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．     

应用灰色新陈代谢GM(1,1)模型预测河流水质

由于常规GM(1,1)模型进行预测时,精度较高的仅是最近的几个数据,越往未来发展,该模型预测的精度也就越弱。针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测。计算机实际模拟证明:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可靠程度,从而实现河流水质的早期预测评估。     

灰色马尔科夫模型对煤自然发火预测的研究

传统灰色模型GM(1,1)对于随机波动性较大的数据序列拟合较差,预测精度较低,为了弥补这一缺陷,更准确预测煤层自然发火的趋势与危险性,将GM(1,1)模型和马尔科夫模型有机结合,构建了灰色马尔科夫模型。用灰色马尔科夫模型对柴里煤矿实测CO发生量进行预测,与传统GM(1,1)模型的预测结果比较,灰色马尔科夫模型的拟合精度更好,平均相对误差更小,简便、实用,能够为矿井煤自燃火灾的防治工作提供科学的理论依据。     

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.     

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。     

基于灰色马尔科夫链的道路交通死亡率预测

道路交通事故死亡率是反映道路交通安全的重要指标,为了对其进行准确预测,将灰色系统理论与马尔科夫链结合起来,构建了灰色马尔科夫预测模型,并将该模型与GM（1,1）模型进行比较分析.结果表明,灰色马尔科夫链模型能更好地预测道路交通事故死亡率.     

矿井涌水量灰色GM(1,2)预测模型

基于矿井涌水量序列具有明显的随机性和灰色特征,建立涌水量GM(1,2)预测模型,以克服灰色GM(1,1)模型对于随机波动大的长序列预测效果差的缺点。以王行庄煤矿为例,针对2012年7月至2013年12月王行庄煤矿18个月的涌水量资料,考虑与之密切相关的L7-8灰岩含水层水位降深,建立了矿井涌水量GM(1,2)预测模型;预测了2014年1—4月的涌水量;并与GM(1,1)预测模型进行模型精度与预测精度的比较。结果表明:GM(1,2)模型的预测精度达到了97.44%,GM(1,1)模型的预测精度为92.60%,GM(1,2)模型明显提高了矿井涌水量的预测精度。     

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。     

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.     

灰色预测GM(1,1)模型应用现状与展望

灰色模型(Grey Modelling,GM)是灰色系统中最核心的预测模型,其中GM(1,1)是灰色预测模型的基础。本文在简要概述GM(1,1)的基础上,简单介绍了GM(1,1)在能源与生产领域的应用现状,着重介绍了在设计领域的应用,指出了该模型算法研究目前尚存在的问题,并对今后GM(1,1)的应用进行了展望。     

基于改进GM(1,1)模型的天津市电力消费预测研究

基于灰色GM(1,1)预测模型,选取天津市2000—2012年每年的电力消费数据,建立改进的GM(1,1)模型对天津市电力消费水平进行中短期预测。研究表明:改进的GM(1,1)模型具有较高的预测精度,适合进行中短期预测;同时,十二五规划期间天津市电力消费水平依旧保持较高的增长速度,到2015年天津市电力消费量将达到1 087.31亿千瓦时,对此提出了天津市十二五期间电力发展的政策建议。     

基于卡尔曼滤波的优化GM(1,1)模型在建筑物沉降预测中的应用

为了提高灰色GM(1,1)模型的抗扰动能力和预测精度,运用卡尔曼滤波对原始沉降数据进行滤波去噪,并重新构建灰色GM(1,1)模型的背景值,建立基于卡尔曼滤波的优化GM(1,1)模型。以某建筑物实测沉降数据为例,进行新模型、传统灰色GM(1,1)模型和优化的GM(1,1)模型的计算比较,结果表明,新模型不仅可以有效剔除监测数据中的随机噪声,而且提高了模型精度。     

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.     

基于自记忆原理的深基坑位移预测方法

传统灰色GM(1,1)预测模型对非负递增时间序列有较好的预测精度,但对波动幅度较大的时间序列预测精度较低。为了提高预测精度,本文在趋势曲线模型和自记忆理论的基础上,建立趋势曲线-自记忆组合预测模型,将该模型应用于深基坑位移预测中,并与灰色GM(1,1)预测模型和趋势曲线预测模型比较,该模型具有较高的预测精度。     

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.     

GM优化方法在机械系统寿命预测中的应用

针对机械系统失效单元寿命预测所涉及的时间序列 ,介绍了灰色模型GM(1,1) (GM :GreyModels)方法在预测中的特长及缺陷 .同时为了提高预测精度 ,将灰色模型GM(1,1)法拓广为GM(1,1,ω)预测模型法 .因为新模型中参数ω与预测误差之间存在着明显的非线性特性 ,而且ω数值离散化 ,所以采用优化逼近方法优化ω 值 ,最优GM(1,1,ω )预测精度高于GM(1,1) ,工程实例也证实了此方法的效果是显著的 .     

多变量残差修正的灰色模型在建筑物沉降预测中的应用

多变量灰色MGM(1,n)模型对建筑物的沉降监测将会产生更好的预测结果,但是灰色MGM(1,n)预测模型存在着自身的缺陷,具有系统的误差。基于此,通过对传统MGM(1,n)模型的残差序列进行修正,建立优化的灰色EMGM(1,n)模型。最后,以某建筑物的沉降实测数据为基础,建立灰色GM(1,1)、MGM(1,n)和EMGM(1,n)模型的预测结果并进行比较,结果表明:灰色EMGM(1,n)模型的预测精度优于灰色GM(1,1)和MGM(1,n)模型,新模型使预测结果更加准确、可靠。     

灰色GM(1,1)模型在湖北GDP预测中的应用

通过灰色系统理论,运用GM(1,1)模型对国内生产总值进行预测的方法进行了探析,包括对离散函数光滑性判断、模型的建立、模型群中不同维GM(1,1)模型的选优及如何进行中远期预测。     

基于新维灰色马尔科夫模型的股价预测算法

灰色预测适合于时间短、数据量少、波动不大的系统对象，但是对于系统对象的中长期预测，采用任何形式的GM（1，1）模型，预测结果往往会偏高或偏低，而马尔柯夫链理论适用于预测随机波动大的动态过程。通过结合灰色预测和马尔柯夫链理论的特点，并利用新信息优先的思想，提出了一种新维无偏灰色马尔柯夫预测模型，用无偏GM（1，1）模型拟合系统的发展变化趋势，并以此为基础进行了马尔柯夫预测，在每一步预测中，不断推陈出新，更新原始数据。实验结果表明，与一般的灰色马尔柯夫预测模型相比，预测准确度尤其是中长期预测准度得到了较大提高。     

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。