上海居民消费恩格尔系数的灰色建模和预测

应用灰色系统理论的GM（1,1）建模方法,对上海城市居民消费恩格尔系数进行建模,通过残差修正提高模型的拟合精度,并按修正模型进行了恩格尔系数预测。     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

综采工作面相对瓦斯涌出量灰色模型预测

以灰色模型GM(1,1)为基础,对赵庄煤矿综采工作面的相对瓦斯涌出量进行了灰色预测和精度检验,并利用残差灰色模型对预测结果进行了修正.结果表明,灰色预测模型所需建模信息少,运算方便,模型预测精度高,是处理小样本预测问题的有效工具;当预测结果不满足精度要求时,还可以建立残差灰色模型对预测结果进行修正,从而进一步提高预测结果精度;在预测煤层相对瓦斯涌出量时,能达到较高的精度,可以满足工程技术的要求.     

基于优化的灰色GM模型的滑坡预测

滑坡发生的时间预报是目前滑坡预报的关键方向之一,而滑坡预测模型的建立是滑坡时间预测的核心．由于滑坡的模糊性和灰色不确定性特点,采用灰色预测模型适用有效．本文在灰色系统理论的基础上,研究了灰色GM（1,1）的建模和精度检验过程,根据残差对模型进行了高阶优化．同时结合工程实例,选择了有效合理的监测数据,进行了滑坡临滑预报模型的研究,并将传统GM模型与优化GM模型的精度进行了对比,结果显示优化的GM模型预测精度大大提高．在灰色优化的GM（1,1）模型研究基础上,对临滑时间进行了预报,结果显示预测时间较早,可以起到提前预报作用．根据预测模型分析,提出了一些有益结论,供今后滑坡预报工作的参考．     

一种考虑时序残差的GM（1,1）模型

顾及时序残差对灰色ｘ＾（０）－ＧＭ（１，１）模型精度的影响，提出了时序残差εｔ＾（０）－ＧＭ（１，１）模型，并利用时序残差εｔ＾（０）－ＧＭ（１，１）模型和ｘ＾（０）－ＧＭ（１，１）模型联合进行精度检测和预测，能较好提高模型精度和预测精度，实例说明是有效的。     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

灰色预测在安全生产中的应用

采用灰色系统理论中的ＧＭ（１，１）模型对矿井的百万吨死亡率进行了预测，并通过残差修正提高了预测的精度。结果表明，该法具有较高的准确性。     

灰色数模的建立及应用研究(III)--NLCGM(1,1)模型的建立及酚保留行为的预测

考虑到灰色ＧＭ（１,１）模型对于处理某些非线性问题的不足,基于灰色系统理论的建模思想,推导出又一种模型———非线性连续灰色模型ＮＬＣＧＭ（１,１）。由于建模过程中采用了双拟合,不但实现了模型的连续化,而且提高了预测精度。将该模型应用于高效液相色谱中,对５种不同种类的酚保留值随流动相组成变化的关系进行了研究,建立相应的ＮＬＣＧＭ（１,１）模型。经验证,计算值与实验值相吻合,获得了较常规ＣＧＭ（１,１）模型和二次方程更高的精度,平均绝对误差为０．０１６,而常规ＣＧＭ（１,１）模型和二次方程的平均绝对误差分别为０．０３３和０．０５６。     

基于残差周期修正的大气环境发展趋势的灰色新陈代谢预测分析

在传统灰色模型的基础上,遵循数据“重近轻远”的原则,运用了灰色新陈代谢GM（1,1）预测模型对我国大气环境发展趋势进行了预测,及时考虑了系统发展过程中的扰动因素,在补充新信息的同时去掉因时间推移使信息意义降低的老信息,比常规的GM（1,1）模型更好的反映出了系统当前的特征。通过预测可以得出,实行节能减排后,二氧化硫、烟尘和工业粉尘排放量分别降低了34．48％、28．61％和38．71％,大气环境质量有明显好转;其次,对残差序列进行分析,并利用残差周期修正对残差序列进行了修正补偿,通过残差检验、关联度检验和后验差检验,得出基于残差周期修正的新陈代谢GM（1,1）模型精度较高,适合于大气环境发展趋势的预测。最后,进行了滚动检验,也称为事后检验,得出滚动精度较高,可信度较大。     

基于GM(1,1)模型的用电量灰预测方法

根据社会存在用电量不确定因素较多,变化趋势较为明显的特点,基于灰系统理论建立灰模型（GreyModel,GM）对用电量进行灰预测;用新信息替代旧信息构造了新息GM（1,1）模型,并及时反映目标值的时变特性,更好地考虑实际数据的影响。算例表明：模型的置信度达到99.15%,而误差仅为2.96%,说明用GM（1,1）模型进行用电量预测是有效的。     

公路交通运量的灰色预测模型研究

针对公路交通系统在准确预测交通运量时的棘手问题,引进灰色预测GM(1,1)模型进行预测.同时又不拘泥于固定模型,通过翔实的定性分析,在建模中对系统原始数据做出有选择的变换生成,切实做到将定性分析与定量分析有机结合,预期效果得到验证,有效提高了模型精度,对交通运量作出了较为准确的预测,希望能对相关部门和人员把握运输市场或进行决策有所裨益.     

改进的灰色马尔可夫模型在股票分析中的应用

针对经典马尔可夫方法进行预测需要掌握大量数据和原始的灰色GM（1,1）的指数形特征的问题,采用带波动的多项式代替灰色GM（1,1）模型中的指数形曲线,改进了现有的灰色GM（1,1）马尔呵夫模型．利用改进后的灰色马尔可夫模型对股票价格、上证综合指数进行预测,并与经典的灰色GM（1,1）模型和原始的马尔可夫链模型和灰色GM（1,1）马尔可夫链模型3种方法的预测值进行了比较,得到的股票价格与上证指数的预测值精度优于其他3种方法．     

基于SOA-MGM(1,n,q)模型的信息流通量预测

针对多变量灰色模型存在预测误差大和参数需手动设置的缺点,将人群搜索算法和M GM (1,n,q)结合,运用SOA算法对M GM (1,n,q)模型的参数q进行优化,提出一种基于SOA算法优化MGM (1,n,q)的高校图书馆图书信息流通量预测模型.选择平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为评价指标,通过SOA-MGM(1,n,q)、MGM (1,n)和GM (1,1)三个模型预测结果对比发现,提出的SOA-MGM(1,n,q)模型可以有效提高信息流通量的预测精度,具有推广应用价值.     

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．     

基于“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS（Automatic Identification System,船舶自动识别系统）数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型（Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型）,拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA（1,1,2）。“21世纪海上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA（1,1,2）模型对单一船型交通流的预测效果优于对混合船型交通流的预测。     

一种准确预测无线局域网业务量的时间序列模型

在对随机选取的实际环境中的多组无线局域网业务量数据的研究过程中,发现无线局域网业务量具有明显的多重季节性．利用差分和特定间隔抽样对原始数据处理,从而验证了无线局域网业务量的季节性．并提出了一个能够准确预测无线局域网业务量的时间序列模型：乘积型季节ARIMA(0,1,1)(0,1,1)₁₂模型,通过迭代计算,将此模型转化成一个MA模型,并且利用MA模型的性质对模型参数作出估计．利用差分方程法,对随机选取的一段无线局域网业务量进行了预测．结果表明,此模型可较好地对无线局域网的业务量进行短期预测,且提前10步预测的平均相对误差仅为0.0401．     

递推批量MGM(1,N)模型在滑行艇运动姿态预报中的应用

为了设计出有效的滑行艇的自动控制系统,需要建立预测模型对其运动姿态进行实时的、精确的预报.分析利用MGM(1,N)模型对滑行艇运动姿态进行预报的适用性.同时,针对滑行艇运动姿态数据的特点和预报的实时性要求,提出了新采集了一批数据之后,计算模型的参数矩阵的递推公式.利用该公式可以在提高预测精度、延长预测时间的同时,不会显著的增加计算量.数值仿真试验的结果表明,将批量递推MGM(1,N)模型应用于滑行运动姿态预报是可行的,并且具有非常高的预测精度.