灰色神经网络在粮食产量预测中的应用

研究粮食准确预测优化问题,粮食产量受到多种因素影响,同时具有复杂的非线性和随机性特点,传统单一模型难准确对其变化规律进行准确描述,预测精度较低。为提高粮食产量预测精度,提出一种将灰色理论和BP神经网络相结合的粮食产量预测模型。首先采用灰色GM(1,1)预测模型动态预测粮食产量变化趋势,然后运用BP神经网络对灰色GM(1,1)模型预测结果进行修正,以提高粮食产量预测精度。采用1978-2008年我国粮食产量数据对预测模型性能进行仿真测试,仿真结果表明,组合预测模型提高了粮食产量的预测精度,更能描述粮食产量变化规律,为粮食产量准确预测提供了一种有效研究方法。     

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.     

一个无偏灰色马尔可夫铁路货运量预测模型

科学的货运量预测对铁路发展战略的制定具有十分重要的意义.针对传统的灰色预测模型存在固有偏差,在增长率较大和数据异常波动时预测精度低,将无偏灰色理论和马尔可夫链引入预测模型,提出无偏灰色马尔可夫链预测铁路货运量的预测模型.结合实例证明了该模型预测结果更加准确可靠,具有一定的可行性和有效性.     

用马尔可夫残差修正灰色理论的煤炭需求预测

研究煤炭需求预测精确度问题.由于煤炭需求参数较多,参数的选择要求复杂的计算量,导致预测模型求解过程复杂,针对传统的灰色理论预测模型存在精度差的问题,影响煤炭需求因素的特殊性和不确定性,导致了煤炭需求预测的精确度较低,为了解决预测精度差问题,提出了一种改进的马尔可夫残差修正灰色理论预测模型方法,算法以影响煤炭消费总量的主要因素作为选定变量,构建煤炭需求的灰色预测模型,使用马尔可夫模型对预测的残差进行修正.仿真结果表明,提出的预测算法具有较好预测的精度,是一种有效的煤炭需求预测算法.     

基于新维无偏灰色马尔可夫的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。在传统灰色预测模型和马尔可夫链理论的基础上,利用新信息优先的思想,建立了等维新息无偏灰色马尔可夫预测模型。该模型通过结合灰色预测与马尔可夫链理论的特点,用无偏灰色预测模型拟合系统的发展变化趋势,并以此为基础进行马尔可夫预测,在每一步预测中不断推陈出新,更新原始数据。以2001年—2010年全国道路交通事故死亡人数实测值作为原始数据,构建预测模型,预测其2011年—2015年事故死亡人数。结果表明：等维新息无偏灰色马尔可夫预测模型的误差更小,精度更高,尤其适合中长期预测。     

基于灰色关联支持向量机的粮食产量预测

研究粮食准确预测问题,由于粮食产量受到多种高维非线性、随机性和有限样本等因素的影响,单一模型不能全面描述其变化趋势,预测精度较低。为了提高粮食产量预测精度,提出一种将灰色关联支持向量机的粮食产量预测模型。首先采用灰色关联分析确定粮食产量变化主要影响因子,然后通过支持向量机学习建立粮食产量与因子之间的非线性映射关系,最后为避免人为选择参数的盲目性,采用遗传算法确定支持向量机参数并对将来粮食产量进行预测。利用1978-2011年我国粮食产量进行仿真,并将预测结果与单一机模型进行对比。结果表明,灰色关联支持向量机提高了粮食产量的预测精度,可以较好地应用于粮食产量预测中。     

基于Markov理论的改进灰色GM(1,1)预测模型研究

在灰色预测的基础上,引入马尔可夫链预测理论,建立了灰色马尔可夫预测模型.它是将灰色预测模型与马尔可夫预测方法优化组合,用灰色预测模型预测随机时间序列数据的总体发展趋势,而用马尔可夫链模型预测各数据在总体趋势下的随机波动性变化,得到随机时间序列趋势预测模型的解.通过公路运输实际数据进行了验证,结果表明:灰色马尔可夫预测模...     

基于等维新息灰色马尔可夫模型的互联网用户人数预测研究

对互联网用户人数的科学预测可为网络的建设和管理提供决策依据。在传统灰色预测模型的基础上,结合新信息优先的思想,建立了等维新息灰色预测模型,并利用马尔可夫链模型预测出结果的波动范围,形成等维新息灰色马尔可夫预测模型。再以2007年12月－2012年06月我国互联网上网人数实测值为原始数据,构建预测模型,预测2012年12－2014年06月的互联网上网人数。实例结果表明,等维新息灰色马尔可夫预测模型其预测结果的误差更小,精度更高,还能提供预测结果的波动范围及出现概率。     

粮食产量预测模型的应用与仿真研究

研究粮食产量精确预测问题,因粮食产量因子问存在着冗余信息,影响预测准确性.传统数学预测模型和神经网络模型不能地消除因子间的冗余信息,导致粮食产量预测精度低.为了提高粮食产量的预测精度,提出了一种基于主成分分析RBF神经网络的粮食产最预测模型.对影响粮食产量的6个影响因子进行主成分分析,消除各因子间的冗余信息,减少了RBF神经网络的输入维数,简化了神经网络结构,提高了粮食产量预测速度和精度.利用改进的模型对粮食产量进行仿真,实验结果表明,粮食产量预测模型有效,预测精度提高,可为粮食产量预测提供参考依据.     

基于优化的非等间距灰色模型对健康的预测

针对通过有限的不等时间间隔的健康数据预测未来健康情况难度较大，传统的非等间距灰色预测模型在应用中精度偏低的问题，本文提出一种优化的非等间距灰色马尔科夫预测模型。首先，该模型通过数据预处理和优化预测流程降低数据突变对预测结果造成的影响；其次，设计最佳权重系数来优化模型的构建；最后，采用灰色和马尔科夫修正相结合的策略对残差进行修正。经过实例和对比分析，结果表明，该优化模型具有更高的预测精度，从而可以相对准确地预测短期健康情况。     

基于Adaboost-Markov模型的移动用户位置预测方法

针对Markov模型在位置预测中存在预测精度不高及匹配稀疏等问题,提出了一种基于Adaboost-Markov模型的移动用户位置预测方法。首先,通过基于转角偏移度与距离偏移量的轨迹划分方法对原始轨迹数据进行预处理,提取出特征点,并采用密度聚类算法将特征点聚类为用户的各个兴趣区域,把原始轨迹数据离散化为由兴趣区域组成的轨迹序列;然后,根据前缀轨迹序列与历史轨迹序列模式树的匹配程度来自适应地确定模型阶数k;最后,采用Adaboost算法根据1~k阶Markov模型的重要程度为其赋予相应的权重系数,组成多阶融合Markov模型,从而实现对移动用户未来兴趣区域的预测。在大规模真实用户轨迹数据集上的实验结果表明,与1阶Markov模型、2阶Markov模型、权重系数平均的多阶融合Markov模型相比,Adaboost-Markov模型的平均预测准确率分别提高了20.83%、11.3%以及5.38%,且具有良好的普适性与多步预测性能。     

基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

基于Markov模型与轨迹相似度的移动对象位置预测算法

针对低阶Markov模型预测精度较差,以及多阶Markov模型预测稀疏率高的问题,提出一种基于Markov模型与轨迹相似度(MMTS)的移动对象位置预测算法。该方法借鉴了Markov模型思想对移动对象的历史轨迹进行建模,并将轨迹相似度作为位置预测的重要因素,以Markov预测模型的预测结果集作为预测候选集,结合相似度因素得出最终预测结果。实验结果表明,与k阶Markov模型相比,该方法的预测性能不会随着训练样本大小及阶数k的变化受到很大的影响,并且在大幅降低k阶Markov模型预测稀疏率的同时将预测精度平均提高了8%以上。所提方法不仅解决了k阶Markov模型的预测稀疏率高及预测精度不足的问题;同时提高了预测的稳定性。     

混合马尔科夫预测模型及其在反洗钱中的应用研究

反洗钱中的一个重要问题是预测可疑账户未来可能发生的交易。马尔科夫模型在股票、商品价格、市场占有率等经济领域的预测中具有广泛的应用,但单一的马尔科夫模型的预测准确性有待提高。提出一种结合数据挖掘中聚类、关联规则和低序马尔科夫模型的混合马尔科夫模型,并在模型的建立过程中基于置信度进行剪枝以降低时间复杂度,最后将该模型用于预测反洗钱领域中账户之间的交易。实验表明,该模型具有较高的预测准确性,并在预测准确性和时间复杂度两者之间取得了较好的平衡。     

融合时空信息的短时交通流预测

为了准确描述交通流的时空演化过程并提高交通流短时预测的精度,融合时空交通流信息,即时间维度的交通流量信息和空间维度的路网耦合信息,构造基于GM（1,N）-Markov 链的组合预测模型。将预测路段与关联路段看作是一个灰色系统并对其进行灰关联分析,通过对灰关联度最低阈值的设定,实现了空间信息的深度挖掘和对无效信息的过滤清洗;利用多维GM（1,N）模型对预测点与强关联点作全局、系统的分析预测,并针对GM（1,N）对随机性较大的数列可能出现预测失效的问题,引入马尔科夫链对模型进行修正;利用VISSIM对模型进行仿真验证,分别以2 min、5 min、10 min为时间间隔进行仿真模拟,预测平均相对误差分别为9.30%、5.95%、3.20%,模型精度均为优,证实模型是有效的。     

一种基于预测的网格数据副本选择算法

分析影响数据副本选择的因素,将灰色系统理论应用于副本响应时间的预测,建立GM(1,1)灰色动态拟合模型;同时应用马尔可夫链预测副本可靠性发展趋势,确定系统状态转移概率矩阵,通过系统状态的划分,以概率形式分析和预测副本可靠性,并给出了两种预测算法描述。仿真实验结果表明,该算法预测效果较好,有利于作出正确的副本选择决策,并能有效实现网格中副本存储节点间的负载平衡。     

基于改进的灰色模型的旅游需求预测研究

针对海南省旅游需求预测问题,对传统的灰马尔科夫模型进行改进,提出了一种动态优化子集模糊灰马尔科夫预测模型。该模型首先根据GM(1,1)模型预测结果的平均绝对误差百分比,通过输入子集法来确定最优输入子集个数;然后利用模糊集理论,将计算出的隶属度向量作为马尔科夫转移矩阵向量的权重,以修正预测值。为了能够根据时间推移进行预测,建立了等维递补的动态预测模型。实验以海南省各市县旅游饭店接待情况为例,验证了该模型可以有效地提高预测数据的准确性。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。