改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对传统GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想状况,本文在传统GM(1,1)模型基础上,建立自适应GM(1,1)模型与残差修正GM(1,1)模型并讨论两种改进模型各自优点。利用传统GM(1,1)模型、自适应GM(1,1)模型以及残差修正GM(1,1)模型对某高铁隧道监测点作沉降分析与预测。通过对比,得出自适应GM(1,1)模型与残差修正GM(1,1)模型对原模型的预测曲线相关性和预测精度有一定程度提高;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。     

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想的情况,在GM(1,1)模型的基础上,建立了自适应GM(1,1)模型与残差修正GM(1,1)模型,并讨论了2种改进模型的各自优点。依据某隧道沉降监测数据,进行工程实例分析,得出自适应GM(1,1)模型与残差修正GM(1,1)模型在一定程度上均提高了原模型的预测精度和预测曲线的相关性;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。     

动态修正时距权重的不等时距灰色模型及应用

传统不等时距 GM(1,1) 模型预测结果往往会出现预测值的残差较大而且残差率的变化也大,还需再建立残差模型加以修正。针对传统不等时距 GM(1,1) 模型的不足,重新分配在数据累加和累减过程中时距的权重,通过研究与验算确定最佳的时距权重,建立了修正时距权重不等时距边坡位移的灰色预测模型,并在数据累减还原过程中依据残差率的变化趋势动态修正时距权重,使其预测结果与监测结果更为接近。该预测模型充分考虑了预测系统的时变性和灰色性,降低了预测系统的整体预测误差,提高了预测精度。实例分析表明：该预测模型拟合精度较高,预测结果正确可靠,能够反映边坡位移的发展趋势,对边坡位移的短、中期变化有较为理想的预测效果,具有一定的理论价值和工程实践意义。     

动态残差修正的新陈代谢灰色模型在沉降预测中的应用

在原始传统GM(1,1)和新陈代谢动态灰色模型的基础上,建立了傅里叶变换修正动态残差的新陈代谢灰色模型。结合工程实例沉降数据,用原始传统灰色模型、新陈代谢灰色模型、动态残差修正的新陈代谢GM(1,1)三种模型进行短期和中长期沉降预测分析比较,结果动态残差修正的新陈代谢GM(1,1)模型比动态灰色模型、原始传统灰色模型的预测精度均有所提高,并有一定的收敛性和较好的预测效果,为今后的沉降预测评估提供了一定的参考。     

改进残差修正GM(1,1)模型在基础沉降预测中的应用

普通的灰色残差修正GM(1,1)模型利用差分代替微分,并用原始数据第一个点的值作为时间响应函数的初始值C0,从而给预测带来了一定的误差。本文用多项式逼近法对残差修正GM(1,1)模型进行了改进,并增加了一个初始值参数;还通过一个基础沉降预测的工程实例,对此模型与普通残差修正GM(1,1)模型进行对比。沉降预测结果表明,改进后的模型明显提高了精度,更加适合于基础沉降的预测,具有较好的准确性和工程应用价值。     

GM（1,1）残差修正模型在建筑形变预报中的应用

通过对比建筑形变监测数据的GM（1,1）模型和改进的GM（1,1）残差修正模型建模的预报结果,表明残差修正GM（1,1）模型的预报精度明显高于传统GM（1,1）模型的预报精度,并且二次残差修正GM（1,1）模型的预报精度远高于一次残差修正GM（1,1）模型的预报精度,从而为准确形变预报提供了一种简单而有效的新实践。     

基于残差修正累积灰色模型在变形监测中应用研究

针对传统累积GM(1,1)模型对变形体模拟效果不佳和预测精度低的情况,本文基于新陈代谢思想,构建出新陈代谢累积GM(1,1)模型,利用傅里叶变换强大的降噪功能,对新陈代谢累积GM(1,1)模型的残差进行修正。实例结果分析表明,经傅里叶变换修正后的累积GM(1,1)模型的预测精度远高于传统累积模型及新陈代谢累积模型,同时,预测结果具有较强的稳定性,更为接近于变形体的实际变形,从而为监控变形体提供依据。     

基于神经网络的GM（1，1）预测模型残差修正研究

针对GM（1,1）模型预测时段较长时精度较低的缺点,本文提出了基于神经网络的GM（1,1）预测模型残差修正方法,并且与传统的残差GM（1,1）模型修正方法进行了比较,经工程实例验证,本文提出的方法能有效提高预测精度、延长预测时段,在工程中有较好的应用。     

改进的GM(1,1)模型公路货物运输量预测

货物运输量预测对交通运输基础设施建设和区域经济发展具有重要作用。针对传统的GM(1,1)模型存在精度低的问题,结合连续9组时间序列货运量数据,通过二次函数对背景值重构,从而修正参数向量,构建改进的GM(1,1)预测模型。并利用2017~2019年货运量对模型预测精度进行检验。结果表明:最大相对误差≯1%,后验残差比C为0.18,小概率误差P为1,模型预测精度高。     

GM(1,1)残差处理模型的变形预测实践与分析

选择建筑物主体沉降监测点的观测数据,以9期数据中的前7期为原始数据,分别建立均值GM(1,1)模型、残差GM(1,1)模型、坐标变换模型,以后2期数据进行对比验证;在程序实现的基础上进行实例预测计算,并对不同模型的预测结果进行了对比分析;认为坐标变换模型针对残差的校正较好,达到了较高的预测精度.     

地基沉降的灰色群优化预测模型

建筑地基的沉降观测一般是时间非等间距的;分析了基于灰色理论建立的非等间隔数据GM（1,1）模型进行预测所得出的结果的误差变化,得出需要进行预测的后续时间越长,误差就越大;用越久远的数据建立的非等间隔数据GM（1,1）模型进行预测,所得出的相同后续时间的结果误差越大;运用灰色系统理论建立模型群,进而对模型群进行了优化,建立了非等间隔数据GM（1,1）模型群的优化预测模型.     

灰色马尔柯夫预测模型

概要地介绍了灰色系统理论的研究对象，引入了ＧＭ（１，１）灰色预测模型，并将灰色预测与马尔柯夫预测方法相结合建立了一种对ＧＭ（１，１）模型进行了预测物新方法，克服两种预测法的不足，提高了预测精度。最后用一例子说明灰色马尔柯夫预测方法的应用。     

基于不等时距GM(1,1)模型预测边坡失稳变形

对边坡的失稳变形进行预测可以有效预防灾害的发生。传统灰色GM（1,1）模型多适用于等间距序列监测数据的模拟预测,而实际情况却是由于各种原因导致所获得的监测数据出现不等时距现象。为此,在分析传统等时距GM（1,1）建模原理的基础上建立了不等时距GM（1,1）模型,并对灰参数的求解方法进行了讨论。依据渝黔高速公路某边坡B3测点的监测数据,建立了该边坡变形灰色预测模型,并且将改进灰参数求解方法与传统方法进行了对比,研究结果表明,该不等时距GM（1,1）模型预测精度较高,预测结果与实际吻合较好。     

新陈代谢GM（1,1）模型在河流水质预测中的应用

针对常规GM(1,1)模型存在的不足,运用灰色系统理论,建立了灰色新陈代谢GM(1,1)河流水质预测模型,对该模型的精度以及误差进行了分析,并利用该模型对某地区河流的水质进行了预测,预测结果显示:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可信度。     

灰色预测在公共娱乐场所火灾损失中的应用

本文利用灰色系统理论,建立了公共娱乐场所火灾损失的GM（1,1）模型,并采用残差修正,提高了预测精度和准确性,对现实火灾预防具有一定的指导意义。     

改进灰色模型及其在基坑变形监测中的应用

灰色系统理论在岩土工程领域已经有着广泛的应用,其中以灰色理论中的GM(1,1)模型为最。本文基于GM(1,1)的建模机理,从原始序列、初始值、背景值等方面对其进行优化,并将改进后的模型应用于某基坑工程的变形预测。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。     

基于粒子群与Markov优化的PMIGM（1,1）模型预测路基沉降方法研究

高速公路路基沉降的准确预测对高速公路病害预防和治理有着极其重要的指导意义。以往的路基沉降预测模型多为单一模型或简单改进模型,提出了一种基于粒子群与Markov优化的PMIGM（1,1）预测模型。首先,基于灰色理论,提出了改进的IGM（1,1）预测模型;然后,利用Markov理论对IGM(1,1)预测模型的相对残差序列进行修正,使得该模型能反映数据的波动特征,得到了MIGM（1,1）预测模型;在此基础上,采用粒子群算法对残差序列参数进行白化,建立了PMIGM（1,1）预测模型。将该预测模型应用于云南保施高速公路高填方路基,分析结果表明该模型可提高预测模型的精度。     

加权GM(1,1)模型在变形监测中的应用研究

灰色系统理论中的新信息对认知的作用大于老信息的作用,而传统的累加生成没有体现原始数据中新信息的重要性。为了充分利用新信息,本文结合工程实例将加权灰色系统理论GM(1,1)模型应用于滑坡工程进行变形预测,而且对权的选取做了初步讨论,从预测结果和实测结果进行对比分析,加权累加生成的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型模拟和预测精度高,从而说明了该法的有效性和实用性。     

不等时距GM（1，1）在软土路基沉降预测中的应用

运用灰色理论建立预测模型,对软土路基的沉降变形进行预测。以工程数学为基础,通过建立不等时距GM（1,1）模型,进行沉降预测,并于实测值相比较,具有较高的精度。     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。