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。     

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。     

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。     

修正的优化无偏GM(1,1)模型在瓦斯事故预测中的应用

针对无偏GM(1,1)模型可能因个别异常点导致预测误差很大甚至失效的问题,建立了修正的优化无偏GM(1,1)模型。该模型剔除了异常点,并用一次插值法得到的新数据代替异常点,最后对拟合、预测值作残差修正。将该模型用于煤矿瓦斯事故遇难人数预测,结果表明,修正的优化无偏GM(1,1)模型大幅提高了煤矿瓦斯事故遇难人数的拟合及预测精度,后验差精度检验等级为好,其预测值的相对误差绝对值为0.070 4,仅为优化前的40.8%。     

基于灰色预测理论的测量仪器校准周期的确定

介绍了灰色预测理论在确定测量仪器校准周期中的应用。为了更精确地确定仪器在校准过程中的校准时间间隔，利用灰色模型对测量仪器的性能指标进行建模，得出仪器性能的变化趋势，为达到更高的预测精度，利用残差的一元非线性回归模型对模型进行了修正。最后以电压源Agilent66103A的输出电压为例，通过对其输出误差的建模来预测输出误差超出设定阈值的时刻，从而确定了仪器需进行校准的时间间隔。     

一种基于灰色残差模型的建筑物沉降预测

建筑物沉降预测成为工程建设中亟待解决的一大技术难题。应用灰色残差GM(1,1)模型对建筑物沉降进行模拟和预测,解决了传统GM(1,1)模型预测精度不高的问题。结果表明,灰色残差GM(1,1)模型误差较小,可以较好地预测建筑物沉降变形。     

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.     

一种改进的GM(1,1)模型在装备故障预测中应用

针对传统GM(1,1)模型预测过程中参数固定导致适应性较差的问题,引入新陈代谢概念,给出了一种改进的新陈代谢GM(1,1)灰色预测模型;并应用于某型机载高度表中进行故障预测;结果表明与传统GM(1,1)预测结果相比,新陈代谢GM(1,1)预测结果与实际测试值间的绝对误差和相对误差均较小,预测精度也较高。     

Using improved grey forecasting models to forecast the output of opto-electronics industry

Numerous forecasting models have been developed. Each has its own conditions of application. However, it has always been an important research objective to improve prediction accuracy with a small amount of data. In recent years, the grey forecasting model has achieved good prediction accuracy with limited data and has been widely used in various research fields. However, the grey forecasting models still have some potential problems that need to be improved. Therefore, this study proposed an improved transformed grey model based on a genetic algorithm (ITGM(1,1)), and used the output of the opto-electronics industry in Taiwan from 1990 to 2008 as an example for verification. Three grey forecasting models, GM(1,1), rolling GM(1,1), and the transformed GM(1,1), were chosen for the purpose of comparison with ITGM(1,1) by mean absolute percent error and root mean square percent error. The results show that ITGM(1,1) is more accurate than the other three models in both in-sample and out-of-sample forecasting performance, and can greatly improve the accuracy of short-term forecasts.     

基于变权优化背景值改进的GM(1,1)灰色预测模型及其应用

针对传统的GM(1,1)灰色预测模型背景值采用均等权值导致预测精度不高的缺点,本文提出一种变权优化选择背景值方法。首先将黄金分割搜索和抛物线插值法相结合确定改进GM(1,1)模型的背景值;然后将改进后的背景值代入灰色预测代数递推方程,从而代替传统的GM(1,1)模型中的白化方程;最后选取指数数列进行模拟并结合某高校教师人数的实际统计数据进行仿真实验。结果表明,改进的GM(1,1)模型减少了平均相对误差,提高了预测精度,具有一定的应用价值。     

Error correction method based on data transformational GM(1,1) and application on tax forecasting

Accurate tax forecast is very important to carry on the macroscopic regulation efficiently under the market economy. However, experience shows that it is very difficult to improve the accuracy of forecasting by setting up a single forecasting model. This article describes the deficiencies of the present forecasting methods and puts forward a new approach to improve the accuracy of prediction by introducing error correction. First, this paper carries out initial prediction of tax revenue by using the LS-SVR model. Second, the accelerated translation transform and weighting mean value generating transform are introduced to process the error sequence. On the basis of the processed data, the error predictive method based on data transformational GM(1,1) is constructed and predicts the subsequent error. Third, the correction of preliminary prediction values is calibrated. The case study based on Chinese tax revenue during the last 30 years shows that the presented approach improves the accuracy of forecasting significantly compared with the prediction accuracy before correction, and then the validity of the model is verified.     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

An accurate signal estimator using a novel smart adaptive grey model SAGM(1,1)

Grey system theory has been developed for almost 30 years and has obtained many great successes in practical real-life applications. However, conventional grey models show some limitations which affect directly to the model applicability as well as prediction accuracy. Hence, the aim of this paper is a proposition of a novel grey model named ‘Smart Adaptive Grey Model’ – SAGM(1,1) in order to overcome the disadvantages existing in the original grey model – GM(1,1). The proposed model was developed from the GM(1,1) model with three remarkable improvements. The first one is a use of two smartly additive factors to convert any raw data into a grey sequence which satisfies both the raw data checking condition and quasi-smooth condition to perform the grey estimation. The second one is a modification in calculating the background series which affect to the grey model accuracy. And the final improvement is a modification in computing the model output by using a so-called error correcting accumulation (ECA) to eliminate the residual prediction errors. As a result, the SAGM(1,1) model can be applied easily to any practical prediction problem and achieve higher prediction accuracy comparing with the conventional GM(1,1) model. Numerical simulations have been carried out to verify the proposed model.     

基于灰色预测的大时滞过程的控制研究

针对传统PID控制对大时滞过程控制效果不佳的情况,采用基于GM(1,1)灰色模型对被控对象系统行为进行预测,并用等维新息、提高原始数据列的光滑度和改变初始条件三者结合的方法对该模型进行改进,得到一个改进的GM(1,1)模型.同时以GM(1,1)模型的发展系数a作为决定预测步长的依据,将其与传统PID结合,组成灰色预测控制系统对大时滞过程进行控制.仿真结果表明,与传统PID控制相比,该方法具有较强的适应性和鲁棒性,控制性能也得到了较明显的改善.     

基于GM(0,N)模型的三元区间数序列预测

在工程和经济领域,很多数据序列具有很强的振荡性,这些振荡序列用区间数表示将包含更多信息.三元区间数不仅包含系统特征的上下界,还在中间增加一个偏好值,对三元区间数序列的预测研究具有很好的应用价值.为了使灰色模型GM(0,N)能够直接对三元区间数序列建模,改进了GM(0,N)模型方程的参数设置,将整体贡献系数和滞后项系数取为精确数,而将线性修正项系数和补偿系数设为三元区间数,从而对三元区间数的不同界点进行线性修正和补偿.进一步,为了提高对振荡序列的预测精度,结合马尔科夫预测和序列转换方法对模型的预测序列进行修正. 通过对我国用电量和社会消费品零售总额的预测,表明了所提出的三元区间数多变量灰色模型比单变量灰色模型和区间数序列转换为精确数序列再预测的方法效果更好.     

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。