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。     

基于灰色马尔科夫链的小排量汽车销量预测研究

近两年来,我国小排量汽车的销量受到政策、价格等各种原因的影响呈现出波动的形势。为了较为准确的对小排量汽车销量进行预测,本文建立了相应的灰色马尔科夫链预测模型。首先通过灰色GM(1,1)模型获得两年来我国小排量汽车销量的基本走势,然后采用灰色马尔科夫链在GM(1,1)模型基础上进行修正,最后得到最终的预测模型。该模型有效整合了GM(1,1)模型处理光滑序列的有效性和灰色马尔科夫链处理随机序列的有效性。通过对2013年10月、11月、12月的销量数据进行测试,该模型具有较高的预测精度。     

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.     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

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。     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型同时采用数理统计的-检验法对模型精度进行检验.通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度.     

灰色GM(1,1)模型及其在电力负荷预测中的应用

讨论了灰色模型GM(1,1)及其改进模型在电力负荷预测中的应用.从灰色理论建模特点出发,提出使用加权均值生成原始数据序列的数据生成方法,在进行平滑的非负电力负荷数据序列的预测中取得了较好的效果.通过后验差检验,对传统的灰色系统GM(1,1)模型和加权均值的GM(1,1)模型进行了比较分析.实例证明,加权均值生成数据的方法进行建模具有较好的精度,在实际电力预测系统中有很好的应用价值.     

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。     

基于加权一个变量的一阶灰色模型的动态轨迹预测算法

针对基于Kalman滤波的跟踪方法需要对噪声特性和轨迹的运动规律进行假设的不足,将新陈代谢一个变量的一阶灰色模型(GM(1,1))引入动态轨迹预测方法,提出一种基于加权灰色GM(1,1)模型的动态轨迹预测算法(TR_GM_PR算法)。首先,顺序截取预测点前不同长度的子轨迹,计算采用灰色GM(1,1)模型拟合各子轨迹的相对误差及相应的预测值;其次,对各子轨迹的相对拟合误差进行归一化处理,根据处理后的结果设置各子轨迹预测值权重;最后,将各子轨迹获得的预测值与其对应权重的线性组合作为轨迹未来运行趋势的最终预测结果。采用2000-2008年美国大西洋飓风数据进行实验,TR_GM_PR算法6 h的预测正确率为67.6056%,比基于模式匹配的飓风预测方法提高2.6056个百分点。实验结果表明, TR_GM_PR算法适用于轨迹短期预测。此外,该预测算法计算简单、实时性高,能够有效提高动态轨迹的预测正确率。     

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.     

基于组合函数法的灰色模型预测研究及应用

结合运用组合函数法,尤其是对数函数和幂函数在进行原始数据列转换后能提高数据列的光滑度和预测精度的优点,提出了基于组合函数法的灰色预测模型,利用此模型实例预测某油田的年产量,并利用相对误差法将预测值与实际值进行精度检验,取得了较好的结果。     

基于灰数带及灰数层的区间灰数预测模型

针对传统灰色预测模型仅适用于实数序列而无法进行灰数序列预测的缺陷,通过计算灰数层的面积以及灰数层中位线中点的坐标,在不损失已有灰数信息的前提下,将区间灰数序列转换成实数序列,然后建立一种基于区间灰数的新灰色预测模型.算例仿真验证了所提出模型的有效性及实用性.     

一种有效支持计算机取证的审计机制研究

审计机制是获取原始证据的一种主要途径，针对目前访问控制模型在审计机制设计中的不足，采用Malkov链对主体访问客体的行为进行建模及预测，确定某次访问时主体的可疑程度，并根据可疑程度决定将原始证据写入不同等级的日志文件。按照这种方法生成的日志文件，能有效减小证据存储所需要的空间，缩短取证时间。     

基于改进自适应灰色模型的网络安全态势预测

对网络安全态势的研究是网络安全领域的热门话题。现在的研究更多关注的是评估当前态势,而对未来态势的预测讨论较少。为实现对未来网络安全态势的准确预测,改进了现有的自适应灰色分析模型。同时,为提高预测精度,针对传统分析模型的不足,提出了自适应灰色参数和等维灰色填充方法。实验结果表明,这个模型是有效的。     

基于矩阵条件数的NGM(1, 1, k) 模型病态性研究

针对灰色NGM(1,1,k)模型的病态性问题,以矩阵谱条件数作为测量其病态性的工具,对该模型背景值在不同取值下的系数矩阵谱条件数分类进行了分析与证明.研究结果表明,当且仅当系统原始数据序列为常数列时,NGM(1,1,k)模型才会出现严重病态性问题,而此时进行灰色预测建模毫无实际意义.最后通过实例对该模型的病态性进行了实验分析.研究结论认为,通常情况下灰色NGM(1,1,k)模型并不存在严重病态性问题.     

一种新的灰色预测模型及其建模机理

为了提高灰色模型的预测精度,并拓展其应用范围,针对具有近似非齐次指数律特征的数据序列,构建了一种新的灰色预测模型ＮＧＭ（１,１,k）．通过最小二乘法求出了新灰色模型参数的计算公式,以微分方程作为演绎推理工具,得到了该模型的时间响应序列函数,并对其建模精度进行了理论和实验分析．研究结果表明了所提出的灰色模型的有效性和适用性．     

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。     

非饱和状态下时隙CSMA/CA机制改进与性能分析

针对无线传感器网络中有重要信息的高优先级数据包需要尽快传输,且IEEE 802.15.4协议本身不支持任何优先级机制的情况,结合优先级调度策略和差分服务机制,对具有优先级级的时隙CSMA/CA机制进行全面数学建模,包括节点马尔科夫模型和信道马尔科夫模型,据此提出了一种非饱和状态下具有优先级的IEEE 802.15.4时隙CSMA/CA机制性能的分析方法。通过比较分析,改进的机制对提高网络中高优先级数据包的传输性能具有积极作用。     

变阶马尔科夫模型算法实现

如何快速有效对历史数据进行统计建模和规律挖掘具有重要意义.鉴于模型在实际数据挖掘应用的局限及马尔科夫模型的良好统计特性,设计实现了基于后缀数组和后缀自动机的变阶马尔科夫模型.算法在后缀树形结构实现的基础上,引入后缀链,实现各状态子序列的快速跳转,能动态自适应计算不同阶长概率的需求.实验结果表明：相比传统马尔科夫模型,模型能在线性时间和空间复杂度内,构建历史数据的概率统计特征及各状态后缀子序列之间的链接关系,大大降低了存储空间和时间,能实现大规模数据的在线学习和应用.