基于中心逼近式的GM(1,1)模型在变形预测中的应用

针对传统GM(1,1)模型对随机波动性较大的数据拟合较差、预测精度低的缺点,通过对传统模型加以改进,弱化时序数据的变化幅度,并减小数据的波动,以此来构建中心逼近式GM(1,1)模型。对建筑物沉降变形数据进行模拟和比较,得出了该模型比传统模型预测误差较小,精度较好,能够在变形预测中应用。     

灰色马尔可夫模型在火灾事故预测中的应用

在火灾事故灰色预测模型的基础上,引入马尔科夫链预测理论,建立火灾事故灰色马尔可夫模型。该模型解决了灰色预测模型对于随机波动性较大的数列预测精度低的问题。实例计算证明:灰色马尔可夫模型的预测精度高于GM(1,1)模型的预测精度,可以较好地用于火灾事故的预测。     

火灾事故的灰色马尔柯夫模型预测

灰色马尔可夫模型是将灰色系统理论和马尔可夫链理论相结合建立的预测模型,它不仅充分发挥了灰色预测模型和马尔可夫预测模型的优点,而且有效地解决了灰色预测模型对于随机波动性较大的数列预测精度低的问题.实例计算证明:火灾事故灰色马尔可夫预测模型预测精度高于GM(1,1)模型预测精度,模型可以用于火灾事故预测.     

新陈代谢GM（1,1）模型在河流水质预测中的应用

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,预测结果显示:灰色新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测的可信度。     

基于小波去噪的灰色GM(1,1)与RBFNN在变形预测中应用

应用小波去噪的新陈代谢GM(1,1)模型和小波去噪的RBFNN组合模型对两个实例进行处理和预测,结果表明组合模型预测结果优于单一模型,RBFNN预测模型的预测精度受噪声影响明显,而新陈代谢GM(1,1)预测模型对于短期预测具有较高的精度,且预测精度在噪声较小的情况下不受噪声影响。     

灌注桩承载力的Usher与灰色理论预测模型研究

采用灰色理论GM(1,1)模型和Usher曲线模型预测了单桩的极限承载力,指出其模型具有合理性和精确性,并运用MATLAB软件实现预测模型算法,通过工程实例分析表明:灰色预测模型对原始数据预测较精确;Usher模型对桩极限承载力的预测具有较高的精度。     

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对传统GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想状况,本文在传统GM(1,1)模型基础上,建立自适应GM(1,1)模型与残差修正GM(1,1)模型并讨论两种改进模型各自优点。利用传统GM(1,1)模型、自适应GM(1,1)模型以及残差修正GM(1,1)模型对某高铁隧道监测点作沉降分析与预测。通过对比,得出自适应GM(1,1)模型与残差修正GM(1,1)模型对原模型的预测曲线相关性和预测精度有一定程度提高;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。     

改进灰色预测模型在城市用水量预测中的应用

为提高城市用水量的预测精度,分析了GM(1,1)模型和灰色Verhulst模型,同时由于GM(1,1)模型存在一定的缺陷,本文对基本GM(1,1)模型进行了新陈代谢改进,最后通过对实例的预测分析,改进灰色预测模型预测精度更高。     

改进残差修正GM(1,1)模型在基础沉降预测中的应用

普通的灰色残差修正GM(1,1)模型利用差分代替微分,并用原始数据第一个点的值作为时间响应函数的初始值C0,从而给预测带来了一定的误差。本文用多项式逼近法对残差修正GM(1,1)模型进行了改进,并增加了一个初始值参数;还通过一个基础沉降预测的工程实例,对此模型与普通残差修正GM(1,1)模型进行对比。沉降预测结果表明,改进后的模型明显提高了精度,更加适合于基础沉降的预测,具有较好的准确性和工程应用价值。     

高边坡安全监测的改进GM模型预测研究

由于一般的 GM(1,1)模型进行预测存在较大的局限性及产生系统误差,对一般 GM(1,1)模型进行了误差来源追踪分析并提出改进方法,得到改进后的 GM(1,1)预测模型,并将其用于高边坡安全监测。依据碧口水电站高边坡连续 8 a 的监测数据(第 6,7 a 的数据予以剔除),建立了碧口水电站高边坡灰色安全监控模型。把改进的 GM(1,1)预测模型与一般的 GM(1,1)模型、统计模型等预测模型进行了对比,同时还进行了平均误差、相关系数以及最大误差分析对比。研究表明,改进后 GM(1,1)模型监控精度较高,预测结果与实际吻合较好。     

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想的情况,在GM(1,1)模型的基础上,建立了自适应GM(1,1)模型与残差修正GM(1,1)模型,并讨论了2种改进模型的各自优点。依据某隧道沉降监测数据,进行工程实例分析,得出自适应GM(1,1)模型与残差修正GM(1,1)模型在一定程度上均提高了原模型的预测精度和预测曲线的相关性;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。     

基于GM(1,1)和ARMA组合模型的桥梁监测数据预测

针对单一预测模型在桥梁监测数据预测中存在的预测精度不高等缺陷,基于最优加权组合理论,将GM(1,1)和ARMA构造成一个全新的组合模型,单一预测模型的组合能在一定程度上提高模型的拟合能力,故而可以取得更好的预测效果。结合四川省绵阳市北川县筲箕湾大桥在线健康监测系统的实测挠度数据,分别采用单一预测模型和两种单一模型构造成的组合模型来预测其未来值,并将预测值与实际值比较,发现组合模型的预测MRE(1.567 6%)均小于单一ARMA预测模型的MRE(1.951 4%)以及单一GM(1,1)预测模型的MRE(1.604 8%),说明组合模型较两种单一模型拥有更高的预测精度。     

最优非负变权灰色非线性模型及桥梁变形预测

针对灰色预测模型GM(1,1)拟合精度低的情况,创新性的提出GM(1,1)模型同正弦函数、余弦函数、指数函数和同常数相结合的灰色非线性模型,并给出模型解算和精度评定方法。在此基础上,根据变权原理又提出了最优非负变权灰色非线性模型解算思路。并用某桥梁变形监测工程实例进行验证。通过比较分析各模型精度发现:最优非负变权灰色非线性模型预测精度较GM(1,1)模型、灰色非线性模型得到一定程度的提高,可以应用于桥梁变形预测中。     

基于离散指数函数优化的GM(1,1)模型在电子装备系统故障预测中的应用

文章基于离散指数函数优化的GM(1,1)模型,研究了该优化后的模型在电子装备系统故障预测中的应用,分析了基本GM(1,1)模型误差产生的来源,对其位置偏差产生的非线性误差进行了实验研究。数据模拟和模型比较表明,优化后的模型提高了背景值的精确性以及灰预测模型的拟合精度和预测精度,能够很好地应用于电子装备系统故障预测中。     

4种GM(1,1)模型在基坑变形监测中精度比较

针对传统的GM(1,1)模型难以确定模型的初始值问题,结合常州雅居乐基坑项目,建立了4种基坑水平位移预测模型。结果表明:改进初始值的新陈代谢GM(1,1)模型精度较GM(1,1)模型、新陈代谢GM(1,1)模型以及改进初始值的GM(1,1)3种预测模型精度更高,更符合基坑水平位移的预测。     

基于改进GM(1,1)预测模型的铁路客运量预测

采用遗传算法对GM(1,1)预测模型进行优化以期提高铁路客运量预测模型精度。首先运用传统最小二乘算法对GM(1,1)预测模型的发展系数和内生灰作用量进行求解并对高铁客运量进行预测,结果预测平均误差为0. 259;之后采用遗传算法对GM(1,1)预测模型的发展系数和内生灰作用量进行优化,使模型的预测准确性得到了明显的提升,且当交叉默认概率P_c=0. 8,变异概率为P_m=0. 01,所得预测结果最优,平均误差率为0. 073。结果表明:利用遗传算法对GM(1,1)预测模型进行优化能够提高铁路客运量预测模型精度。     

改进的非线性灰色伯努利马尔科夫模型预测高强度混凝土强度

准确预测高强混凝土强度对建筑工程施工、围岩结构应力分析等工程项目和科研项目具有重要意义。将灰色预测理论与马尔科夫链结合,提出一种适合高强混凝土强度预测的改进的非线性伯努利灰色马尔科夫组合预测模型。为了提高预测精度,引入代谢模型修正原始数据,采用一次指数平滑运算对混凝土实测强度进行平滑处理。此外,还对预测模型的背景值进行改进,以适应混凝土强度的预测。以24组高强混凝土28 d强度为原始数据,分别使用灰色GM(1,1)模型和改进后的预测模型进行对比试验,试验结果表明,提出的改进后的模型预测精度有较大提高。     

汉十高铁线下工程沉降预测新陈代谢GM-BP组合模型研究

提出了一种新陈代谢GM(1,1)模型与BP神经网络模型的组合预测模型,给出了组合模型的基本思路,通过BP神经网络计算而来的误差预测值对新陈代谢GM(1,1)模型的预测值进行改正,并将新陈代谢GM-BP组合预测模型应用到新建铁路武汉至十堰铁路、孝感至十堰段的高铁陆地桥墩沉降预测中,结果表明:新陈代谢GM-BP组合预测模型较现有的新陈代谢GM(1,1)模型具有较高的精度。     

基于改进型GM(1,1)模型的城市水源水质指标预测

以武汉市主要供水水源的高锰酸盐指数为研究对象,应用经指数平滑改进后的GM(1,1)模型对9个水厂的水源水质进行预测.从预测精度来看,改进型GM(1,1)模型预测精度较常规GM(1,1)模型有所提高,5个改进型GM(1,1)模型精度高于常规型,3个持平,1个稍低.从预测结果来看,6个水厂供水水源水质预测发展趋势良好,3个水厂水源水质变化趋势较差.     

均值GM（1,1）模型在变形预测中的应用

以变形监测实测20期高程数据为依据,选择前15期建立均值GM(1,1)模型,对后5期数据进行预测,并对建模拟合结果和预测结果进行分析,认为以均值GM(1,1)模型进行拟合预测精度满足要求。并且与以荷载和时间为影响因素建立的多元线性回归预测结果进行比较,相较于多元线性回归预测精度高。该研究对建筑物变形预测有一定的实际应用价值和参考意义。