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。     

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM（1,1）模型、离散GM（1,1）模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。     

基于灰色加权马尔可夫SCGM(1,1)c的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。基于灰色系统理论和马尔可夫链理论,应用系统云灰色模型SCGM(1,1)c拟合道路交通时序数据的总体趋势,所得拟合指标是随机波动的。马尔可夫链原理适合处理波动性大的系统过程,因此选用能更好解决随机波动性的加权马尔可夫链预测方法,提出一种用于道路交通事故次数预测的灰色加权马尔可夫SCGM(1,1)c模型,它适用于时间序列短,数据量少且随机波动不太大的动态过程预测。以某市1975—2010年道路交通事故次数为例进行了预测分析,结果表明该模型既能揭示交通事故次数变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性。     

改进的G M(1,1)模型及其应用

分析GM（1,1）模型的缺陷,即背景值构造和初始值确定的不足,建立加权背景值和具有修正项的初始值,背景值权值和初始值修正项采用具有全局寻优能力的模式搜索法求解,实例证明模式搜索法优化的灰色GM（1,1）模型提高了预测精度。利用改进后的GM（1,1）模型对网络流量进行预测分析,结果显示改进的GM（1,1）模型优于普通灰色预测模型。     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

航空货运量的优化组合预测模型

以1997年～2007年我国航空货运量的统计数据为基础,采用灰色GM（1,1）模型和回归分析模型进行组合优化,建立了基于诱导有序几何加权平均（IOWGA）算子的航空货运量组合预测模型,并对组合预测模型进行检验。检验结果表明,组合预测模型是有效、可靠的,且具有较高的预测精度,可应用于实际预测。最后利用所建立的预测模型预测了2009年～2012年我国航空货运量。     

GM(1,1)的MATLAB实现与应用

灰色GM(1,1)预测模型是灰色理论中的重要组成部分,也是主要的预测方法之一.因此,GM(1,1)模型的应用范围很广泛.本文简要介绍了GM(1,1)模型的原理及其预测步骤,用MATLAB软件实现了GM(1,1)预测算法并给出了源代码.在此基础上,用统计年鉴上的山西省2008-2011年煤矿安全死亡人数进行了仿真,从而验证了该算法的有效性和程序的正确性.     

组合预测模型在高考数据预测中的应用研究

为了提高灰色GM（1,1）预测模型的预测准确度,将模糊数学理论和灰色GM（1,1）理论模型相结合,提出了一种基于模糊灰色理论高考数据预测模型。将该模型应用于甘肃省高等院校2006-2011年专业录取分数的历史统计数据进行验证,实验结果表明该模型对高考数据的预测是有效、可靠的。     

Optimizing mathematical parameters of Grey system theory: an empirical forecasting case of Vietnamese tourism

Accurately forecasting the demand for international and domestic tourism is a key goal for tourism industry leaders. The purpose of this study is to present more appropriate models for forecasting the demand for tourism in Vietnam. The authors apply GM(1,1), Verhulst, DGM(1,1) and DGM(2,1) to test which concise prediction models can improve the ability to predict the number of tourists visiting this country. In order to guarantee the accuracy of forecasting process, data cover in the period from 2005 through 2013 and are obtained from the official website of VNATR “Vietnam National Administration of Tourism” report. The MAPE, MSE, RMSE and MAD are four important criteria which are used to compare the various forecasting models results. Key findings indicate that the optimal value of GM(1,1), Verhulst, DGM(1,1) can enhance the forecasting results perfectly with minimum predicted errors. In the case of the tourism revenue, using the Verhulst model is evidently better than the others. For the number of international and domestic tourist prediction, the application of Verhulst and DGM(1,1) models is well done. For visitors coming from specific countries (i.e., China, Korea, Taiwan, Japan and America), DGM(2,1) is very poor for predicting in this situation, whereas remaining three models GM(1,1), Verhulst, DGM(1,1) and DGM(2,1) perform excellently. The results also pointed out that the tourism demands in Vietnam are growing rapidly; thus, the governments must be well prepared for tourism industry and enhance relative fundamental construction for tourism markets.

     

运输车辆安全体系评价的研究

该文通过对车辆安全因数的分析、得出子危险集。在分析评价方法特征技术上应用了选用模糊推理模型(FIS)的评价方法对车辆的危险度进行评价与仿真,其结果是可信的。实现了对车辆安全进行量态和动态的评价体系。     

利用非线性规划方法最优化灰色预测模型

提出针对GM(1,1)模型的时间响应式及还原式,可建立一个非线性规划的最优化模型,这个模型的目标是使GM(1,1)模型的还原值序列与原始值序列间的平均相对误差最小,使用数学软件LINGO 11.0,可以直接求解得到这个模型的全局最优解,从而建立一个对应的最优化GM(1,1)模型。证明了采用新方法建立的GM(1,1)模型具有白指数重合律,通过大量的数据分析发现,最优化GM(1,1)模型的模拟精度及预测精度都有了相当大的提高。     

参数最优化的GM（1，1）模型

灰色GM（1,1）模型的精度取决于参数[a]和[u],而参数[a]和[u]的获得依赖于初始条件的选择和背景值的构造。在背景值的计算中引入优化因子,通过最优初始条件和最佳优化因子的选择使预测结果与原始数据的平均相对误差最小,从而得到参数最优化的GM（1,1）模型。数值试验的结果表明,相对于传统的GM（1,1）模型及文献中的改进方法,参数最优化的GM（1,1）模型具有更高的预测精度。     

基于GM(1,1,μ,ν)模型的股指预测

当前对灰色预测模型GM（1,1）的优化主要集中在2个方面,1个是建模所用数据维度的选择上,一个集中在白化背景值z（1）（k）的优化上.由于这些工作都只考虑单一因素的影响,因此,GM（1,1）的潜力还没有被充分的挖掘出来.针对以上情况,提出同时考虑2个因素的GM（1,1,μ,ν）模型,并根据股市的特点,提出选择最优解的办法.实例证明该模型比传统的GM（1,1）有更低的预测误差.更重要的是,该模型提出综合考虑2种因素的思想,为更进一步优化GM（1,1）提供新的思路.     

基于全信息新陈代谢的GM（1，1）电力预测

传统的灰色预测模型所需的样本容量较少,仅4个数据就可以建立灰色预测模型。虽然传统的灰预测建模较为简单,但是忽略了对预测较为确利的新信息,容易产生预测模型老化的现象,预测精度不高。全信息新陈代谢的GM（1,1）灰色预测模型更为合理、科学,全信息建模避免了局部信息建模的局限性,每预测一个结果去除原始数列的最老数据的新陈代谢处理保证了预测数列的实效性,并用Matlab实现改进GM（1,1）模型的编程计算,应用于双流县电力需求量的预测,预测精度好。     

基于多步优化GM(1,1)模型的云计算资源负荷短期预测

论述了云计算资源负荷的特征及其短期预测的作用。首先利用多项式回归模型对GM(1,1)的预测结果进行一次优化,然后使用马尔科夫链对一次优化后的模型进行二次优化,最后运用布谷鸟搜索算法对二次优化后的灰色预测模型进行再度优化,建立基于多步优化的改进GM(1,1)灰色预测模型。实验结果表明,与其他预测模型相比,在云计算环境下的资源负荷短期预测应用中,该模型具有更高的预测精度,表现出良好的预测性能。所提方法能为云计算资源的高效调度和管理提供决策支持。     

一种新型灰色预测模型在陀螺漂移预测中的应用研究

针对某型导弹的陀螺漂移趋势预测问题,提出1种基于经验模态分解（EMD）的新型灰色支持向量回归预测模型。该模型通过运用经验模态分解算法将陀螺漂移数据趋势项和随机项进行分离,然后分别运用灰色GM（1,1）和支持向量回归算法对这2种数据进行预测,最后将预测结果进行重构得出最终的预测值。给出了这种算法的具体步骤并将其应用到某型导弹陀螺漂移的预测中,仿真试验结果表明这种预测模型的有效性和可行性。