基于灰色马尔科夫模型的青岛市粮食产量预测

由于粮食产量系统是一个复杂的巨系统,具有随机性、非线性、动态性等特点,传统的单一预测方法很难对其发展动态作出准确的中长期预测,预测精度较低。为解决上述问题,尝试将灰色GM(1,1)模型与马尔科夫模型结合起来,对青岛市粮食产量进行预测,首先建立青岛市粮食产量GM(1,1)模型,然后用马尔科夫模型对预测值进行修正,预测结果表明灰色马尔科夫模型比单一的灰色预测模型精度提高,平均相对误差比灰色预测模型减少了8.58%,经检验模型精度等级为优。研究表明:灰色马尔科夫模型能发挥灰色系统对长期趋势预测精确的优势,又能发挥马尔科夫预测模型对波动性数据准确预测的优势,对于波动性较大的时间序列的中长期预测,具有较强的优势,预测精度较高。     

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。     

GM(1,1)改进模型的在智慧水务中的研究与应用

智慧水务是智慧城市的重要组成部分,水资源合理的分配调度更是智慧水务系统中的重中之重,如何准确快速的预测未来某时的指标数据在调度过程中尤为关键。通过对智慧水务的供水模型进行了研究,提出了预测模型的应用方案,验证了其在工程中的合理性。在预测模型的研究中,首先采用了经典的均值GM(1,1)模型对水流量序列进行预测,并在此基础上引入马尔科夫链,使用单步和多步加权分别对GM(1,1)模型的误差进行分析和预测,对其结果进行了矫正,最后使用MATLAB对三种方式进行了计算和仿真。比较结果显示马尔科夫链与GM(1,1)模型的结合比单纯的GM(1,1)模型在预测精度上有较大提升,而加权之后马尔科夫的矫正效果比单步的矫正效果更好。     

基于多步优化GM(1,1)模型的云计算资源负荷短期预测

论述了云计算资源负荷的特征及其短期预测的作用。首先利用多项式回归模型对GM(1,1)的预测结果进行一次优化,然后使用马尔科夫链对一次优化后的模型进行二次优化,最后运用布谷鸟搜索算法对二次优化后的灰色预测模型进行再度优化,建立基于多步优化的改进GM(1,1)灰色预测模型。实验结果表明,与其他预测模型相比,在云计算环境下的资源负荷短期预测应用中,该模型具有更高的预测精度,表现出良好的预测性能。所提方法能为云计算资源的高效调度和管理提供决策支持。     

基于GMM改进的信息系统安全态势实时预测研究

现有安全态势预测方法由于消耗较大和耗时较长而造成预测效果不佳,考虑到信息系统的结构复杂、信息交互频繁等特点,依据典型灰色模型GM(1,1)的消耗低、样本小、适用性强、短期预测效果好等特点对信息系统进行实时的安全态势预测。同时针对GM(1,1)模型的随机波动性小的问题,结合马尔可夫(Markov)链适用于随机波动较大的特点,提出一种以灰色GM(1,1)为预测原型,用马尔可夫链对GM(1,1)预测模型进行误差修正的实时信息系统安全态势预测模型。实验结果表明,在信息系统安全态势预测方面,该模型能够较准确地预测安全态势的总体趋势,且预测精度高于原灰色-马尔可夫模型的精度。     

灰色DNGM(1,1)预测模型及其优化

传统的灰色GM(1,1)预测模型是针对近似齐次指数序列建立的预测模型。为了拓广灰色预测模型的适用范围,建立了近似非齐次指数序列的灰色DNGM(1,1)预测模型。研究了这种灰色预测模型的性质,证明了这种模型都具有线性不变性,也能够完全拟合非齐次指数序列。考虑到初值条件对灰色模型的影响,对该模型进行了参数优化。数据仿真和实例分析表明,灰色DNGM(1,1)预测模型具有较高的预测精度。     

基于改进灰色预测模型的交通事故预测模型研究

为了提高交通事故数据预测的准确度,采取GM(1,1)和OSDGM(1,1)等单一模型,对2008-2019年我国交通事故死亡人数数据进行分析。根据GM(1,1)和OSDGM(1,1)模型建立最优加权组合模型,使用Verhulst模型对建立的加权组合模型进行残差修正,并借助灰色模型精度评价指标对预测结果进行检验。预测结果表明,GM(1,1)、OSDGM(1,1)模型和改进的灰色预测模型的预测结果的平均相对误差分别为4.35%、4.30%和1.19%,且改进的灰色模型通过精度指标检验,说明改进灰色预测模型具有较高的精度。     

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。     

基于等维新息灰色马尔可夫模型的校准间隔预测

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.     

GM(1,1)的MATLAB实现与应用

灰色GM(1,1)预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一.因此,GM(1,1)模型的应用范围很广泛.本文简要介绍了GM(1,1)模型的原理及其预测步骤,用MATLAB软件实现了GM(1,1)预测算法并给出了源代码.在此基础上,用统计年鉴上的山西省2008-2011年煤矿安全死亡人数进行了仿真,从而验证了该算法的有效性和程序的正确性.     

改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

GM(1,1)数据融合预测模型研究与仿真

研究采用灰色系统理论的数列优化预测问题.传统GM(1,1)模型对光滑性差的数据序列拟合偏差较大,为将GM(1,1)改进模型与数据融合算法相结合,构建一种GM-DF预测模型.首先将几种典型改进方案引入GM(1,1)模型:对原始序列进行幂函数变换,以积分法重构背景值,用累积法进行参数估计;然后从原始序列取不同数据量分别建立GM(1,1)模型进行多次拟合;最后将各次预测值进行数据融合运算得到最终结果.仿真结果表明,将GM-DF预测模型应用于光滑性较差、级比偏差较大的数据序列可获得较高的预测精度.     

灰色-周期外延模型的动态关联规则元规则挖掘

提出了一种把灰色-周期外延模型应用到动态关联规则元规则挖掘中并提高元规则预测精度的方法。该方法首先对动态关联规则元规则支持度计数建立GM(1,1)模型;然后对建模时产生的残差序列建立周期外延模型并且提取最优周期;其次将周期外延模型作为GM(1,1)模型的残差补偿,把GM(1,1)模型以及周期外延模型得到的结果进行叠加得到最终的预测模型。最后通过实验证明了该方法有较高的预测精度。     

灰色GM(1,1)模型优化研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。     

基于修正灰色马尔科夫模型的煤自燃预测

煤自燃系统是一个复杂的巨系统,具有规律性、非线性和随机波动性特点,因此在煤自燃预警系统中利用单一的灰色预测方法很难对其动态发展趋势做出准确的预测.针对上述问题,提出一种将灰色模型和马尔科夫模型相结合对煤自燃进行预测的方法.首先建立煤自燃的GM(1,1)模型,其次以GM(1,1)模型预测值为基础进行马尔科夫预测,然后用平均残差修正预测值.仿真结果表明,灰色马尔科夫模型比灰色模型预测精度明显提高,平均误差减少2.24％,为煤层优化检测提供了依据.     

基于灰色马尔科夫模型的传染病预测

对于传染病有效的预防和控制,一直以来就是卫生管理的重点。针对于传染性疾病发病不确定的特点,本文有效的将灰色模型和马尔科夫链融合在一起,根据GM(1,1)预测结果,利用马尔科夫链构建偏差的状态转移矩阵,对原来的灰色模型进行修正,有效的克服了数据波动大对于预测精度的不良影响,具有较好的预测效果。     

用Matlab实现GM（1,1）灰色模型的供电量预测

介绍灰色预测模型GM（1,1）在电力系统中的预测应用,同时在Matlab平台上实现了灰色模型GM（1,1）函数的编制。以某市1995～2004年供电量数据为例,并通过此函数对该供电量进行了预测,为灰色数列模型GM（1,1）的应用提供了一种简便的运算方法。     

基于灰色模型的公路高边坡变形预测模型研究

对工程开挖岩质高边坡进行实时监测,科学预测预报边坡变形规律,对工程防灾减灾具有十分重要的实际意义。灰色系统理论是通过生成变换弱化原始序列的随机性,将无规序列转换成有规序列,能有效地对生成序列进行预测。本文构建了基于GM(1,1)模型的等时间间距及非等时间间距的公路高边坡变形预测模型,并结合贵州省某高速公路工程高边坡变形监测实例,利用该高边坡实际监测数据序列建立非等时间距离的GM(1,1)沉降和平面位移预测模型,模型计算结果表明,沉降预测精度较好,可推广应用,平面预测精度有待提高。     

组合预测模型在高考数据预测中的应用研究

为了提高灰色GM（1,1）预测模型的预测准确度,将模糊数学理论和灰色GM（1,1）理论模型相结合,提出了一种基于模糊灰色理论高考数据预测模型。将该模型应用于甘肃省高等院校2006-2011年专业录取分数的历史统计数据进行验证,实验结果表明该模型对高考数据的预测是有效、可靠的。