城市地区火灾事故发生的灰色预测方法

根据灰色理论的预测基本原理及数学建模方法，建立ＧＭ（１，１）火灾事故率－时间预测模型。结合微机技术，针对香港１９７７－１９８１年火灾事例数据，研究了该地区火灾事故的发生规律，并对其发展趋势进行了预测，为制定正确地防止火灾发生的决策提供了重要的参考依据。此外，还对预测过程中注意的问题进行了讨论。     

城市地区火灾事故发生的灰色预测方法

根据灰色理论的预测基本原理及数学建模方法，建立ＧＭ（１，１）火灾事故率－时间预测模型．结合微机技术，针对香港１９７７～１９８１年火灾事例数据，研究了该地区火灾事故的发生规律，并对其发展趋势进行了预测，为制定正确地防止火灾发生的决策提供了重要的参考依据．此外，还对预测过程中值得注意的问题进行了讨论．     

灰色BP神经网络在河南煤炭需求预测中的应用

在灰色GM（1,1）模型的基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对河南省煤炭消费总量进行拟合和预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。实例结果证明该组合模型具有较好的预测精度,预测结果是可信的。     

小区间浴盆形火灾事故预测

基于传统灰色预测模型预测剧烈波动型火灾数据误差较大的缺陷,使用泰勒公式将灰色预测模型的原始数据序列展开,并展开拉格朗日型余项,以此修正传统的灰色预测模型,改进了传统的灰色预测算法。使用Matlab软件编程,分别采用传统的灰色预测算法和改进的灰色预测算法,针对小区间浴盆形火灾事故,选取三组数据进行预测。结果表明,修正后的灰色预测模型改善了传统灰色预测模型预测浴盆形火灾事故稳定性差、误差大、精度低的不足,预测曲线符合浴盆形曲线特征,与原始数据曲线特征具有较高的一致性。改进的灰色预测模型与传统的灰色预测结果相比,三组数据的平均相对误差分别降低86.59%、55.32%、55.70%。改进的灰色预测模型预测结果在精度、相对误差、关联度三方面都能满足要求。     

基于灰色RBF网络的我国能源消费预测

利用我国能源消费总量的历史数据,采用灰色预测法建立预测模型,再利用径向基（RBF）神经网络对灰色预测模型结果进行预测,以作为其最终的预测值．实验结果表明,灰色RBF网络模型在预测精度方面优于单一的灰色模型．该模型计算简便,有较高的拟合和预测精度,拓宽了灰色模型的应用范围．     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

特大交通事故动态分布拟合及灰色拓扑预测模型

根据国家统计局1996-2012年特大交通事故的统计资料,利用Matlab软件对交通事故的4项指标进行动态分布拟合,以灰色预测模型为基础建立了灰色拓扑预测模型,并预测了未来5年的特大交通事故发生情况.结果表明,灰色拓扑预测模型精度达到1级标准,说明该模型对我国特大交通事故发生情况的预测具有可靠性.     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于改进灰色神经网络的房地产价格走势分析

针对房地产价格走势状况,通过对灰色预测模型GM（1,1）和BP神经网络的研究,将两大模型进行组合改良,形成新的组合灰色神经网络预测模型,以南京市中房指数为例,以Matlab为预测工具,进行2013年12个月份的价格指数预测,研究结果证明新的组合预测模型精度较高,可为房地产价格指数的预测和研究提供参考依据。     

基于灰色遗传BP神经网络的大坝变形预测

提出了一种基于灰色预测模型的遗传算法优化BP神经网络的组合预测模型。通过对原始大坝序列进行灰色拟合,弱化原始序列的随机扰动影响,增强数据的线性规律,并采用遗传算法优化BP神经网络的连接权值和阈值,之后将灰色拟合后的残差作为优化后的BP神经网络的输入样本进行训练和测试,进而建立灰色遗传BP神经网络预测模型。组合模型充分结合了BP神经网络自适应学习的优点,避免了灰色方法及模型在非线性预测方面的缺陷;同时集成了遗传算法的全局寻优性能,弥补了神经网络容易陷入局部极值点的缺陷。与灰色GM(1,1)和单一BP神经网络对比表明,组合模型能保证较优的局部预测值和较高的全局预测精度,应用于复杂的大坝变形预测中是可行的。     

基于灰色神经网络理论的东江水库入库径流量预测

针对目前径流预测模型精度偏低的现状,提出了灰色神经网络预测模型,充分发挥了灰色理论的少量数据建模和神经网络能够逼近任意复杂函数的优点,并将该模型应用于东江水库年径流预测.结果证明,该模型预测精度更高,实用性更强.     

基于GM（1，1）-Markov模型的我国人口城市化水平预测

结合灰色GM（1,1）模型和马尔可夫链理论的优点,建立耦合的GM（1,1）-Markov预测模型。实例预测2009年-2015年我国人口城市化水平,其结果证明GM（1,1）-Markov模型预测精度较高,具有较强的科学性和实用性。     

城市燃气管网日负荷预测的灰色神经网络模型

将灰色预测理论和人工神经网络理论结合起来,利用灰色静态预测模型来弱化数据的随机性并建立规律的累加数据,再利用神经网络模型来解决数据的非线性,建立了既反映其时间序列的周期性变化趋势,又包括天气、气温等影响因素的燃气日负荷预测灰色神经网络模型。对哈尔滨市燃气管网系统的日燃气用量进行了预测,表明模型不仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性。     

组合模型在能源需求预测的应用

为科学预测未来我国能源需求,通过文献萃取选取经济发展水平、人口规模、城市化率、产业结构和技术进步水平作为我国能源需求影响因素．运用拉开档次法计算各模型权重,构建ARIMA、多元回归、灰色GM(1,1)和支持向量回归机的组合预测模型,运用该组合模型和目前常用组合预测模型分别计算我国2005-2011年能源需求,并与实际结果进行比较,结果表明:该组合预测模型具有更高的预测精准度. 最后运用该组合模型预测2012-2020年我国能源需求,预测结果表明: 2012-2020年我国能源需求以平均3.42%的年增长率增长,2020年我国能源需求量将比2012年增加30%左右.     

GNNM(1,1)模型在城市用水量预测中的应用

我国城市年用水量数据较少并与诸多因素息息相关，是一个典型的灰色系统。本文利用灰色系统的少数据建模优点和神经网络的精度可控性优点，建立了城市年用水量的灰色神经网络GNNM（1，1）模型。利用该模型对S市城市用水量进行了实际预测研究，实例证明了该方法的正确性和科学性。     

粒子群优化小波神经网络在火灾预测中的应用研究

针对城市建筑火灾预测的高度非线性和不确定性,采用粒子群算法(PSO)优化小波神经网络(WNN)后建立火灾事故时间序列预测模型.将改进后的模型进行实验仿真训练并应用于某城市建筑火灾发生次数预测中,仿真应用结果表明,网络输出值和期望值很好吻合,收敛速度和泛化能力有所提高.所以该模型能够对火灾发生情况进行分析预测,为消防安全管理部门消防警力、设施投入及城市综合防灾减灾提供科学依据和决策指导.     

城市燃气管网日负荷预测的灰色神经网络模型

将灰色预测理论和人工神经网络理论结合起来,利用灰色静态预测模型来弱化数据的随机性并建立规律的累加数据,再利用神经网络模型来解决数据的非线性,建立了既反映其时间序列的周期性变化趋势,又包括天气、气温等影响因素的燃气日负荷预演灰色神经网络模型．对哈尔滨市燃气管网系统的日燃气用量进行了预测,表明模型不仅有较高的收敛速度和精度,同时也具有较强的适应性和灵活性。     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

2012—2050年我国老龄人口预测研究

以我国老龄人口发展为研究对象,建立了GM（1,1）动态预测模型和灰色新陈代谢模型,对未来2012—2050年我国老龄人口进行了预测。预测结果显示：2020年我国老龄人口数达到1．7174亿,2030年2．4929亿,2040年3．6187亿,2050年5．2527亿、占我国总人口数的32％。     

基于时空特性和灰色神经网络的短时交通流预测

为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。