GM(1,1)改进模型在年径流量预测上的应用

背景值是影响灰色模型预测精度的关键性因素之一,GM(1,1)改进模型是在对背景值进行优化的基础上建立的灰色模型。通过对研究区年均径流量资料进行分析,根据径流量和时间的关系,建立了GM(1,1)改进模型,并将其应用于年径流量的预测,取得了较好的效果。     

R/S分析法与GM（1，1）灰色模型相结合的鸳鸯池水库入库径流量预测

依据鸳鸯池水库1959-2015年实测入库年径流量系列,利用年代际径流量平均值、径流年内分配集中度分析了入库年径流量年际变化和年内分配特征,同时分别采用基本GM(1,1)、改进GM(1,1)以及R/S分析法与基本GM(1,1)灰色模型相结合的方法预测了入库年径流量。结果表明:入库年径流量时间序列有明显分形特征,H指数为0. 922;径流量时间序列具有状态持续性,即未来年径流量变化趋势与过去一致;年径流量系列长期记忆性以41 a为周期;经R/S分析后采用基本GM(1,1)灰色模型预测得出2013、2014、2015年入库径流量分别为3. 60×108、2. 97×108、3. 67×108m3,与实测值相比,相对误差分别为20. 69%、8. 97%、8. 10%,较基本GM(1,1)、改进GM(1,1)灰色模型的预测精度高。据此预测得出2020年入库径流量将比2015年增加8. 99%。     

改进GM(1,1)模型在中长期径流预测中的应用

针对基本GM(1,1)模型的一些不足,将x(1)的第n个分量作为灰色微分模型的初始条件,并采用粒子群优化算法率定模型参数,改进了基本GM(1,1)模型,并将其应用于中长期年径流量预测中。结果表明:改进GM(1,1)模型具有较高的模拟精度,可以用于年径流量预测;与基本GM(1,1)模型相比,改进GM(1,1)模型预测结果的相对误差较小,说明改进GM(1,1)模型是合理的,且在中长期年径流量预测中的应用效果良好。     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

改进的灰色灾变模型在干旱预测中的应用

为提高传统的GM(1,1)模型精度,分别从原始数据序列检验和建立残差修正模型两方面进行了改进,并将改进的灰色灾变模型与不进行原始序列检验的GM(1,1)1模型和对原始数据序列进行检验的GM(1,1)2模型进行了比较。结果表明:改进的灰色灾变模型精度最高;运用该模型预测榆林市未来可能发生干旱的年份分别为2012年、2015年和2019年。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

大坝位移的改进非等间距GM(1,1)预测模型

基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实测资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。     

基于改进灰色模型的水资源预测

为了提高灰色模型GM(1,1)对用水量预测的精度,通过对传统灰色模型的残差序列进行改进,提出了一种新的灰色改进预测模型。将其应用于城市居民生活用水量预测中,结果表明:与传统GM(1,1)模型预测值相比,改进GM(1,1)模型预测值与实际值拟合效果更好。     

基于Ito随机微分方程大坝实时性态预测方法

针对大坝实时性态预测方法精度,首先基于Ito随机微分方程对某坝的多年扬压力监测极值建立GM(1,1)了实测序列预测模型,并根据建立模型的残差序列构建了Markov残差模型,其次对比分析了GM(1,1)残差预测模型和Markov残差模型。最后,综合GM(1,1)模型和Markov残差模型建立灰色Markov模型,并利用灰色Markov模型预测扬压力的极大值。计算结果表明,建立的灰色Markov模型不仅能提高预报精度还能真实地反映其过程的摆动性。     

灰色季节性指数模型在蒸发预测中的应用

应用季节性指数法对GM(1,1)模型进行了改进,建立了灰色季节性指数模型,并将该模型应用于民勤绿洲季蒸发量预测中。计算结果表明,该模型在原始时间序列波动较大时,比普通GM(1,1)模型具有更好的适应性。     

基于MATLAB灰色系统模型的拱坝温控数据预测

对拱坝温度进行实时监控对工程进度和坝体安全具有重要意义.基于灰色系统理论,利用最小二乘法确定GM(1,1)白化权函数的时间响应函数中的常数C,从而构建GM(1,1)的时间响应函数的最优模型,用MATLAB语言编制程序预测模型,并以白莲崖拱坝温度监测数据为例进行分析、预测.结果表明,这种方法能较好地应用于小数据量监测数据的预测,且精度较高.     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。     

灰色系统GM(1,1)模型在尼尔基水库年来水量预测中的应用

文中介绍了灰色系统理论、建模原理及其检验方法,以及利用尼尔基水库20年的年来水量资料建立灰色预测GM(1,1)模型,对尼尔基水库年来水量进行预测.经残差、关联度等检验分析,并对实测资料进行检验,模型精度较高,效果较理想,可以考虑应用于尼尔基水库径流中长期预报,为水库发电、供水提供必要的预测信息.     

灰色新陈代谢GM(1,1)模型在土钉支护结构变形预测中的应用

土钉支护结构在深基坑、边坡支护中有着越来越广泛的应用,因其受众多因素的影响,且部分因素难以确定,故是一个典型的灰色系统。由于常规GM(1,1)模型被用于预测时,精度较高的仅仅是最近的几个数据,越往未来发展,该模型的预测意义就越弱,故尝试用灰色新陈代谢GM(1,1)模型来模拟和预测土钉结构的变形。事实表明,这种预测可以取得非常好的效果,有着很好的利用价值。     

中国内地分区年用水总量预测模型研究

为了完善中国内地大尺度区域用水量预测模型的研究,为水资源科学利用提供支撑,应用ARMA、灰色GM(1,1)及BP神经网络模型原理,建立省级行政区划、流域、地理大区3种尺度的年用水总量预测模型,对模型优选结果进行统计分析,并应用最优模型对2021-2025年各省级行政区用水总量进行预测。结果表明：对于内地省级行政区划尺度,9个行政区的年用水总量最优预测模型为ARMA模型,6个行政区的最优预测模型为灰色GM(1,1)模型,16个行政区的最优预测模型为BP神经网络模型;对于流域尺度,5个流域的年用水总量最优预测模型为ARMA模型,3个流域的最优预测模型为灰色GM(1,1)模型,长江流域的最优预测模型为BP神经网络模型;对于地理大区尺度,北方6区的年用水总量最优预测模型为BP神经网络模型,南方4区的最优预测模型为灰色GM(1,1)模型;2021-2025年内地各省级行政区的年用水总量总体保持稳定。研究结果可为中国内地用水总量的管理提供依据。     

岩质高边坡监测数据的改进变维分形预测模型

针对以往预测模型在数据少和噪音干扰下出现预测精度降低的问题,基于分形理论,尝试建立改进的变维分形预测模型,并以小湾工程边坡位移监测数据为例,选取D1、D2曲线作为预测模型的分形参数曲线,计算各曲线的分段分形维数,对位移进行预测,并分别用灰色模型GM(1,1)和BP神经网络进行对比预测.结果证明,这种方法充分利用了分形理论自相似性的特点,抗噪性强,能较好地应用于小数据量监测数据的预测,并且精度较高,有着良好的应用前景.