GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

基坑变形预测的灰色二次优化模型

为了提高GM(1,1)模型在基坑变形分析中的预测精度,采用三种方法对背景值改进的GM(1,1)模型进行优化,包括:对初始值添加修正项,使其符合最小二乘法的思想;对时间响应式参数添加修正项,解决近似指数序列下改进GM(1,1)模型的背景值实用性问题;对基坑变形数据进行直接建模,使其适应于基坑变形的发展。建立了基坑变形预测的二次优化GM(1,1)模型,将该模型应用于基坑变形预测实例中,结果显示再次优化后的模型具有较高的预测精度,具有较好的工程应用价值。     

基于插值的非等间距GM(1,1)建模方法

非等间距GM(1,1)模型因其对非等间距观测数据的处理能力,在变形观测的预测方面发挥着越来越重要的作用。为了更加准确地进行变形预测,提高其实用性,对非等间距GM(1,1)模型进行改进。首先分析不同插值方法对非等间距序列的适应性,选取合适的插值方式。通过插值将非等间距序列构造成等间距序列,建立插值优化背景值和不对背景值进行优化两种模型。对该等间距序列进行预测,最后再进行一次插值还原为原始非等间距序列的预测值。将预测的结果与其他方法进行比较,验证了改进的模型预测精度明显提高。     

基于复合辛普森公式的GM(1,1)模型背景值的优化

背景值是导致GM(1,1)模型产生系统误差的主要原因之一,为提高模型的模拟效果和预测精度,根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建灰色系统模型。基于GM(1,1)模型背景值的几何意义,结合复合辛普森求积公式和动态序列模型,提出一种新的GM(1,1)模型背景值优化方法。实例表明,基于复合辛普森公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性。     

基于改进新陈代谢GM(1,1)模型对钢管混凝土拱桥涂膜腐蚀预测

目的提出改进新陈代谢GM(1,1)模型,提高预测钢结构使用寿命的精度.方法在全序列的基础上,置入一个由传统GM(1,1)模型得到新数据,去除一个旧的数据,建立既保证了原来的维数,而又不影响整个信息发展趋势的改进新陈代谢GM(1,1)模型.利用改进新陈代谢GM(1,1)模型对已经用传统GM(1,1)模型预测钢管混凝土拱桥涂膜腐蚀的实际工况进行重新预测,验证所提出的改进新陈代谢GM(1,1)模型在涂膜腐蚀预测中应用的可行性、有效性及预测所提高的精度.结果改进新陈代谢GM(1,1)模型的均值方差比值C为0.132 9,比传统GM(1,1)模型的均值方差比值C的值0.172 1小,改进新陈代谢GM(1,1)模型的精度比传统GM(1,1)模型的预测效果好;改进新陈代谢GM(1,1)模型的平均相对误差为3.20%,传统GM(1,1)为4.01%,提高了预测精度.结论改进新陈代谢GM(1,1)模型既保证了传统GM(1,1)模型的维数,而又不影响整个信息的发展趋势,改进新陈代谢GM(1,1)模型更合理,适用于中长期预测.     

灰色模型GM(1,1)背景值的一种改进方法

分析了灰色GM(1,1)模型的理论缺陷,提出了对背景值的一种改进方法,建立了GM(1,1,λ)模型,数据模拟结果表明,GM(1,1,λ)模型的模拟精度高于GM(1,1)模型,既适合低增长指数序列建模,也适合高增长指数序列建模.     

灰色预测模型背景值改进方法比较分析

背景值的构造是影响GM(1,1)模型拟合和预测精度的关键因素之一。已有的研究文献对背景值构造提出了多种方法,但均是和传统的GM(1,1)模型比较,相互之间没有比较分析,文中选取常用的区间面积和、背景值最佳生成系数、积分三种重构背景值方法进行比较分析,结果表明对于呈近似指数增长的序列和高增长序列,区间面积和重构背景值方法的拟合和预测精度更高,对于低增长序列,背景值最佳生成系数重构背景值方法在预测精度上较好。     

GOM(1,1)模型背景值构造的重新改进

GOM(1,1)模型同GM(1,1)模型一样存在背景值构造的不足.分析已有以累加序列为齐次指数序列推导出的背景值构造形式存在的问题,以背景值几何思想建立两种加权背景值构造,分别为齐次指数序列下的定权背景值构造和近似齐次指数序列下的变权背景值构造.实例应用结果显示加权背景值构造下的GOM(1,1)模型不仅可以完全拟合齐次指数序列,近似齐次指数序列下建模的预测精度也提高了.     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

灰色GM（1,1）模型的改进及其在CPI预测中的应用

针对传统GM(1,1)模型的改进方法复杂、使用范围有限、预测精度不高等问题,本文对传统GM(1,1)模型的背景值进行理论分析并改进,用二次插值的方法重新构造背景值。在此基础上对原始数据通过滑动平均法进行初值预处理,给出改进的模型,最后运用其进行短期预测,仿真结果证明了此改进模型的有效性和可行性,为提高预测精度提供新的途径。     

非等间距GM(1,1)模型的改进及预测分析

论述了非等间距GM(1,1)模型的基本原理及精度评定方法,针对模型缺陷探讨了模型精度的主要影响因素,并就初值选取及模型背景值构造2个方面进行改进,建立了改进的非等间距GM(1,1)模型.运用改进的非等间距GM(1,1)模型对某坝堤沉降进行预测分析,结果表明,改进后的非等间距GM(1,1)模型较改进前具有更高的预测精度,在沉降预测中具有较高的应用价值.     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新 GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统 GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。
     

非等间距GM(1,1)模型的改进及预测

论述了非等间距GM(1,1)模型的基本原理及精度评定方法,针对模型缺陷探讨了模型精度的主要影响因素,并就初值选取及模型背景值构2个方面进行改进,建立了改进的非等间距GM(1,1)模型.运用改进的非等间距GM(1,1)模型对某坝堤沉降进行预测分析,结果表明,改进后的非等间距GM(1,1)模型较改进前具有更高的预测精度,沉降预测中具有较高的应用价值.     

基于自适应数据的GM(1,1)模型背景值优化方法

GM(1,1)模型在不确定或有限的样本中表现出了较好的预测性能,但仍存在改进的空间.本文提出了一种基于自适应数据的背景值优化方法,数值模拟结果表明,所提出的方法能够提高GM(1,1)模型的预测精度.     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。     

传统灰色建模的一些理论问题

分析了GM(1,1)建模中灰导数及其白化背景值对模型精度与适应性的影响,并从灰导数、灰导数的白化背景值的构造证明了原始时间序列数据变化越平缓,发展系数的绝对值越小,GM(1,1)模型的拟合与预测精度越高,模型的适应性越强,根据研究结果指出了提高GM(1,1)模型精度的研究方向.     

非等间距GM(1,1)模型背景值构造方法及应用

背景值是影响灰色系统理论建模精度的重要因素之一。为提高灰色模型的预测精度,对非等间距GM(1,1)模型中的背景值构造进行了研究,提出了用x(1)(t)在区间[ki,ki 1]上的中点实际值作为背景值。该背景值计算简洁,适应性强,提高了非等间距GM(1,1)模型精度,拓广了非等间距GM(1,1)模型的适用范围。并应用改进的非等间距GM(1,1)对钛合金疲劳强度随温度变化的关系进行建模,取得了满意的效果,数据拟合精度高达98.8%。建模结果表明了该文提出的方法的有效性。     

改进背景值的非等间距GM(1,1)模型

背景值是影响非等间距GM(1,1)模型精度的重要因素之一。在积分重构理论的基础上,对背景值进行研究,针对一次累加序列的非齐次指数形式这一特点,通过非齐次指数函数拟合方法对背景值的构造进行改进,提出了一种改进背景值的非等间距GM(1,1)模型,应用实例表明了该方法的有效性。     

优化背景值的GM(1,1)

为了提高模型的拟合精度,提出了一种新的改进GM(1,1)模型.从优化GM(1,1)模型背景值的定义出发,推导出利用原始数据生成的背景值公式,将其与经过优化的初始条件结合,构造出改进的GM(1,1)模型.此模型将在很大程度上消除由于背景值的选取所产生的误差.对该模型进行数据模拟,通过与原模型中数据的比较、分析,验证出新的优化模型具有更好的模拟精度,说明该模型的有效性,可以将其应用于对其它数据的拟合预测.     

路面使用性能预测与统计分析

提出用重构背景值的GM(1,1)模型对路面使用性能试验数据进行预测,新的背景值计算公式的显著特点是使GM(1,1)模型具有对建模结果进行优化的能力,能获得最佳的拟合和预测精度。将获得的预测序列进行统计分析,为路面性能预测评价提供参考依据。实例计算结果说明,将重构背景值的GM(1,1)模型用于路面使用性能试验数据预测有很高的精度,为有效缩短试验时间提供了一个值得探讨的方法。同时从统计分析中可知,对数正态分布模型更适合于弯沉指标。