改进的非等间距灰色模型在大坝位移预测中的应用

传统GM(1,1)预测模型在大坝位移拟合及预测中存在优化方式单一、适应性不佳等不足,一定程度上影响模型的预测效果。基于蛙跳算法,通过优化背景值和平滑系数、寻找最优定解条件以及残差优化等方法,提出了改进的非等间距GM(1,1)大坝位移预测模型。结合相关工程实例,对比分析了2种模型的拟合效果和预测精度,说明了相对于传统GM(1,1)大坝位移预测模型,改进的GM(1,1)大坝位移预测模型能有效提高位移预测精度,可以应用于实际大坝结构中的位移监控及预测。     

基于改进灰色模型的水资源预测

为了提高灰色模型GM(1,1)对用水量预测的精度,通过对传统灰色模型的残差序列进行改进,提出了一种新的灰色改进预测模型。将其应用于城市居民生活用水量预测中,结果表明:与传统GM(1,1)模型预测值相比,改进GM(1,1)模型预测值与实际值拟合效果更好。     

基于Ito随机微分方程大坝实时性态预测方法

针对大坝实时性态预测方法精度,首先基于Ito随机微分方程对某坝的多年扬压力监测极值建立GM(1,1)了实测序列预测模型,并根据建立模型的残差序列构建了Markov残差模型,其次对比分析了GM(1,1)残差预测模型和Markov残差模型。最后,综合GM(1,1)模型和Markov残差模型建立灰色Markov模型,并利用灰色Markov模型预测扬压力的极大值。计算结果表明,建立的灰色Markov模型不仅能提高预报精度还能真实地反映其过程的摆动性。     

GM(1,1)改进模型在大坝位移预测中的应用

针对传统GM(1,1)模型的不足,分别从提高原始序列的光滑度、优化时间响应函数两个方面对其进行了改进,对模型进行残差检验和后验差检验,并建立一种新的GM(1,1)模型,将改进了的模型应用于大坝位移预测中,结果显示:新的GM(1,1)模型拟合预测精度明显高于传统模型。     

基于提升小波优化模型在大坝位移预测中的应用

针对传统建模主观性造成的精度影响以及预测数据的噪声干扰,提出了基于提升小波的系统优化GM(1,1)模型.该模型可有效剔除监测信息的噪声分量,减小预测误差,同时根据最小二乘原理提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,建立了优化GM(1,1)预测模型的最优初始值.对某大坝位移监测信息进行了计算,相对传统GM(1,1)模型而言,优化GM(1,1)模型可明显提高预测精度.     

改进的灰色灾变模型在干旱预测中的应用

为提高传统的GM(1,1)模型精度,分别从原始数据序列检验和建立残差修正模型两方面进行了改进,并将改进的灰色灾变模型与不进行原始序列检验的GM(1,1)1模型和对原始数据序列进行检验的GM(1,1)2模型进行了比较。结果表明:改进的灰色灾变模型精度最高;运用该模型预测榆林市未来可能发生干旱的年份分别为2012年、2015年和2019年。     

改进的灰色预测模型在城市年需水量预测中的应用

应用灰色系统理论建立了某城市年需水量的灰色GM(1,1)模型。在分析灰色预测模型建模思路及建模前提的基础上,应采用改进的灰色预测模型进行该市年需水量预测。结果表明:改进灰色预测模型与灰色GM(1,1)模型相比,平均相对误差以及原点误差均较小,适用性范围更广,可用于城市的年用水量预测。     

G(1,1)灰色模型在某大坝水平位移预测中的应用

大坝的水平位移受到了外部环境各种因素的影响,而这种影响又难于用确定的关系式表达,由于试验数据中有些信息是已知的(如水平位移是可以通过测量得到的),而有些信息是未知的(如外部环境对它的影响作用),因此大坝水平位移的试验数据系统是一个典型的灰色系统,本文对大坝的水平位移建立了灰色GM(1,1)预测模型,对大坝水平位移的试验数据进行处理和预测。所使用的数据量少,其拟合结果、预测结果与实测结果相比具有很高的精度。因此,灰色GM(1,1)预测模型在工程领域的数据处理中具有广阔的应用前景。     

贵州省工业需水量预测研究

等维灰色递补模型以灰色模型为建模基础,引入贵州工业用水量历史数值,选择合适的数据序列,建立预测精度较好的GM(1,1)预测模型,从而构建灰色递补GM(1,1)预测模型。该模型预测精度等级为"好",故预测需水量具有可靠性和参考价值。灰色递补模型显著地减小了后验差比值C,弥补了灰色模型的不足,可为城市中长期供水规划提供方法选择。     

气象干旱组合预测模型研究及其应用

为提高干旱预测精度,克服单一预测模型的不足,在分析灰色理论和遗传神经网络模型特点的基础上,构建了气象干旱的多尺度组合预测模型。该模型首先提取灾变序列,利用GM(1,1)模型进行拟合和预测,然后采用遗传神经网络对拟合值进行修正,得到训练好的网络结构,最后修正GM(1,1)模型的预测值。利用郑州市1951—2012年月降水数据进行的干旱预测结果表明:针对不同尺度的灾变序列,组合预测模型的预测效果优于GM(1,1)模型和遗传神经网络模型,且模型的平稳性较好。