灰色Verhulst预测采空区地表沉降模型的改进

为求得更高的模拟精度,文章对传统的Verhulst模型进行二次拟合改进,根据地表沉降——时间二者之间呈S型曲线的特点,利用灰色系统理论中的费尔哈斯模型的特性,建立灰微分方程模型,来模拟地表沉降的时间响应模型,实现矿区地表沉降高精度的灰色系统模拟。最后通过工程实例进行验证。     

基于粒子群算法的GM(1，1)幂模型及应用

在灰色Verhulst模型的基础上对等间隔和非等间隔GM(1,1)幂模型进行了研究,讨论了模型的求解过程,分析了模型曲线形状与幂指数、发展系数之间的关系。将平均相对误差看成幂指数、发展系数和灰作用量的函数,同时考虑初始条件对建模精度的影响,利用粒子群算法进行参数辨识,克服了灰色Verhulst模型和最小二乘法参数辨识的缺陷。最后实例表明,基于粒子群算法参数辨识的GM(1,1)幂模型建模精度高于灰色Verhulst模型,同时也表明了该方法的有效性和可行性,具有重要的理论意义。     

非等间隔灰色模型在矿区沉陷预测中的应用

针对目前采用灰色模型预测矿区沉陷时只针对1个点,缺乏工作面整体下沉预测及其精度研究的问题,以工作面走向线和倾向线地表观测站的下沉量为研究对象,以相邻监测时间间隔为权建立非等间隔灰色模型,预测下一时刻观测站的下沉量,进而得出下一时刻走向线和倾向线下沉曲线;采用概率积分法求参的方法验证工作面整体沉陷预测精度,采用预测值与实际值求参时所得结果相差不大,验证了采用非等间隔灰色模型预测矿区整体沉陷的可行性。     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

基于修正灰色马尔科夫模型的煤自燃预测

煤自燃系统是一个复杂的巨系统,具有规律性、非线性和随机波动性特点,因此在煤自燃预警系统中利用单一的灰色预测方法很难对其动态发展趋势做出准确的预测.针对上述问题,提出一种将灰色模型和马尔科夫模型相结合对煤自燃进行预测的方法.首先建立煤自燃的GM(1,1)模型,其次以GM(1,1)模型预测值为基础进行马尔科夫预测,然后用平均残差修正预测值.仿真结果表明,灰色马尔科夫模型比灰色模型预测精度明显提高,平均误差减少2.24％,为煤层优化检测提供了依据.     

基于等维新息灰色马尔可夫模型的校准间隔预测

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型同时采用数理统计的-检验法对模型精度进行检验.通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度.     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型;同时采用数理统计的-检验法对模型精度进行检验。通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度。     

灰色神经网络在粮食产量预测中的应用

研究粮食准确预测优化问题,粮食产量受到多种因素影响,同时具有复杂的非线性和随机性特点,传统单一模型难准确对其变化规律进行准确描述,预测精度较低。为提高粮食产量预测精度,提出一种将灰色理论和BP神经网络相结合的粮食产量预测模型。首先采用灰色GM(1,1)预测模型动态预测粮食产量变化趋势,然后运用BP神经网络对灰色GM(1,1)模型预测结果进行修正,以提高粮食产量预测精度。采用1978-2008年我国粮食产量数据对预测模型性能进行仿真测试,仿真结果表明,组合预测模型提高了粮食产量的预测精度,更能描述粮食产量变化规律,为粮食产量准确预测提供了一种有效研究方法。     

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM（1,1）模型、离散GM（1,1）模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。     

基于灰色预测模型的个人建房分析

灰色模型具有所需数据少、预测精度高和无需先验信息的特点.本文通过建立GM(1,1)模型对某区的农村个人建房进行预测,为相关职能部门提供科学的决策依据.结果表明灰色预测模型精度较高、预测误差较小、简捷实用.     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

基于最优加权组合模型的道路交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。针对各种单一灰色预测模型存在的局限性,建立了一种基于最优加权的灰色组合预测模型。根据我国道路交通事故的发展情况,建立了GM（1,1）、Verhulst和SCGM（1,1）c相结合的组合预测模型,运用最优加权法确定组合预测模型的权重系数。利用2001-2007年我国道路交通事故死亡人数的实际值作为原始数据,构建各个单一预测模型和最优组合预测模型,预测其2008-2010年交通事故死亡人数。预测结果表明,组合预测模型比单一GM（1,1）模型、Verhulst模型和SCGM（1,1）c模型具有更高的预测精度。     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。