基于GA-灰色波形预测模型的白洋淀天然入淀水量

白洋淀天然入淀水量在长期的时间序列上有着丰、枯水期交替演化的规律,灰色波形模型适用于这一规律发展趋势的研究。通过遗传算法(GA)对灰色一阶模型(GM(1,1))的迭代基值α与背景值系数β进行优化,利用遗传算法收敛效率高,选择范围广的优点,建立了以GA-GM(1,1)群为基础的GA-灰色波形模型,对白洋淀天然入淀水量趋势进行研究。最终得出结论:GA-灰色波形模型不仅在信息序列的拟合上明显优于传统灰色波形模型,且GA-灰色波形模型能更好的抓住信息序列发展特点,更为准确的预测白洋淀天然入淀水量演化规律。说明用GA-灰色波形模型进行白洋淀天然入淀水量研究是可行的,也为研究湖泊水资源量变化提供了一种新思路。     

基于改进灰色模型的水资源预测

为了提高灰色模型GM(1,1)对用水量预测的精度,通过对传统灰色模型的残差序列进行改进,提出了一种新的灰色改进预测模型。将其应用于城市居民生活用水量预测中,结果表明:与传统GM(1,1)模型预测值相比,改进GM(1,1)模型预测值与实际值拟合效果更好。     

基于灰色模型的黄河下游流量预测研究

流量演进过程具有一定的离散性,其中包含部分灰色信息,一般数学水文模型难以实现多尺度的流量预测。灰色系统模型能对原始数据进行挖掘和整理,在保持原序列形式的前提下,通过灰系统的生成,弱化数据的随机性并揭示其内在规律。基于灰色系统理论和灰色预测方法,通过对原始水文序列数据进行优化处理,构建GM(1,1)灰色模型,通过对模型累加预测值的逆处理,即可得原始数据序列的预测值和残差。再对残差数据二次构建关于残差的GM(1,1)灰色模型,得到优化的灰色模型,将模型应用于黄河利津水文站年平均流量的预测,研究结果表明:灰色模型具有直观性好、操作性强等优点,通过模型对利津水文站12 a的年平均流量的拟合和倒数5 a的预测,具有较高的精度,预测的相对误差在0. 71%～10. 64%之间,可为黄河下游防洪、水量调度等研究提供依据。     

改进的灰色灾变模型在干旱预测中的应用

为提高传统的GM(1,1)模型精度,分别从原始数据序列检验和建立残差修正模型两方面进行了改进,并将改进的灰色灾变模型与不进行原始序列检验的GM(1,1)1模型和对原始数据序列进行检验的GM(1,1)2模型进行了比较。结果表明:改进的灰色灾变模型精度最高;运用该模型预测榆林市未来可能发生干旱的年份分别为2012年、2015年和2019年。     

基于灰色GA-LM-BP模型的CODMn预测

针对灰色GM(1,1)模型拟合误差较大和LM-BP神经网络泛化能力不强的问题,提出了灰色GA-LM-BP模型,该模型采用灰色GM(1,1)模型预测数据并得到其残差,利用LM-BP神经网络对残差进行拟合、测试、预测后,对灰色GM(1,1)模型的数据预测值进行修正从而得到较合理的预测值,并运用遗传算法对LM-BP神经网络的初始权值和阈值进行优化。运用该模型对伦河孝感段的COD Mn进行了预测,预测误差不超过2.33%,表明模型的预测数据是合理的,可用于COD Mn的预测和水质预警预报。     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

遍历灰色模型对城市用水量的预测

考虑到原始序列中个别值的偶然波动影响传统GM(1,1)模型的预测精度,基于GM(1,1)模型的基本原理,构造了遍历灰色模型T-GM(1,1)。结果表明,T-GM(1,1)大大提高了模型的预测精度,将原始序列中不确定因素对预测精度的影响降到了最低,具有广泛的实用性。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

基于R/S分析的大藤峡出山径流灰色预测

灰色预测模型在地表水文序列的研究中被广泛应用,但在大藤峡出山径流的研究中还未见到。针对大藤峡1932—2021年出山径流的逐年实测资料,首先构建GM(1,1)灰色预测模型,然后进行R/S分形分析,计算出大藤峡出山径流序列的Hurst指数和平均循环周期T,之后在一个周期T内运用R/S-GM(1,1)模型进行大藤峡出山径流灰色预测。结果表明：大藤峡出山径流的循环周期T为9年,GM(1,1)模型和R/S-GM(1,1)模型的模型精度分别为84.38%和87.46%,预测精度分别为86.28%和92.54%,基于R/S分形分析后的R/S-GM(1,1)灰色预测的精度显著高于直接进行GM(1,1)灰色预测。该方法为大藤峡出山径流的科学预测提供了一种新途径。     

基于Ito随机微分方程大坝实时性态预测方法

针对大坝实时性态预测方法精度,首先基于Ito随机微分方程对某坝的多年扬压力监测极值建立GM(1,1)了实测序列预测模型,并根据建立模型的残差序列构建了Markov残差模型,其次对比分析了GM(1,1)残差预测模型和Markov残差模型。最后,综合GM(1,1)模型和Markov残差模型建立灰色Markov模型,并利用灰色Markov模型预测扬压力的极大值。计算结果表明,建立的灰色Markov模型不仅能提高预报精度还能真实地反映其过程的摆动性。     

白洋淀湿地水文水资源变化趋势分析

通过分析白洋淀湿地1956~2000年的降雨、蒸发、入淀水量、出淀水量和水位数据,研究了降雨与蒸发的变化规律、入淀水量与流域降雨量的关系、水位变化趋势等,分析了白洋淀湿地的水文变化情势,阐明了湿地水资源退化的内因是上游入淀径流减少,提出为了维持湿地的生态平衡,缓解干淀危机,必须进行人工调水。     

大坝位移的改进非等间距GM(1,1)预测模型

基于灰色理论建立的GM(1,1)灰色预测模型常被用于大坝位移实测资料序列的分析。为提高大坝位移预测精度,在分析传统GM(1,1)预测模型构建原理、步骤的基础上,提出了对原始数据序列进行平滑处理、对背景值和残差序列进行优化等方法,建立了大坝位移预测的改进非等间距GM(1,1)模型,并用某大坝水平径向位移监测数据对其进行了检验,结果表明:改进的模型在大坝位移预测中的适用性更强,不仅提高了预测精度,而且保留了灰色模型建模灵活、所需数据少等优点,用于短期预测效果较好,用于长期预测的效果有待考证。     

改进的GM(1,1)模型在城市需水量预测中的应用

基本GM(1,1)模型未充分利用新信息,且背景值构造不合理,对变化非平稳的数据序列预测精度较低,为此,本文采用重构背景值和等维递补原理对基本GM(1,1)模型进行改进,建立重构背景值的GM(1,1)等维递补模型,并运用改进模型预测北方某市需水量,结果表明,改进模型预测精度更高,为需水量的预测提供了一种新方法.     

基于加权灰色-马尔可夫链模型的城市需水预测

城市需水量预测是区域水资源规划及优化配置的基础内容。在基于灰色GM(1,1)模型预测城市需水量总体趋势的基础上,引入加权马尔可夫链预测理论,建立了加权灰色马尔可夫GM(1,1)预测模型。该模型既考虑了GM(1,1)模型较强的处理单调数列的特性,又考虑了通过相对误差的状态转移概率矩阵的变换提取数据随机波动响应的特点。成都市城市需水量预测结果表明:加权灰色马尔可夫GM(1,1)模型充分利用需水量数据给予的信息,实现了对相对误差的状态转移的预测,并提高了修正灰色模型预测值的精度;通过与其它2种灰色预测模型预测结果比较,加权灰色马尔可夫GM(1,1)模型精度更高,预测得到2012年和2013年成都市城市需水量分别为74 250.91万m³和79 818.34万m³,呈明显增长趋势。因此该模型提高了随机波动较大数据序列的预测精度,拓宽了传统灰色模型预测的应用范围,更具科学性。     

改进的GM(1,1)模型在沪昆高铁沉降监测中的应用

在隧道工程建设中,需要对其进行规律的沉降监测。以沪昆高铁麻园里隧道的监测数据为例,介绍了灰色模型的基本理论,通过采用传统的GM(1,1)灰色模型和该进的GM(1,1)灰色模型两种方法对数据进行处理,对模型的预测效果进行了分析。结果表明,改进的GM(1,1)灰色模型具有较高的精度,在沉降预测中具有较高的应用价值。     

填海造地道路软基沉降的不同数据序列GM（1，1）预测模型

为了研究不同样本数据序列GM（1,1）灰色模型在填海造地道路软基沉降预测中的实用性和有效性。结合工程实例,以软基沉降监测数据为依据,分别选取堆载预压恒载期的10组和20组实测地基沉降数据作为样本数据序列,建立了相应的GM（1,1）灰色预测模型,对软土地基固结沉降进行了预测,并将两种不同数据序列灰色模型预测结果与现场实测数据进行了对比分析。研究结果表明：GM（1,1）灰色模型所得预测曲线与实测曲线变化趋势基本一致,预测值与实测值吻合较好,实测曲线比预测曲线收敛较快,较多样本数据序列灰色模型所得预测精度更高。     

GM(1,1)改进模型在年径流量预测上的应用

背景值是影响灰色模型预测精度的关键性因素之一,GM(1,1)改进模型是在对背景值进行优化的基础上建立的灰色模型。通过对研究区年均径流量资料进行分析,根据径流量和时间的关系,建立了GM(1,1)改进模型,并将其应用于年径流量的预测,取得了较好的效果。     

基于灰色残差模型的灌区地下水最小埋深预测

建立灰色GM(1,1)主模型,然后进行残差修正,从而形成灰色残差模型,并对宝鸡峡灌区周城—苏坊洼地地下水最小埋深进行了预测.结果表明:根据前12 a观测数据建立模型,预测的第13 a地下水最小埋深为3.64m,与实际值相比较,相对误差为4.21％;与单一采用灰色模型GM(1,1)相比,灰色残差模型克服了因数据序列不稳定而带来的误差,可提高灌区地下水最小埋深预测精度.     

灰色遗传神经网络模型对居民年需水量预测

根据居民年生活用水的特点,提出一种灰色遗传神经网络组合模型。该模型首先通过遗传算法(GA)对λ取值进行选优,并运用灰色加权模型对年需水量进行一级预测,后通过BP模型对年需水量进行二级预测。以A市S区年居民生活年需水量为例,将2007~2013年生活年需水量作为原始数据并选择合适指标对2014年需水量进行预测。结果表明,组合模型相比灰色神经网络模型精度提高0.84个百分点,比GM(1,1)模型提高了3.08个百分点。     

基于灰色理论的城市对流域取水量研究

城市对流域的取水量具有不确定性和随机性,其中涵盖灰色性;工业对流域的取水量更具灰色信息;常规的数学理论方法难以将复杂、模糊的随机过程进行可视化和定性、定量预测。灰色信息是介于白色信息和黑色信息之间的一种特殊信息,灰色理论能揭示信息的灰色性和随机性,通过甄别信息内在发展趋势的相异程度,对数据进行剖析处理,生成规律较强的数值序列,进而建立灰色系统模型,以预测数据的发展趋势。本文基于灰色理论和灰色预测,揭示原始数据的灰色性,通过级比检验和累加算子,构建灰色理论模型GM(1,1),将该模型应用于河南省对黄河的总取水量和工业取水量。研究结果表明:灰色理论模型具有操作性强,理论与实际结合度高的优势,在数据短缺的序列中能优化模型的结果;通过模型对河南省取黄河水量的预测具有较高的精度,总取水量相对误差在3.05%~13.16%之间,工业取水量相对误差在1.61%~12.53%之间;为黄河的统一调度,优化配置水资源提供理论参考。