局地短期气候预测的关联度方法

针对局地短期气候变化的非线性特征及其难以用模型准确刻画的现状 ,根据预报误差最小原理 ,引入关联度分析 ,提出了一种关于局地短期气候预测的关联度方法 .应用此方法对年际变化剧烈的蒙自 5月雨量进行了预报试验 ,预测结果令人满意 .     

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。     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

信息熵和多因素灰色系统模型在碳排放的分析与预测

碳排放是引起气候变化的重要原因.针对影响碳排放的因素和预测问题,以2007-2016年广西碳排放10年的数据为样本,提出了利用信息熵与灰色系统理论分析能源结构、能源强度、人口数量及碳排放之间的相关性和相关程度,建立了多因素预测模型对碳排放量进行了预测.通过评价指标P=0.98和C=0.14,表明了预测模型具有良好的精度...     

中国粮食多因子灰色关联神经网络预测研究

针对BP神经网络多变量输入难以确定的缺点，提出了采用灰色关联分析法确定主要影响因子输入的多因子灰色关联分析神经网络预测模型，并给出了灰色关联神经网络BP预测模型的建立方法，对我国粮食生产影响因子多因子预测实证研究结果表明，用该网络建立的模型经过训练后，可得到影响粮食产出的主要影响因子及其之间的非线性关系，网络模型新颖，具有较好的预测精度及较好的预测效果，可广泛应用于各种预测研究，有较高的推广价值。     

多变量灰色预测模型在国民生产总值指数预测中的应用

国民生产总值指数作为综合反映物价变动情况的指标,是制定宏观经济政策的重要依据.该文综合考虑了餐饮住宿业、金融业、房产业三大行业的国民生产总值指数,使用灰色关联、离散型多变量灰色预测模型分析了餐饮住宿业、金融业、房产业三大行业的国民生产总值指数.研究表明离散型多变量灰色预测模型在模拟和预测三大行业的国民生产总值指数时具有较高的精确度,是研究该问题的有效方法.     

新世纪气候变化与环境破坏

气候变化与环境破坏研究是一个重要的世界课题，过去二十余年间，全球气温已明显升高，今后若干年内，气候仍将一如既往持续变暖。气候变化已经或即将对全球环境造成严重影响，防止气候变暖，保护人类生存环境已刻不容缓，因此，弄清气候变化的原因，预测未来气温变化的幅度及其对环境的破坏，对政府决策和世界政治、经济、外交格局的建立具有重要意义。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

植被-气候关系遥感分析研究进展

对当前植被-气候关系遥感分析研究进行了总结.过去几十年内,全球不同尺度、区域和时间序列的植被变化对气候变化表现出了明显响应.植被的生长变化与气温和降水的变化密切相关.而大尺度上土地覆被类型的变化及植被覆盖的变化对局地及区域的气候产生重要的反馈作用.当前植被-气候关系研究的常用的遥感数据源较多,但也存在单一遥感数据源时间...     

基于多变量灰色预测模型的多元线性回归模型

针对各自变量之间的关系,利用多变量灰色模型建立了自变量的预测值,剔除了自变量观察数据中的噪声污染。进而建立了一种改进的多元线性回归模型。最后,通过实例说明模型具有较高的预测精度。