训练出来的模型是如何预测样本的

第二节　未来研究展望

传统的综合评估方法(如多元统计分析、灰色系统理论、多维标度分析等)虽然在不同程度上取得了一定评估效果，但这些方法缺乏自学习能力，在确定指标权重时主要采取主观赋权法(如德尔菲法)和客观赋权法(如AHP法、嫡值法、复相关系数法等)，这些都难以摆脱人为因素及模糊随机性因素的影响。人工神经网络方法与传统方法相比具有以下一些优点:

(1)通过对样本的自学习能够确定神经网络结构，按照最优训练准则反复迭代，不断对神经网络结构进行调整，直到达到一个相对稳定的状态。因此，利用神经网络方法消除了许多人为因素，有利于保证结果的客观性、准确性。

(2)误差小，能使评估或预测误差达到较高精度要求，且有收敛性。

(3)动态性好，能随着时间推进或样本的变化，进一步学习和训练，对网络结构进行动态变化。因此，该方法具有一定的实际应用价值。

(4)神经网络所使用的非线性函数更贴近于复杂的非线性动态经济系统，摆脱了传统方法赖以生存的线形分析工具，能够更为准确地综合反映作业过程的信息，故比传统方法更具适用性。

但是，人工神经网络也有一定的局限性。以常用的BP神经网络算法为例，BP神经网络算法是一种梯度下降法，它通过不断修正各神经元之间的连接权值，实现全局最优，但由于误差曲面的复杂性，容易使网络陷入局部极小点。另外，误差是通过输出层反向传播的，隐含层越多，反向传播误差在靠近输入层时就愈不可靠，这样在一定程度上影响了学习效率，容易出现收敛速度慢的情况，从而使对个别样本的评价结果出现了偏离。

从未来的发展趋势来看，综合运用几种方法来进行负荷评估(预测)必成为下一阶段研究的重点。从方法的组合方式不同可分为优选组合方法和主从组合方法两种。

优选组合方法有两类概念，一是指将几种评估(预测)方法所得的评估(预测)结果选取适当的权重进行加权平均的评估(预测)方法;二是指在几种评估(预测)方法中进行比较，选择拟合度最佳或标准偏差最小的评估(预测)模型。组合评估(预测)方法建立在最大信息利用的基础上，它集多种单一模型所包含的信息，进行最优组合评估(预测)。因此，在大多数情况下，通过组合评估(预测)可以达到改善评估(预测)结果的目的。按组合方式的不同可以分为等权平均组合评估(预测)法、方差—协方差优选组合评估(预测)法、回归组合评估(预测)法等。优选组合方法的优点是优选组合了多种单一评估(预测)模型的信息，考虑的影响信息也比较全面，因而能够有效地改善评估(预测)效果。其缺点是权重的确定比较困难，且不可能将所有在未来起作用的因素全包含在模型中，在一定程度上限制了评估(预测)精度的提高。

对于优选组合方法也需注意到，优选组合评估(预测)是在单个评估(预测)模型不能完全正确地描述评估(预测)量的变化规律时发挥作用的，如果能够找到一个能够完全反映实际发展规律的模型进行评估(预测)，完全可能比用优选组合方法效果好。基于此，目前人们广泛研究的是主从组合方法。

主从组合方法是指采用几种方法共同构建一个评估(预测)模型，其中某种评估(预测)方法是主要的，它是整个评估(预测)模型的核心，而另外一种或几种评估(预测)方法只是起辅助作用，协助构成评估(预测)模型中的某些环节。以电力负荷的变化预测为例，在近几年的电力负荷短期负荷预测中，组合预测方法在电力系统负荷预测中取得了良好结果。所谓组合预测，就是把两种或多种预测技术融合在一起，互用互补，这样不仅可以改善只采用一种预测技术带来的理论上或实践上的缺陷，而且可以充分发挥各种预测技术各自的长处，从而达到希望的预测精度。人们在进行大量研究的基础上提出了多种主从组合预测模型。如神经网络与专家系统、模糊系统、小波理论、遗传算法等的组合预测。同理，在认知负荷的评估和预测中，将“神经网络”、“模糊数学”、“小波分析”结合起来进行研究，也必然成为一种发展趋势。