应用灰色新陈代谢GM(1,1)模型预测河流水质

由于常规GM(1,1)模型进行预测时,精度较高的仅是最近的几个数据,越往未来发展,该模型预测的精度也就越弱。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。计算机实际模拟证明:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可靠程度,从而实现河流水质的早期预测评估。     

灰色GM(1，1)模型在电力系统负荷预测中的应用

研究了灰色 GM(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论：灰色 GM(1,1)模型精度较高,但也存在一定的局限性．     

灰色GM(1,1)模型在电力系统负荷预测中的应用

研究了灰色GM(1,1)模型及其在电力系统负荷预测中的应用,以实际算例为基础,对预测结果作了分析,得出结论:灰色GM(1,1)模型精度较高,但也存在一定的局限性.     

基于改进灰色模型的短期电力负荷预测

针对短期电力负荷预测的特点,提出了更适合负荷预测模型,对传统灰色预测模型的局限性进行了改进。采用三点平滑处理削弱了个别不理想数据对整个数据序列的影响,对GM(1,1)模型进行了残值修正,建立了针对后验差检验不合格情况下的新的GM(1,1)模型。通过实证分析与相对误差的比较,该模型具有良好的适应性,可大大提高预测的精度。     

组合灰色模型在电力系统负荷预处理中的应用

根据GM（1,1）模型的特点,通过在数据序列前面加一个非负数,提出了加数GM（1,1）模型的方法。该方法克服了原始模型中不能利用第一点数据的缺陷,提高了原始数据的利用率。同时,结合电力负荷呈日周期性变化的特性,提出了基于关联度的组合灰色预测模型用于电力系统负荷预处理。实例表明,加数模型的预测精度优于原始模型的预测精度,组合灰色模型比单一的灰色模型在预测精度上有明显提高。     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

灰色模型在普通日短期电力负荷预测中的应用

讨论了灰色模型GM(1,1)及灰色差值模型在短期电力负荷预测中的应用,提出了适合普通日电力负荷预测的数据处理方法,提高了短期电力负荷预测的精度.     

优化灰色GM(1,1)模型在黄河下游灾变预测中的应用

针对灰色GM(1,1)模型精度不稳定的问题,对GM(1,1)模型的建模机理进行探讨,根据指数函数和线性函数的特性,利用分析技巧,提出了2类优化模型,并将此优化模型应用于黄河下游堤防工程坍塌险情灾变预测中.结果表明,2类优化模型均比原始GM(1,1)模型有较高的模拟和预测精度,为灾变预测提供了新思路.     

GM(1,1)模型的改进及其在火灾致死人数预测中的应用

为了弥补传统GM(1,1)模型在波动数据序列预测中误差较大的缺陷,采用一阶差分方法对初始数据序列进行改进,构建了一阶差分GM(1,1)模型。分别应用传统GM(1,1)模型和一阶差分GM(1,1)模型对2009—2016年火灾致死人数进行预测分析。结果显示,一阶差分GM(1,1)模型的预测精度高于传统GM(1,1)模型。     

基于自适应精英蚁群算法的GM（1,1）预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。     

基于灰色系统理论单桩竖向极限承载力的预测

根据不完全的竖向静载试验数据,利用灰色系统理论的GM（1,1）模型预测单桩的竖向极限承载力,并对结果的合理性及误差进行分析．工程实例分析表明,竖向静载试验所施加的荷载达到或超过极限荷栽的四分之三时,利用其数据进行单桩竖向极限承载力的预测具有较高的精度．同时新信息GM（1,1）模型、新陈代谢GM（1,1）模型比老信息GM（1,1）模型预测的结果更精确．     

GM(1,1)-星野法沉降预测模型研究与应用

围绕目前高速公路路基沉降预测精度不高,预测方法适用性不强等问题,基于组合预测理论,借助MATLAB计算软件,将基于灰色理论的GM(1,1)预测模型和星野法沉降预测模型线性组合,以组合预测误差的平方和最小为标准确定两种预测方法的权重系数,提出GM(1,1)-星野法组合预测模型。结合广东某高速公路施工期以及运营期路基实测沉降数据,GM(1,1)-星野法组合预测模型预测结果较两种方法单独预测结果具有更高的预测精度,工程适用性更强。     

动态优化GM模型中分辨率系数的数据预测算法

为提高传统GM(1,1)算法的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变传统灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.算法的数值实验结果表明,优化算法的预测精度高于传统的GM(1,1)算法和文献[3]中的算法.     

新陈代谢GM(1,1)模型在建筑物沉降预测中的应用

利用MATLAB7.0软件对原始数据进行等间距处理后,用一次累加数列与原始数列构建微分模型,通过不断去掉旧数据加入新数据,以工程数学为基础,运用灰色理论构建新陈代谢GM(1,1)模型。并以工程实例进行模拟和预测效果检验,将普通GM(1,1)模型和新信息GM(1,1)模型预测效果进行比较,计算和对比结果表明,新陈代谢GM(1,1)模型精度明显高于其它模型,预测效果大大提高。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

Hybrid grey model to forecast monitoring series with seasonality

The grey forecasting model has been successfully applied to many fields. However, the precision of GM（1,1） model is not high. In order to remove the seasonal fluctuations in monitoring series before building GM （1,1） model, the forecasting series of GM（1,1） was built, and an inverse process was used to resume the seasonal fluctuations. Two deseasonalization methods were presented , i. e. , seasonal index-based deseasonalization and standard normal distribution-based deseasonalization. They were combined with the GM（1,1） model to form hybrid grey models. A simple but practical method to further improve the forecasting results was also suggested. For comparison, a conventional periodic function model was investigated. The concept and algorithms were tested with four years monthly monitoring data. The results show that on the whole the seasonal index-GM（1,1） model outperform the conventional periodic function model and the conventional periodic function model outperform the SND-GM（1,1） model. The mean absolute error and mean square error of seasonal index-GM（1,1） are 30.69 % and 54.53 % smaller than that of conventional periodic function model, respectively. The high accuracy, straightforward and easy implementation natures of the proposed hybrid seasonal index-grey model make it a powerful analysis technique for seasonal monitoring series.     

基于灰色系统的机床热误差建模研究

针对机床加工过程中的热变形误差受多因素影响,变化趋势复杂,难以用常规预测方法进行有效预测的问题,该文提出了一种新的基于改进灰色系统的智能预测模型。该模型利用函数变换法改善灰色系统数据序列的光滑度,采用等维新陈代谢法克服了传统的灰色预测模型的不足,所建模型具备了输入数据动态更新的能力,预测更趋于合理。将该模型应用于工厂现场的一台数控车削加工中心进行热误差趋势的预测,从而实现热误差的补偿研究。研究表明,该模型的预测性能优于全数据GM(1,1)模型和新信息GM(1,1)模型,是运用灰色系统理论进行机床热误差补偿建模最理想的模型,具有优异的补偿功能,能够有效的提高机床加工精度。     

一种新的改进GM（1,1）模型及其应用

通过对传统GM（1,1）模型的分析,针对影响预测精度的因素之一提出了一种改进的GM（1,1）模型,并将该新模型用于预测2010到2015年的道路乘客交通量.最后,通过试验结果可知新模型比传统GM（1,1）模型预测结果在预测精度上有了很大的提高,表明了该方法的有效性.