基于GM(1,1)和BP神经网络集成模型的我国人口数量时间序列预测研究

由于GM(1,1)模型和BP神经网络模型在预测具有趋势变动和波动二重特性的时间序列时能优势互补,首先建立GM(1,1)模型对序列的趋势项进行预测,得到模拟值及残差序列,然后建立BP神经网络模型对残差值进行预测,最后用加法模型对二者预测值进行集成。我国人口数量时间序列实证结果证实了集成模型用于人口数量预测是有效性,且预测效果显著高于单一模型。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

基于小波与灰色方法的半球谐振陀螺寿命预测

半球谐振陀螺具有成本高、批量小的特点,为了在不进行1:1实验的情况下评估其性能和寿命,提出基于小波分析与灰色关联度的残差修正GM(1,1)寿命预测方法。将小波变换引入半球谐振陀螺寿命预测中,利用2种紧支撑标准正交小波对半球谐振陀螺的漂移数据降噪处理以削弱序列的随机性,使用残差修正GM(1,1)模型对4个型号不同的半球谐振陀螺进行多周期数据预测,结合灰色关联分析方法得到半球谐振陀螺的预测寿命。实验结果显示,残差修正GM(1,1)对半球谐振陀螺预处理后漂移数据的预测精度高于GM(1,1)预测方法,表明该预测方法的正确性和有效性。     

基于灰色理论的电力变压器故障预测

文章提出了一种基于综合灰色模型的电力变压器油中溶解气体浓度预测的方法,进而预测电力变压器的故障.首先对非等间隔时间序列进行等间隔处理,然后对序列进行级比检验,对于级比检验不合格的序列进行弱化处理,使用GM(1,1)得到预测序列,检验预测序列精度,对精度未满足要求的序列使用残差 GM(1,1)进行残差修正,通过预测某超高...     

基于灰色GM(1,1)模型的时间序列预测研究

基于灰色理论GM(1,1)模型,结合Elman神经网络组成灰色神经网络模型。模型的输出误差作为一个新的时间序列,通过Elman神经网络对误差序列进行拟合和预测,更大限度地减小预测误差。GM(1,1)模型所需要的数据少,方法简单;Elman神经网络是动态的神经网络对历史数据具有高度的敏感性。这种灰色理论与动态神经网络的组合模型,比起单个的预测模型提高了预测精度,通过分析和验证表明,该方法实用有效。     

基于残差修正GM(1,1)模型的车流量预测

车流量预测是城市智能交通系统研究中的热难点问题之一,精确的车流量预测能有效地支持智能交通系统的发展,减少拥堵。同时车流量预测的精确度密切关系着居民的出行质量。然而车流量受诸多因素的不同程度的影响,具有一定程度的随机性、灰色性和不确定性,从城市交叉路口得到的车流量监控数据也具有一定程度的缺失和偏差,简单、准确且高效地预测车流量成为一个挑战。基于交叉路口采集到的车牌识别数据,通过对比经典GM(1,1)得到的预测值与真实值计算出残差,用残差去修正计算模型进而得到修正GM (1,1)模型,再用得到的修正模型迭代处理同一数据集,最后,数值稳定收敛且精度高于未修正模型的结果。     

基于灰色-马尔可夫模型的粮食产量预测

文中首先用1976年到1995年的桐城县冬小麦单产,建立灰色GM(1,1)模型,再用随机过程理论的马尔可夫模型获得GM(1,1)模型在已知年份里的偏差规律(即偏差的转移概率矩阵),并且依照此规律对GM(1,1)模型结果进行修正,将由GM(1,1)模型预测的一个具体数值,修正成为区间和概率组成的预测范围,增加预测的可靠性。最后用灰色-马尔可夫模型外推预测1996年到2000年共5年的小麦单产。实验说明灰色-马尔可夫模型大大提高了预测精度,将预测结果表示为预测范围,更为准确地反映出粮食产量的走势。     

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时问序列。为解决传统时间序列预测大多数都是使用单一模型，以致影响预测精度等问题，采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示，季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法，为季节性时间序列预测提供了一种新的实用方法。     

基于马尔科夫修正的灰色时间序列电力负荷预测方法

不断改进电力负荷预测技术,探索精度更高的预测模型,是当前电力体制改革大背景下一个具有巨大现实意义的的课题.针对电力负荷具有趋势性、季节性、周期性和随机性等特性,该文采用传统的灰色GM(1,1)模型和时间序列(Time-Series Analysis)相结合的方法,首先用灰色模型拟合电力负荷的非线性增长趋势,再用时间序列...     

基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

长江水质预测的建模

分析了在长江水质的评价和预测建模过程中出现的一些问题,利用灰色模型的指数特性,建立预测长江水质的GM（1,1）的改进模型。根据数据的周期波动特性,采用灰色系统理论建立了残差序列周期修正GM（1,1）模型,用复合残差来修正预报数据,提高了数据预报的准确程度和模型的适用性。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

灰色神经网络模型及其应用

灰色建模要求的样本点少,不必有较好的分布规律,而且计算量少,操作简便。而BP网络学习样本时,会反馈校正输出的误差,具有并行计算、分布式信息存储、强容错力、自适应学习功能等优点。本文将灰色预测建模和神经网络技术融合起来,建立灰色神经网络模型(GNNM)。提出计算残差序列和新的预测值的公式。用于发酵动力学预测,结果表明,灰色神经网络模型在预测精度方面优于常规灰色模型。该模型的算法概念明确,计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围。     

基于神经网络的马尔可夫预测模型

首次提出神经网络与马尔可夫链相结合的数学模型,用于随机波动数据序列变形预测,克服随机观测数据固有的随机和波动特征,较好地实现了工程中大量随机波动性数据无法采用灰色GM(1,1)模型精确预测问题。采用神经网络完成观测数据变化动态基准模型的计算,在此基础上应用马尔可夫链确定系统状态转移概率矩阵,通过系统状态的划分、样本值与模型拟合值之间的残差及其中误差等指标的分析,完成观测数据变化值的准确计算。该模型被应用于隧道围岩工程实例,计算证明取得了较好的效果。     

基于小波消噪的非等间隔加权G(1,1)模型在建筑物沉降预测中的应用

建筑物沉降监测数据序列受观测条件影响大多呈现出数据量少、光滑性差、含噪声和非等时距等特点。在小波除噪和等间隔灰色GM(1,1)模型的基础上建立了非等间隔G(1,1)预测模型。在建模数据中,早期观测数据对模型预测精度贡献小(甚至有拖累现象),近期观测数据对模型预测精度贡献较大,故在建模时引入了权重矩阵以此提高模型的预测精度。实证分析表明所建非等间隔加权灰色GM(1,1)模型具有较高的预测精度,可用以工程实践。     

灰色系统模型在时间序列模式中的应用研究

研究了利用GM（1，1）模型发现时间序列模式的方法，用GM（1，1）模型可以从时间序列中寻找变化规律，预测将中的发展趋势，并应用GM（1，1）模型分别对全国未来10年耕地和粮食进行了预测，预测结果和一些知名学者的预测结果非常接近，说明GM（1，1）模型是挖掘时间序列模式的一个有效的方法。     

基于GM(1,1,μ,ν)模型的股指预测

当前对灰色预测模型GM（1,1）的优化主要集中在2个方面,1个是建模所用数据维度的选择上,一个集中在白化背景值z（1）（k）的优化上.由于这些工作都只考虑单一因素的影响,因此,GM（1,1）的潜力还没有被充分的挖掘出来.针对以上情况,提出同时考虑2个因素的GM（1,1,μ,ν）模型,并根据股市的特点,提出选择最优解的办法.实例证明该模型比传统的GM（1,1）有更低的预测误差.更重要的是,该模型提出综合考虑2种因素的思想,为更进一步优化GM（1,1）提供新的思路.     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

基于灰色神经网络的装备计量预测研究与实现

基于装备计量数据历史样本数据较少的特点,将适合小样本的灰色理论GM(1,1)模型应用于基于计量数据的装备状态预测,同时为提高GM(1,1)模型精度,提出了基于RBF神经网络优化GM(1,1)传统模型的灰色神经网络模型。装备计量数据实例应用分析表明,上述模型均可获得该装备计量数据的合理预测值,且相对于GM(1,1)传统模型,GM(1,1)优化模型具有更优的模型精度和预测效果,基于MATLAB开发的装备计量预测软件,实现了GM(1,1)传统及优化模型下装备计量状态预测及比较的可视化操作,为装备计量保障提供了可参考的技术方案。