基于灰色BP神经网络组合模型的郑州市商品住宅价格预测

针对郑州市商品住宅价格问题进行了研究,在传统GM(1,1)模型的基础上引入BP神经网络模型,建立了灰色BP神经网络组合模型,采用传统GM(1,1)模型与灰色BP神经网络组合模型预测郑州市商品住宅价格.结果表明,灰色BP神经网络组合模型比传统GM(1,1)模型预测精度高,具有更好的应用价值.     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

灰色预测模型在高速公路车流预测中的应用

介绍了灰色预测理论的GM（1,1）模型并将它运用到高速公路车流量预测中.利用巴特沃斯低通滤波器改进了GM（1,1）模型的误差修正方法,使得误差修正方法更准确、算法性能更稳定.整个预测系统满足了工程应用要求,具有一定的实际意义和参考价值.     

基于灰色神经网络的火灾事故预测

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色神经网络火灾事故预测模型。依据我国2003-2012年火灾事故统计数据,分别选用GM(1,1)模型和灰色神经网络模型对2003-2010年数据（火灾起数）进行拟合,对2011年、2012年数据进行（火灾起数）预测。结果表明,灰色神经网络火灾事故预测模型具有灰色系统贫乏数据建模和神经网络高度非线性映射能力的优点,有效地解决了传统火灾事故预测中误差大稳定性差的缺陷,提高了预测精度,在火灾事故预测中具有一定的实用价值。     

基于GM(1,1)+BP神经网络组合模型的路用性能预测研究

为缓解我国公路庞大养护需求与资金有限的矛盾,需从网级角度对路网内所有路段进行决策优化,其中规划期内路用性能预测尤为重要.在分析常用路用性能预测模型特点的基础上,提出GM(1,1)+BP神经网络组合预测模型,即首先利用GM(1,1)对相关路用性能指标进行初步预测;然后根据道路路面属性数据并利用BP神经网络对初步预测结果修正优化,使得路用性能预测更符合路用性能衰减规律;最后通过某市国省道路用性能数据和路面属性数据,验证了GM(1,1)+BP神经网络组合预测模型的可行性与准确性.组合预测模型可作为路用性能预测的有效手段,为科学养护决策提供依据.     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于灰色理论的网络安全态势预测方法

为了有效地预测网络安全态势,在态势因子和灰色理论的基础上,提出了将灰色GM(1,1)和GM(1,N)模型相结合来预测网络安全态势的方法。首先筛选态势因子,再利用模型GM(1,1)对态势因子的变化进行预测,得到N个态势因子变化函数,最后利用这些函数和模型GM(1,N)对网络安全态势进行预测。将灰色GM(1,1)模型、神经网络模型和本文方法对网络安全态势进行预测,实验结果表明,本方法能够更准确地预测网络安全态势。     

改进的灰色神经网络预测方法

针对GM（1,1）算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM（1,1）模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.     

基于支持向量机-CV的天然气水合物生成预测

天然气水合物的生成过程是一个多组分、多物态的系统,存在着复杂的结晶成核过程,需要考虑压力、温度、促进剂、搅拌速度等因素的影响,不但涉及动力学问题还涉及热力学问题,对其生成很难进行精确预测。基于支持向量机理论,结合实验数据,建立支持向量机预测模型来进行天然气水合物生成时的相平衡压力预测,采用平均平方误差、平方相关系数,以及平方绝对百分比误差和平均绝对误差等四种误差公式对预测精度进行评估, 结果分别为8.37008×10^-5、99.8976%、0.5424%、1.9900%,还对源数据进行了归一化([1,2])预处理以及利用交叉验证方法对核参数g(4)和惩罚因子c(1.4142)进行了优化。模拟结果显示,由支持向量机预测模型得到的相平衡压力与实际实验获得的相平衡压力基本一致,预测效果较理想,证明该模型具有较高的准确性和可靠性。     

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。     

基于灰色理论和BP神经网络串联组合的能源需求预测

本文对某省能源现状进行了分析,进而提出了能源需求预测的必要性,在利用统计数据分析某省能源消耗趋势后,利用灰色GH（1,1）模型进行预测,然后把预测结果和影响因素同时作为BP神经网络的输入进行预测,结果表明,基于GH—BP串联组合模型的预测精度要高于单纯地GH（1,1）预测。最后分析了某省新能源的发展优势。     

Grey Smoothing Model for Predicting Mine Gas Emission

A grey smoothing model for predicting mine gas emission was presented by combining the grey system theory with the smoothing prediction technique. First of all, according to the variable sequence, GM (1,1) model was set up to predict the general development trend of variable as first fitted values, then the smoothing prediction technique was used to revise the fitted values so as to improve the accuracy of prediction. The results of application in the No. 6 Coal Mine in Pingdingshan mining area show that the grey smoothing model has higher accuracy than that of GM (1,1) in predicting the variable sequence with strong fluctuation. The research provides a new scientific method for predicting mine gas emission.     

基于有机灰色神经网络模型的空气污染指数预测

针对灰色预测对波动较强的序列只能预测大致变化趋势的缺陷,结合灰理论中的GM(1,1)、无偏GM(1,1)、非等时距GM(1,1)、pGM(1,1)和BP神经网络的特点,提出有机灰色神经网络预测模型,将一维序列通过三个灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构．以哈尔滨市近三年内空气污染指数为例,结合其变化规律,建立哈尔滨市月平均空气污染指数的有机灰色神经网络预测模型,结果表明,该模型拟合误差小,预测精度高．     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．