灰色预测模型在高层建筑物 沉降预测中的应用研究

详细讨论了一阶一元灰色预测模型GM(1,1)的基本内容及建模过程,并成功地将GM(1,1) 模型应用于高层建筑物沉降监测的预测预报,相应地编写了基于MATLAB的灰色系统沉降预测程序, 便于实际应用。实践证明,灰色预测模型GM(1,1)在沉降预测中具有较高的应用价值。     

GM(1, 1)模型的建模条件

GM(1,1)模型是灰色系统理论的核心预测模型,对GM(1,1)模型的建模条件进行研究是提高模拟精度的基础.采用理论证明和数值算例相结合的方法对GM(1,1)模型的建模条件进行研究,拓展了经典灰色预测模型的级比判定条件.结果表明:当原始序列的累加序列值都相等时,发展系数不存在;提高原始序列光滑度不是提高模拟精度的充分条件.     

基于灰色GM（1,1）模型的安徽省GDP总量预测

建立了不同维数的灰色GM(1,1)模型和充分利用新信息的灰色模型的改进版——新陈代谢模型,比较了它们的优劣,确定了最优维数预测模型.应用该模型预测出2015年安徽省GDP首次达到2万亿元.     

预测酸雨频率的双残差GM(1,1)模型及其应用实例

目前预测酸雨频率多采用传统的残差GM(1,1)模型 .本文结合最新修正的GM(1,1)模型及二级残差的概念 ,提出一种新的酸雨频率预测模型———双残差GM(1,1)模型 ,并利用该模型对青岛市酸雨频率进行模拟和预测 ,结果表明所建模型较之于传统模型有更高的模拟和预测精度 .     

一种改进的GM(1,1)模型在交通量预测中的应用

建立了GM（1,1）循环残差修正模型,并与经典GM（1,1）进行比较,考察改进模型的预测效果。结合经典GM（1,1）模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过Matlab软件编程实现了该模型,并将其应用于常熟市某无检测器交叉口每五分钟测得的交通流量预测。将本模型应用于交通流量预测建模上,其结果明显好于经典GM（1,1）模型,且预测效果更好。本模型基于经典GM（1,1）模型建立了GM（1,1）循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。     

GM(1,1)循环残差修正模型及其应用研究

建立了GM（1,1）循环残差修正模型,并与经典GM（1,1）进行比较,考察改进模型的预测效果。结合经典GM（1,1）模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过M atlab软件编程实现了该模型,并将其应用于2009-2010年入境游客量的预测。将本模型应用于2003年至2008年入境游客量预测建模上,其结果明显好于经典GM（1,1）模型,且预测效果更好。基于经典GM（1,1）模型建立了GM（1,1）循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。     

基于改进欧拉法GM(1,1)电力负荷预测模型研究

提出基于改进欧拉法GM(1,1)电力负荷预测模型,首先运用改进欧拉公式对白化方程进行修正,降低方程对预测结果的影响,然后运用改进欧拉法对灰色预测模型GM(1,1)进行修正.算例分析表明,与一般灰色预测GM(1,1)模型和傅里叶变换残差修正模型相比,该模型的预测精度有较大提高,证明了该模型的有效性和实用性.     

权函数法灰色动态模型及其优化

本文在灰色动态模型的基础上,提出了权函数法的灰色动态模型GMWF(Grey Dynamic Model with WeightFunctions),给出了权函数法生成数的生成方法和权函数法的微分动态建模法,并且给出了模型的优化方法.用GM(1,1)(The GreyDynamic Model)模型和GMWF(1,1)模型同时建立了某地区的农业机械总动力数的长期预测模型,并且进行了精度方面的比较,发现GMWF(1,1)模型的精度高于GM(1,1)模型的精度.     

燃气负荷组合预测中贝叶斯权重法的应用

将贝叶斯概率理论引入组合预测模型中,建立了基于GM(1,1)和偏最小二乘回归模型的燃气负荷动态权重组合预测模型。通过对某市的实例分析,结果表明,此方法有效地提高了预测精度。     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

利用MATLAB7.0软件对原始数据进行等间距处理后,用一次累加数列与原始数列构建微分模型,通过不断去掉旧数据加入新数据,以工程数学为基础,运用灰色理论构建新陈代谢GM(1,1)模型。并以工程实例进行模拟和预测效果检验,将普通GM(1,1)模型和新信息GM(1,1)模型预测效果进行比较,计算和对比结果表明,新陈代谢GM(1,1)模型精度明显高于其它模型,预测效果大大提高。     

灰预测模型的两种形式及优化模型

基于传统等间距灰预测模型GM（1，1）的两种形式，提出一种带参数的优化模型，从而提高其灰预测精度。     

基于灰色系统的机床热误差建模研究

针对机床加工过程中的热变形误差受多因素影响,变化趋势复杂,难以用常规预测方法进行有效预测的问题,该文提出了一种新的基于改进灰色系统的智能预测模型。该模型利用函数变换法改善灰色系统数据序列的光滑度,采用等维新陈代谢法克服了传统的灰色预测模型的不足,所建模型具备了输入数据动态更新的能力,预测更趋于合理。将该模型应用于工厂现场的一台数控车削加工中心进行热误差趋势的预测,从而实现热误差的补偿研究。研究表明,该模型的预测性能优于全数据GM(1,1)模型和新信息GM(1,1)模型,是运用灰色系统理论进行机床热误差补偿建模最理想的模型,具有优异的补偿功能,能够有效的提高机床加工精度。     

GM(1,1)模型的改进及其在火灾致死人数预测中的应用

为了弥补传统GM(1,1)模型在波动数据序列预测中误差较大的缺陷,采用一阶差分方法对初始数据序列进行改进,构建了一阶差分GM(1,1)模型。分别应用传统GM(1,1)模型和一阶差分GM(1,1)模型对2009—2016年火灾致死人数进行预测分析。结果显示,一阶差分GM(1,1)模型的预测精度高于传统GM(1,1)模型。     

基于自适应精英蚁群算法的GM（1,1）预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。     

水资源综合评价中典型区人口预测研究

在人口预测中,避开复杂系统的内部因素及他们之间的相互联系,从人口量序列综合灰变量本身寻找有用的信息,利用其动态记忆性,建立了灰色模型.对GM(1,1)模型进一步分析后,建立了新的GM(1,1)修正模型,将其用于典型区人口预测,取得了较满意的结果.     

一种新的改进GM（1,1）模型及其应用

通过对传统GM（1,1）模型的分析,针对影响预测精度的因素之一提出了一种改进的GM（1,1）模型,并将该新模型用于预测2010到2015年的道路乘客交通量.最后,通过试验结果可知新模型比传统GM（1,1）模型预测结果在预测精度上有了很大的提高,表明了该方法的有效性.     

基于灰色改进模型的电价预测

针对电力市场中的电价预测问题进行了研究。在阐述了灰色模型在电价预测方面的应用后,提出了一种改进灰色模型用于电价预测的方法。通过对原始数据序列的一系列处理和对微分方程求解条件的变化达到预测精度的提高。最后用算例验证了该方法的可行性。     

基于IGOWLA算子及三元区间数相似度的区间型组合预测模型

为了提高区间型数据的预测精度,构建了一种基于诱导广义有序加权对数平均(IGOWLA)算子及三元区间数相似度的区间型组合预测模型.首先将传统的区间数转化为三元区间数,然后利用IGOWLA算子对三元区间数进行集结,最后选取三元区间数相似度作为相关性指标构建模型.实例分析表明,该模型能有效地提高区间型数据的预测精度,是一种优性组合预测模型.另外,通过分析模型中的参数λ, 给出了参数λ的最优取值范围.     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度; 接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值; 然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度; 最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。