共查询到20条相似文献,搜索用时 140 毫秒
1.
2.
3.
4.
根据组合预测理论,将基于灰色理论的3种预测模型,即基本灰色预测GM(1,1)模型、残差灰色预测模型和动态等维灰数递补预测模型结合起来,建立灰色组合预测模型,实例分析表明,该模型能克服单个模型方法的不足,提高预测精度。 相似文献
5.
6.
7.
为监测预警露天矿边坡的变形位移,提出了基于灰色理论的位移变形预测模型。通过采集有效数据,首先对时间序列数据进行平滑处理,然后建立灰色系统模型对处理后的位移变形数据进行预测分析。将该理论模型应用到某露天矿边坡的监测系统中,与回归预测、一次指数平滑法等进行对比,得到了更为准确的预测结果,表明该理论模型充分利用了边坡变形数据的灰色模型特性,精度和预测能力都得到了明显提高,可用于露天矿边坡监测系统的预警分析。 相似文献
8.
9.
利用灰色GM(1,1)模型预测蒸馏装置腐蚀的宏观变化趋势,再利用时间序列模型对灰色模型的预测误差进行预测.利用灰色时间序列组合模型对蒸馏塔塔顶换热器入口分布管弯头的管壁厚度进行预测并与实际测量值进行比较,该模型比仅用灰色模型预测效果更好.最后利用灰色时序模型对弯管使用寿命进行了预测,为设备检修提供参考依据. 相似文献
10.
11.
12.
以原始时间序列数据为基础,建立瓷砖出口量的模拟和预测改进的GM(1,1)模型,通过实例证明了本文提出的改进模型的精度比常规模型的精度要高,预测结果能为我国建筑陶瓷行业制定经营决策和出口政策提供参考。 相似文献
13.
14.
利用人工神经网络对城市地震火灾损失进行预测,对指导抗震救灾有一定的帮助。具体做法是根据地震损失与其影响因素之间的非线性映射关系,建立人工神经网络模型,并将其应用于地震火灾损失预测。实例表明该方法有一定的推广价值。 相似文献
15.
以某燃煤电厂水务系统为研究对象,对机组运行参数和水量历史数据进行筛选和关联性分析,根据前期水平衡测试结果,结合响应面分析验证,发现机组负荷、蒸发损失系数、浓缩倍率和循环水温升这四个因素能够对全厂供水量产生关键性影响。基于灰色理论和多元非线性回归分析,分别建立各因素的灰色预测模型GM(1, 1),再将灰色模型预测值作为自变量输入到多元非线性回归方程中,得到了改进灰色-多元非线性回归组合的供水量预测模型,其模型拟合度R2为0.913且与真实值的平均相对误差为6.9%左右,实现了灰色模型和回归模型优势互补,有效地预测该电厂供水量未来变化;而供水量预测是智慧水务建设的关键所在,是水务管理和智能调度的主要依据,也是实现供水管网漏损和仪表故障报警的重要途径。 相似文献
16.
分别利用几种常用的污染物总量预测的方法建立了安徽省二氧化硫排放总量的预测模型.经过比较和分析,发现灰色模型的预测效果最佳,并利用该模型对安徽省2006-2010年的二氧化硫排放总量进行了预测. 相似文献
17.
城市天然气门站安全状况好坏,直接决定了整个城市天然气系统能否正常、平稳运行,为此提出运用层次分析和灰色关联分析法对城市天然气门站进行安全状况分析。通过对天然气门站危险因素的分析,建立了门站安全评价指标体系,运用层次分析法得出评价指标权重,运用灰色关联分析得出参评数据序列与标准数据序列之间的关联度,关联度最大值所对应的标准安全等级,即为天然气门站安全等级,并针对评价结果,给出相应的日常安全工作重点。用该方法对常州天然气门站进行安全评价,得到门站安全等级为Ⅱ级,这与门站实际运行状况相符,说明用该方法对城市天然气门站进行安全评价是有效的、可靠的。能够为城市天然气门站安全管理提供依据。 相似文献
18.
人力资源的需求预测是企业发展中的重大问题。由于企业的人力资源管理政策在一定的时间内是稳定不变的,因此很多企业在预测未来的人力需求时往往采用马尔科夫转移矩阵模型。但是由于模型的局限性,和企业人力的因辞职、退休、开除等原因退出企业,造成预测的数据偏小,无法满足企业的需求。文章采用了灰色GM(1,1)模型来进行改进,并考虑了企业的战略发展要求,解决了马尔科夫模型的数据偏小缺限,具有较好的预测结果。 相似文献
19.
当前,许多地方已经建设重点污染源在线监控系统,收集了重点污染源大量的排污数据。同时,也开始建设地表水质自动监测系统,并获得地表水质的实时数据。利用数据挖掘技术,这些数据对城市地表水质的分析和预测有着十分重要的意义。本文主要以小榄水道马大丰水厂水质自动监测子站的历史数据和周边上下游重点污染源在线监控数据为研究对象,并利用数据挖掘技术,对监测数据进行筛选,预处理和属性约简,再运用BP神经网络技术建立模型,对小榄水道的主要指标CODMn进行预测。预测结果分析表明,误差较少,预测效果较好。 相似文献
20.
水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。 相似文献