中国城乡恩格尔系数差异度的灰色建模与预测

为了提高预测精度,利用灰色GM （1,1）预测模型对中国城乡居民恩格尔系数差异度的变动趋势进行实证研究,并利用残差灰色预测模型对原始GM （1,1）模型进行修正。修正结果表明,残差修正后的GM （1,1）模型预测精度有显著提高。同时,中国在经历了二元经济结构后,目前整体上已经达到了城乡一体化,城乡居民生活质量基本一致的状态。     

Markov残差修正的灰色GM(1,N)模型在粮食产量预测中的应用

将灰色理论和Markov预测方法用于中国粮食产量的预测。运用灰色关联分析,从众多影响粮食产量的因素中确定了影响粮食产量的主要因素为：乡村从业人员、农作物有效灌溉面积、粮食作物播种面积、受灾面积。以粮食产量作为特征变量,以影响粮食产量的主要因素作为选定变量构建了粮食产量的灰色GM（1,5）预测模型,并对我国粮食产量进行拟合和预测。为了捕获粮食产量时间序列的随机波动性,使用马尔可夫模型对GM（1,5）模型的残差进行修正,以便改善预测精度。实例结果：事后检验阶段GM（1,5）模型的平均绝对百分比误差为15.45%,灰色Markov模型的平均绝对百分比误差为5.625%。灰色Markov模型能够提高预测的精度,是一种有效的、具有鲁棒性的预测方法。     

基于自相关理论的GM(1,1)和GM(1,N)联合预测

通过引入自相关分析，将GM（1，1）与GM（1，N）两者的优点有机结合，运用GM（1，1）预测模型所需的数据量，达到GM（1，N）预测模型所具有的预测精度，减少灰色模型的预测误差。     

基于马尔科夫滚动优化的锂电池寿命灰色预测研究

文章建立了一种电池容量的动态预测方法,提出了滚动优化GM(1,1)模型、残差修正滚动GM(1,1)模型和Markov残差修正滚动GM(1,1)预测模型。研究结果证明了3种模型具有极好的预测性能,只是残差GM(1,1)模型的精度比其他2个低一些。且发现在仅有4个数据点建立的残差修正滚动GM(1,1)模型与Markov残差修正滚动预测模型也有相当高的预测精度。通过预测不同电池在不同充放电条件及温度条件下的电容容量,验证了滚动优化模型的普遍适用性。     

尾部残差修正GM(1,1)模型在煤矿百万吨死亡率预测中的应用

 煤矿安全是当前安全生产工作的重中之重。为掌握煤矿安全生产情况,降低事故损失,保证中国煤炭工业健康、快速、可持续发展,本文在传统GM(1,1)模型的基础上,建立了关于煤矿百万吨死亡率的尾部残差修正GM(1,1)模型。将该方法应用于2001—2011年全国煤矿百万吨死亡率分析,并以此为基础对2012、2013年的煤矿百万吨死亡率进行预测,与传统GM(1,1)模型的预测结果进行对比分析。研究结果表明,传统的GM(1,1)模型精度较差,最大误差达到14.35%,经修正的尾部残差GM(1,1)模型预测结果可靠,实际值与预测值平均相对误差1.14%,最大相对误差3.81%,各项指标均明显优于传统的GM(1,1)预测模型,为政府、矿山企业制定安全生产目标、政策以及建立科学高效的安全管理机制提供理论依据。     

基于随机波动条件的公交客运量预测模型

针对传统的灰色GM（1,1）预测模型在预测公交客运量中存在误差过大的问题,结合公交客运量随机波动的显著特征,通过对残差序列进行再处理,构造新的数据序列,构建GM（1,1）改进预测模型对公交客运量进行预测,并应用于某城市的2条公交线路客运量预测。结果表明：随机波动条件下的GM（1,1）改进预测模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模后预测的公交客运量的平均相对误差分别为4.9%和5.3%,明显优于传统GM（1,1）模型预测的公交客运量的平均相对误差7.5%和7.45%;相对误差最大值分别降低了4.68%和2.99%。     

基于马尔克夫的灰色残差GM(11)模型在塑料老化行为预测中的应用

针对数据的离散程度较大时灰色GM(11)模型的预测精度较差这一问题引入残差修正在采用马尔克夫过程确定预测值的残差修正值正负号的基础上通过对灰色GM(11)模型得到的模拟值和预测值进行修正构建了基于马尔克夫的灰色残差GM(11)模型。以大气自然老化环境下LDPE棚模的拉伸强度的预测为例研究所建模型在塑料老化行为预测中的适用性。结果表明：由所建模型得到的LDPE棚模老化18个月和21个月的拉伸强度预测值与实际值的相对误差分别为1.49%和4.96%预测精度明显高于灰色GM(11)模型(相对误差分别为3.40% 和6.75%)可用于塑料老化行为的预测。马尔克夫的灰色残差GM(11)模型所需实验数据少预测精度高为塑料老化行为的预测提供了一种简易而可靠的新途径。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于灰色理论的城市燃气负荷预测

城市燃气负荷与城市工业发展,城市人口等因素密切相关,由于传统的城市燃气负荷GM（1,1）预测模型仅与历史数据有关,预测结果并不能真实反映燃气负荷在未来的变化趋势。应用灰色GM（1,N）模型,将工业产值和城市人口两个因子引入燃气负荷预测模型,建立一个一阶3个变量的灰色GM（1,3）模型,进行预测。实例预测计算结果表明该模型能够准确预测城市燃气负荷,而且该模型考虑了影响燃气负荷的主要因素,使得预测模型和结果更为合理。     

一种新的组合灰色神经网络预测模型

对GM（1，1）灰色和几种灰色组合模型进行了讨论，针对多个相关序列预测的问题，提出了组合灰色GM（1，1）神经网络预测模型。此方法采用灰色模型对各序列进行预测，然后利用神经网络对预测值进行校正，得到最终预测值。实例表明此种模型在实际应用中的确能够提高预测精度。     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

基于AHP方法和灰色GM（1，N）模型的预测研究

灰色GM（1,1）预测模型对于小数据、贫信息的预测问题有着比较好的预测精度。但该模型仅仅依靠数据本身的内部关系进行分析而没有考虑到其他影响因素。本文以灰色GM（1,N）分析模型为基础,并用以AHP方法对数据进行处理,将GM（1,N）分析模型改造成预测模型,针对于我国2002年到2008年的GDP数据进行预测实证,结果表明该方法明显优于传统的灰色GM（1,1）预测以及回归预测。     

煤岩界面预测灰模型

为提高煤岩界面记忆截割检测的自动化水平，基于灰建模改进方法，采用相同的初始数据序列，建立经典GM（1，1）、新数据CM（1，1）、新陈代谢GM（1，1）三种煤岩界面预测模型，并分析其数据残差和相对误差。结果表明，三种模型的残差和相对误差均随预测步数的增加而增大，新陈代谢GM（1，1）模型的残差和相对误差最小，模型精度较高，适用于煤岩界面预测。     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题，开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法，建立具有时序动态分析能力的产量差分自动回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA），得出预测初始值与真实油井产量的残差；通过构建支持向量机（Support Vector Machine，SVM）时序预测模型进行残差修正，获得油井产量组合预测值；并将长短期记忆网络（Long Short-Term Memory，LSTM）模型与上述方法进行对比。实验表明，组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准，为油井产量的动态预测提供了一种有效方法，可作为油井在生产计划时的快速实时辅助依据，具有实用价值。     

地下水水质预测的有机灰色神经网络方法

针对灰色预测对波动较强的序列只能预测大致变化的缺陷,结合灰色理论中的GM（1,1）,和灰色残差GM（1,1）和RBF神经网络的特点,提出一种新的灰色神经网络预测模型,将灰色模型得到的数值作为神经网络的输入,原始数据作为神经网络的输出,训练得到最佳神经网络结构。以某地区地下水水质为例,根据其变化规律,应用有机灰色神经网络模型进行预测,结果表明,该模型拟合误差小,预测精度高。     

路基沉降的灰色理论预测及其应用

运用灰色理论,对铁路高填方路基的沉降进行预测,建立了GM(1,1)预测模型.以相同观测时段的GM(1,1)模型为原型,考虑荷栽变化,针对地基土体均匀的情况,提出了GM(1,1)修正模型.通过具体实例,对模型的预测结果进行分析.分析表明,用修正模型预估下一级加载后的沉降,选取适当的沉降变化比进行计算,预测值与实测值之间误差小于6%,方法简单可靠,对类似高填方路基工程有一定参考价值.     

数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于灰色神经网络的设备剩余寿命在线预测

为解决高可靠复杂设备的剩余寿命通常与多个性能参数共同退化相关的实际问题,提出一种多变量灰色误差神经网络预测方法。首先,建立经过背景值优化的多变量灰色预测模型MGM(1,n),并得到原始数据序列的初始预测值。然后,利用神经网络建立残差序列与原始数据序列之间的映射关系,训练RBF神经网络。最后,将改进的MGM(1,n)模型和RBF神经网络集成,建立多变量灰色误差神经网络预测模型。实例计算结果表明,与单一预测模型相比,该方法能够有效提高预测精度。