEE Transactions on Systems, Man and Cybernetics, 1985, 15 (1) :116-132.