共查询到17条相似文献,搜索用时 203 毫秒
1.
灰色系统模型在贫信息、小样本的非线性系统建模中具有明显优势,适合对时间序列较短时的需水量进行预测。该文针对基本灰色预测模型背景值构造不合理及未充分利用新信息的缺点,采用重构背景值和等维递补原理对基本GM(1,1)模型进行改进,并利用改进模型对惠州市工业需水量进行拟合和预测,结果表明,改进模型预测精度更高,可作为城市需水量预测的一种方法。 相似文献
2.
3.
4.
林卫文 《甘肃水利水电技术》2012,(8):8-10
利用灰色系统理论把受各种因素影响的需水量视为在一定范围内变化的与时间有关的灰色量,从而建立GM(1,1)模型对区域需水量进行预测,并对模型进行改进,探讨利用基于加速遗传算法的RAGA-GM(1,1)模型来对广州市的需水进行预测模拟。 相似文献
5.
GM(1,1)模型在拟合和预测施工期土石坝沉降的过程中,精度会受施工加快、荷载急剧增加、降雨等多种因素的影响而降低。而新陈代谢GM(1,1)模型考虑了不断进入系统的扰动因素,精度有一定程度的提高。在新陈代谢模型的基础上,通过改进背景值的计算方法而使拟合和预测精度进一步提高。通过算例验证了改进的新陈代谢GM(1,1)模型的有效性。 相似文献
6.
7.
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。 相似文献
8.
9.
10.
邵全忠 《河南水利与南水北调》2011,(24):59-61
本文重点介绍了灰色理论及其建模原理,对年度用水量进行深入挖掘,依据河南省2000-2009年用水资料建立了灰色GM(1,1)预测模型,经检验模型精度达到93.27%,并用该模型对需水量进行了预测。预测结果表明,该模型用于需水量预测,符合其灰色特性,可检验,适用性好,可为河南水资源规划与管理提供必要的参考。 相似文献
11.
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. 相似文献
12.
合理预测城市用水量对于城市的发展有着极其重要的意义。本文首先应用多元回归的方法,采取向前选择变量法进行优选,得到相对最优的回归预测模型。然后利用灰色GM(1,1)模型,预测出规划年每个变量的值,代入多元回归模型,这样充分利用了两种模型的优点,预测精度高,结果更为合理可靠。 相似文献
13.
14.
城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m3和79 818.34万m3,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。 相似文献
15.
16.
介绍了自回归移动平均模型ARIMA(p,d,q)的原理和建模方法。根据田东县近年来年降雨量特征,建立了ARIMA(1,1,12)预测模型进行分析预测,并与灰色预测模型GM(1,1)的预测结果进行对比,对比的结果是ARIMA模型的预测精度比灰色预测模型的精度明显提高。 相似文献
17.
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. 相似文献