基于灰色GM(1,1)新陈代谢模型的矿井瓦斯涌出量动态预测

矿井工作面瓦斯涌出是一个动态不确定的过程,因此最新瓦斯涌出数据的研究至关重要,本文将灰色GM(1,1)模型瓦斯涌出量预测结果加入原始数列,对原始数据序列的信息进行更新,建立了矿井瓦斯涌出量GM(1,1)新陈代谢动态预测模型,采用残差检验法对该模型精度进行检验,其平均相对误差为3.861%,预测精度明显优于GM(1,1)模型,提高了灰色GM(1,1)模型预测瓦斯涌出量的精度。     

基于灰色马尔科夫模型的煤炭产量预测

煤炭资源是我国经济建设中的重要能源,准确预测我国煤炭产量有助于国家能源政策的制定.为此,在单一的灰色GM(1,1)预测模型的基础上,与马尔科夫预测模型组合形成灰色GM(1,1)-马尔科夫组合预测模型,以相对误差、均方差比值和小概率误差3个指标对模型的精度做检验.结果表明,组合预测模型优于单一预测模型,组合预测模型不仅反映了煤炭产量短中期呈上升趋势,又突显了该模型能较优地处理波动性序列的优点,能够有效地预测2019年和2020年煤炭产量.     

基于灰色线性回归组合模型的瓦斯涌出量预测研究

利用线性回归和灰色系统理论,分别构建了一元线性回归及GM(1,1)模型,在此基础上建立瓦斯涌出量的灰色线性回归组合模型。并同时运用以上3种模型进行了现场预测对比,结果表明,对于小样本数据模拟计算,灰色线性回归组合模型的预测精度要优于GM(1,1)模型,说明前者用于瓦斯涌出量的预测是可行的。     

基于ARIMA-GM模型的采掘工作面瓦斯涌出预测

为实现对煤矿采掘工作面瓦斯的动态涌出过程进行精确预测,以煤矿瓦斯涌出时间序列为基础,首先建立了灰色模型GM(1,1)和自回归积分移动平均模型(ARIMA)分别对瓦斯涌出浓度进行预测,然后再利用由方差倒数法得到的ARIMA-GM组合预测模型对瓦斯涌出浓度进行预测,最后结合预测结果进行预警。并以鑫顺煤矿15101掘进工作面为应用实例,结果表明:ARIMA-GM组合预测模型相比单一模型具有更高的预测精度和拟合效果。     

基于并联型灰色神经网络模型的隧道沉降量预测方法探讨

灰色预测方法和人工神经网络,在建筑物变形预测中有各自的优势和不足.为了提高预测精度,该文结合灰色GM(1,1)模型和BP神经网络模型的特点,构造并联型灰色神经网络模型(PGNN)对南京地铁隧道某监测点的沉降量进行预测.结果显示,PGNN的预测精度明显高于单一的灰色GM(1,1)模型和BP神经网络模型,证明了PGNN组合方法在地铁隧道沉降量预测中的有效性.     

煤炭产量预测与对比分析研究

为了预测我国的煤炭产量,分别建立了一元线性回归预测模型和灰色理论GM（1,1）模型,并对预测结果进行了比较分析。结果表明,灰色理论GM（1,1）模型较一元线性回归预测模型预测精度更高,更符合我国煤炭产量的发展趋势。灰色理论GM（1,1）模型的煤炭产量预测结果表明,未来2 a我国煤炭产量呈稳定增长趋势,产量分别为34.83亿t和37.82亿t,增长比例分别为7.5%和8.5%。     

基于改进GM(1,1)灰色模型的煤炭产量预测与分析

文章深入了解了GM(1,1)模型的内容和原理,提出了一种改进该模型的方法,研究灰色状态马尔柯夫模型和对预测值确定的影响,通过选取2003年~2010年我国煤炭生产量来对比传统和改进后GM(1,1)模型的预测误差率和精度。实践证明基于改进灰色数学模型预测出来的煤炭产量十分接近实际产量,误差值远小于采取传统GM(1,1)计算出来的数值,实用价值和参照价值极高。     

基于改进灰色马尔柯夫模型对我国煤炭生产总量的预测

准确预测未来煤炭产量是合理确定产能目标和发展规划的重要依据.将灰色系统理论与离散状态的马尔柯夫链理论相结合,通过对1998～2008年度我国历年来煤炭产量的原始数据取其自然对数进行光滑处理,建立改进的GM(1,1)模型和灰色马尔柯夫模型,实证计算表明:改进的马尔柯夫模型预测精度明显高于改进的GM(1,1)模型,预测结果可靠,具有一定的普遍应用性.     

基于关联挖掘技术的煤炭产量预测模型研究

提出一种基于关联挖掘技术的煤炭产量预测模型,利用灰色系统理论,建立GM(1,1)的煤炭产量预测模型。为了提高煤炭产量预测模型精度,改善传统预测模型存在的问题与不足,采用Gauss-Legendre公式对已经建立的GM(1,1)预测模型进行了背景值重新构造的改进处理,得到修正后的煤炭产量预测模型时间响应函数;利用得到的新的时间响应函数即可实现对煤炭产量的预测;通过利用残差法、后验差法和相对误差法对最终改进的煤炭产量预测模型进行了检验和精度等级划分。     

基于GM(1,1)模型的矿井瓦斯涌出量预测研究

应用灰色系统理论,建立了预测矿井瓦斯涌出量的灰色系统GM(1,1)模型,并用残差序列对预测模型进行了修正。实例表明,该模型的计算精度符合工程实际,可用于矿井瓦斯涌出量的预测。     

基于灰色马尔可夫模型的齿轮寿命预测

灰色GM(1,1)模型不适合描述随机波动性较大的预测问题,单纯应用该模型进行齿轮寿命预测时,预测精度不能保证;引入马尔可夫理论,建立了灰色马尔可夫预测模型,采用统计的方法,通过计算系统到达目标时刻的不同步数的转移概率矩阵,确定系统的目标状态。实例证明,相比与GM(1,1)模型,灰色马尔可夫模型的预测精度更高。     

矿井瓦斯涌出量的GM(1,1)新陈代谢模型预测

运用灰色系统理论,根据矿井相对瓦斯涌出量的历史统计数据建立GM(1,1)模型和GM(1,1)新陈代谢模型,使用残差进行精度检验。对比表明,新陈代谢模型精度高于常规的GM(1,1)模型,应用GM(1,1)新陈代谢模型对矿井未来3 a的瓦斯涌出量进行了预测,为矿山可持续发展提供参考。     

基于等维新息GM(1,1)模型群的煤炭产量预测研究

以煤炭产量预测研究为目的,建立了GM(1,1)模型、GM(1,1)残差模型和等维新息GM(1,1)模型,并对我国1999年至2010年的煤炭产量进行了数据拟合和预测。应用后验差检验,3种模型均是一级合格模型;根据相对误差检验,GM(1,1)模型和GM(1,1)残差模型的数据拟合精度属于四级,是不合格模型;而等维新息GM(1,1)模型群的最大相对误差仅为0.46%,平均相对误差为0.40%,是适用于煤炭产量预测分析的高精度模型。应用等维新息GM(1,1)模型群对我国近5年煤炭产量进行预测,结果表明:煤炭产量将以平均每年超过3亿t的速度增长,到2015年将超过47亿t。     

基于小波分析与GM(1,1)-ARMA(p,q)组合的矿井防尘用水量预测

为了提高矿井防尘用水量预测的精确度,提出了基于小波分析理论与灰色预测模型(GM(1,1))、自回归滑动平均模型(ARMA(p,q))组合的预测模型。运用小波分析将用水量时间序列做不同尺度分解,并将低频信号和高频信号采用GM(1,1)和ARMA(p,q)进行预测,最终经小波重构得到预测结果。以林南仓矿为研究背景,使用该组合模型预测2014年各月份的用水量,通过与实际数据对比,残差检验相对误差不超过2.5%。结果表明:矿井防尘用水量在总体上逐年缓慢增加,每年内呈周期性的变化;基于小波分析与GM(1,1)-ARMA(p,q)组合的预测模型具有较高的预测精度。     

改进灰色模型GM(1,1)在高层建筑施工变形监测中的应用

文中综合分析了灰色GM(1,1)模型在建筑工程领域中存在的问题,从原始序列、初始值、背景值等方面对其进行优化,建立了改进的灰色模型以对高层建筑施工变形监测进行预测.结果表明,改进后模型的预测结果与实测结果拟合得效果很好,较之原GM(1,1)模型预测精度要高.     

残差修正GM(1,1)模型在煤矿事故预测中的应用

百万吨死亡率是煤炭安全生产的一个重要考核指标,为准确预测煤炭行业安全生产的总趋势,利用灰色系统相关理论,建立了煤炭行业百万吨死亡率的GM(1,1)预测模型。同时鉴于GM(1,1)模型预测精度很低,建立残差修正GM(1,1)预测模型对模型进行了二次修正,并利用该修正模型成功预测出我国煤矿2009年的百万吨死亡率将首次降到1以下,权威机构数据表明,预测结果是可参考的。     

改进灰色GM(1,1)模型在煤炭消费预测中的应用

根据灰色系统理论构建并优化了灰色GM(1,1)预测模型,应用模型对我国煤炭消费总量进行拟合和预测。该模型通过减少数据受到的冲击扰动,以适应中长期预测。经检验,该模型具有较好的精度,预测结果反映出的煤炭消费发展趋势,可为今后制定煤炭发展战略提供参考。     

基于背景值优化与初值修正的灰色模型在沉降变形预测中的应用

灰色GM(1,1)模型具有要求样本数据少,运算方便,短期预测精度高等优点,因此得到广泛应用。在沉降变形预测中,数据拟合和预测精度主要依赖于模型的结构参数,故在沉降变形预测中为提高预测精度,该文从传统GM(1,1)模型初值、背景值等入手,探讨了将初值修正、背景值优化后的预测数据进行组合的方法。该方法充分利用新信息、数据优化后的优越性,提高模型的预测精度;同时通过实例证明得出该组合模型比单一模型、传统模型预测精度更高,达到了较好的预测效果。     

灰色人工神经网络模型在路基沉降预测中的应用

利用灰色GM(1,1)模型得出的高速公路工后运营期路基沉降预测量呈快速增长趋势,这与后期沉降趋缓的实际情况不相符。针对这个问题,提出先用弱化缓冲算子对原始监测数据进行弱化处理,再利用弱化缓冲序列建立灰色GM(1,1)模型,提高了模型的预测精度。采用BP网络对沉降预测值修正,使修正后的预测值更加接近实际值。工程实例表明在弱化监测数据的基础上建立的灰色与人工神经网络结合模型具有很高的预测精度,可用以公路路基沉降预测分析。     

非等步长灰色GM(1,1)模型及其建筑物沉降预测中的应用

在文献[1]非等步长灰色GM(1,1)模型建模基础上,提出根据沉降观测振荡序列建立非等步长灰色GM(1,1)模型的改进方法.利用青岛一高层建筑物的沉降监测数据,根据改进的非等步长灰色GM(1,1)模型对建筑物沉降进行了预测和分析,通过与改进前的模型预测结果的比较分析,验证了改进模型的实用性、正确性和有效性.