改进的灰色GM（1，1）预测模型

为进一步提高灰色GM（1,1）模型的模拟精度和预测精度,分析传统GM（1,1）模型存在的缺陷,提出一种改进的GM（1,1）预测模型。对已有GM（1,1）模型的背景值构造公式进一步优化,基于最小二乘法原理改进模型初始值参数的选取策略。对比实验结果表明,改进的模型适用于低增长序列和高增长序列,拓宽了传统GM（1,1）预测模型的应用范围,提高了模拟精度和预测精度。     

GM（1，1）和新陈代谢模型的比较

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）模型和新陈代谢模型实例预测某省火灾事故发生量,并将两种方法相比较,为相关部门提供科学的决策依据。结果表明灰色模型简单实用,预测精度高。而在此实例中,GM（1,1）模型比新陈代谢的预测精度更高、预测误差更小。     

一种改进的灰度预测模型

灰色预测模型通常是GM模型,但预测精度有时不令人满意。在对模型GM做了进一步研究的基础上,提出了一个预测精度较高的新灰色预测模型,并从理论上证明了这种模型可以有效提高建模数据序列的光滑度。最后把此方法应用于东部某镇GDP的建模中,试验结果表明该方法是可行且有效的,所建模型的精度优于传统GM（1,1）模型的精度。     

用Matlab实现GM（1,1）灰色模型的供电量预测

介绍灰色预测模型GM（1,1）在电力系统中的预测应用,同时在Matlab平台上实现了灰色模型GM（1,1）函数的编制。以某市1995～2004年供电量数据为例,并通过此函数对该供电量进行了预测,为灰色数列模型GM（1,1）的应用提供了一种简便的运算方法。     

一种改进的GM(1,1)模型在装备故障预测中应用

针对传统GM(1,1)模型预测过程中参数固定导致适应性较差的问题,引入新陈代谢概念,给出了一种改进的新陈代谢GM(1,1)灰色预测模型;并应用于某型机载高度表中进行故障预测;结果表明与传统GM(1,1)预测结果相比,新陈代谢GM(1,1)预测结果与实际测试值间的绝对误差和相对误差均较小,预测精度也较高。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。     

基于GM（1，1）和线性回归模型在印刷包衬压缩变形中的数据预测研究

运用线性回归对预测数据进行分析,剔除异常数据,用GM（1,1）模型进行预测,有效降低了数据相对误差,提高了预测数据的精度。选用印刷包衬压缩变形的压缩变形量值,用线性回归进行数据分析并剔除异常数据后用GM（1,1）进行预测,使得预测数据具有更高的准确性和适应性。实验及仿真结果表明,经过前期数据分析整理后的灰色预测模型,其预测期望值远优于单纯的回归模型和GM（1,1）模型。     

GM(1,1)模型和新陈代谢模型的应用比较

灰色系统理论是一种研究少数据、贫信息的不确定性问题的新方法.其中的灰色预测模型具有所需数据少、预测精度高和无需先验信息的特点.本文详细介绍了两种常见的灰色预测模型建模方法,即GM(1,1)模型和新陈代谢模型,并通过它们实例预测某地区的年私人汽车拥有量.利用相对误差法将两种模型的预测值与实际值比较进行精度检验,最后预测该区未来几年的私人汽车数量.以分析这两种预测模型的变化范围和发展趋势,为相关部门提供科学的决策依据.结果表明1)该地区未来几年的私人汽车拥有量呈增长趋势,地方经济发展态势良好;2)GM(1,1)模型在此实例中的变化范围更小、预测精度相对更高、预测误差更小;3)灰色预测模型简单实用,预测精度较高.     

融合粗糙集和灰色GM（1，N）的西安市供水量预测

对于多变量预测问题,构造了粗糙集和灰色理论的融合预测模型。该模型运用粗糙集的知识依赖度理论对多属性进行约简,在约简基础上建立GM（1,N）模型。用所建模型对西安市年供水量进行了拟合和预测,并与离散灰色GM（1,1）模型作比较。实验结果表明该模型的预测精度高于传统的用灰关联度选择影响因子建模,从而为供水量预测问题提供了一种新方法。     

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM（1,1）,对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。     

灰色预测模型在步加寿命试验中的评估

针对传统的GM（1,1）模型在预测精度以及数据统计分析等方面存在的局限性,在步加试验寿命预测的实际运用中采用了几种新的预测模型。首先将实测步加试验寿命数据转化为恒加试验寿命数据,变换后的数据计入表格,分别采用逆幂率和基本GM（1,1）、等维灰数递补以及残差修正GM（1,1）等模型在正常应力水平35V时,特征寿命进行点估计,利用MAT-LAB工具仿真并进行模型预测相对误差分析。经过计算表明,几种灰色预测模型的精度都较高,具有良好的适用性和有效性。     

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。     

基于小波消噪的非等间隔加权G(1,1)模型在建筑物沉降预测中的应用

建筑物沉降监测数据序列受观测条件影响大多呈现出数据量少、光滑性差、含噪声和非等时距等特点。在小波除噪和等间隔灰色GM(1,1)模型的基础上建立了非等间隔G(1,1)预测模型。在建模数据中,早期观测数据对模型预测精度贡献小(甚至有拖累现象),近期观测数据对模型预测精度贡献较大,故在建模时引入了权重矩阵以此提高模型的预测精度。实证分析表明所建非等间隔加权灰色GM(1,1)模型具有较高的预测精度,可用以工程实践。     

基于改进灰色预测法的建筑结构承受可变荷载的研究

研究了灰色系统在建筑结构可变荷载中的分析应用。由于常规GM(1,1)模型在用于预测时只对近几次预测数据精度高,未来数据预测精度低的原因,导致越往后模型的预测意义就越弱。故尝试用灰色新陈代谢GM(1,1)模型来预测济南地区未来5年标准状态下的风荷载。事实表明,该种预测模型有着良好的效果,预测精度高,有很好的利用价值。     

GM(1,1)数据融合预测模型研究与仿真

研究采用灰色系统理论的数列优化预测问题.传统GM(1,1)模型对光滑性差的数据序列拟合偏差较大,为将GM(1,1)改进模型与数据融合算法相结合,构建一种GM-DF预测模型.首先将几种典型改进方案引入GM(1,1)模型:对原始序列进行幂函数变换,以积分法重构背景值,用累积法进行参数估计;然后从原始序列取不同数据量分别建立GM(1,1)模型进行多次拟合;最后将各次预测值进行数据融合运算得到最终结果.仿真结果表明,将GM-DF预测模型应用于光滑性较差、级比偏差较大的数据序列可获得较高的预测精度.     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

组合预测模型在高考数据预测中的应用研究

为了提高灰色GM（1,1）预测模型的预测准确度,将模糊数学理论和灰色GM（1,1）理论模型相结合,提出了一种基于模糊灰色理论高考数据预测模型。将该模型应用于甘肃省高等院校2006-2011年专业录取分数的历史统计数据进行验证,实验结果表明该模型对高考数据的预测是有效、可靠的。     

GM(1,1)和新陈代谢模型的比较

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)模型和新陈代谢模型实例预测某省火灾事故发生量,并将两种方法相比较,为相关部门提供科学的决策依据。结果表明灰色模型简单实用,预测精度高。而在此实例中,GM(1,1)模型比新陈代谢的预测精度更高、预测误差更小。