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.     

双重改进灰色马尔可夫模型的物流园区物流量预测

为科学预测物流园区的物流量,对灰色马尔可夫预测模型进行双重改进,利用灰色波动多项式替代灰色模型中的指数型曲线,采用滑动转移概率矩阵改进传统的马尔可夫链.利用某物流园区物流量的调研数据对最大相对误差、平均相对误差、残差平方和等因素进行分析.结果表明,双重改进的灰色马尔可夫模型能够更好地预测物流园区的物流量.     

灰色马尔科夫链的宁德旅游总收入预测模型优化研究

针对传统灰色GM(1,1)预测模型预测随机波动数据的局限性,采用残差修正方法优化GM(1,1)预测模型,并通过马尔科夫链对优化的模型进一步改进,建立了一种优化的灰色马尔科夫链的预测模型。优化模型可以有效提升预测的准确性和稳定性,通过预测宁德市旅游总收入的实例验证新模型的有效性,拓展了灰色预测模型的应用范围,为宁德市旅游事业发展的决策支持提供了一种新方法。     

基于修正残差的协同预测模型边坡失稳预测应用

斜坡的协同预报模型是一种新的斜坡失稳时间预测模型。通过改变边界条件的灰色预测模型对残差进行了分阶处理,使原有协同预测模型的精度和预测准确性更高。并结合实例检验了改进的预测模型用于滑坡短期预报的有效性、可行性。     

试论灰色灾变预测

在论述灰色灾变预测的建模及预测全过程的基础上，探讨了灰色灾变预测的一种特殊情况——拓扑预测，提出对非平稳时序过程分两步预测，建立灰色拓扑辅助预测模型，提高了对非平稳时序过程的预测精度。     

提高工业产值灰色模型预测精度

通过建立鞍山市历年工业总产值全数据的灰色模型,较准确地预测出鞍山市1990年的工业总产值,其预测误差为10.99％.在1989年总产值的邻域系上建立了灰色模型簇。通过比较簇中各灰色模型的平均误差及原点误差,筛选出最优灰色模型。为进一步提高该模型的精度,又以残差数列建立灰色模型对该模型进行修正。修正后预测出1990年的工业总产值的预测误差仅为4.14％,这表明,在灰色模型簇中筛选最优预测模型,并在此基础上建立被残差修正后的灰色预测模型,从而提高灰色模型的预测精度。     

组合灰色预测模型在电力负荷预测中的应用

基于灰色预测理论,研究了基本灰色预测模型及其几种传统改进模型的原理和它们在电力负荷预测中存在的局限性,提出了电力系统中长期负荷预测的实用新方法--组合灰色预测模型.以实际算例为基础,应用基本灰色预测模型和传统改进模型以及组合灰色预测模型分别对电力负荷进行了预测,并进行了分析比较.结果表明,用灰色理论预测电力负荷,理论可靠、方法简单.对于中长期电力负荷预测这样复杂的问题,组合灰色预测模型具有预测精度高、简捷实用等优点,该方法可作为中长期电力负荷预测的工具之一.     

基于改进灰色模型的我国天然气产量预测研究

在灰色预测模型的研究基础上,针对灰色预测模型拟合结果误差方面的问题,引入了广义翁氏模型的对数方程式积分形式,以此思想给出了灰色预测模型提高预测精度的理论依据及其改进过程,构建改进后的灰色预测模型.将该改进后的模型用于模拟我国2002年至2011年天然气产量数据,结果显示该改进模型的拟合结果优于改进过程中所应用的任何一个单独模型的拟合结果.使用改进模型预测了2012年至2025年我国天然气产量数据.     

电网负荷预测的无偏灰色预测模型

在传统灰色预测模型的基础上作者已提出了一种改进模型,该模型消除了传统灰色预测模型存在固有偏差,因而被称为无偏灰色预测模型,在此将无偏灰色预测模型应用于负荷预测中,并与负荷预测常用的几种方法进行了对比,结果显示了无偏灰色预测模型的优越性。     

直升机航迹的灰色预测

介绍了直升机的飞行噪声特性,论述了直升机航迹的预测在作战中的重要性,及探测数据非常有限的情况下准确预测的困难。该文提出了用灰色系统珲论解决直升机航迹预测问题,建立了灰色系统GM(灰色模型)预测模型和九次累加残差模型并对GM预测模型进行修正。在每个采样期间内,实时在线建立GM预测模型和残差模型以提高预测精度。通过实例计算能看出用较少的探测数据可以得到较高的预测精度。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

应用改进的残差GM(1,1)模型预测城市用水量

运用灰色系统理论建立GM(1,1),并用改进的残差GM(1,1)模型进行修正,对城市用水量进行预测.改进的残差修正方法能够使模型保持良好的适应性,有效提高了预测精度.应用该模型对某市年用水量进行预测检验,结果表明:改进的GM(1,1)模型具有较高的预测精度,模拟效果更好.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

无偏灰色模糊马尔可夫链在设备衰退预测中的应用

针对传统灰色马尔可夫模型在固有灰色偏差和抗干扰性方面的不足,提出一种基于无偏灰色模糊马尔可夫链的设备衰退趋势预测模型。首先,引入无偏灰色理论,建立无偏灰色模型,预测设备健康状态的总体趋势;然后,根据此趋势,采用模糊集合理论进行模糊状态划分,从分类方法上改进传统灰色马尔科夫模型,同时克服马尔可夫状态矩阵运算量大的缺点;最后,进行模糊马尔可夫残差修正,确定设备健康状态组合预测值。与传统灰色马尔可夫模型相比,该模型可有效提高预测精度。以屏蔽泵的健康状况数据为样本进行设备衰退趋势预测,结果表明:该模型对第13、14和15个周期的设备健康状态的预测,残差偏移率分别为0.24%、0.10%和-0.05%,对应传统灰色马尔科夫模型的残差偏移率0.46%、0.11%和0.08%,预测精度更高,能够有效实现设备衰退趋势的精确预测。     

SCGM(1,h)_c残差修正预测模型及其在柳州市总体规划中的应用

针对隐含动态系统特征的关联多因子灰色系统,提出了SCGM(1,h)_c残差修正预测模型.将该模型用于柳州市总体规划,对相互关联的社会总产值、工业总产值和农业总产值进行了预测.结果表明,模型精度高、适应性强,预测效果令人满意.     

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。     

中长期电量预测的傅里叶-马尔科夫修正模型

灰色模型在中长期电量预测中只对电量呈近似指数规律单调增长的序列才有较高的预测精度.随着电量变化随机波动性的增强,建立新的修正预测模型是十分必要的.针对灰色模型抗干扰能力差的问题,提出了灰色预测的傅里叶-马尔科夫修正模型,先利用傅里叶级数法,提取周期信息,优化电量变化的指数率,再采用马尔科夫链法,将电量波动随机性嵌入模型之中,从而对灰色预测的原始残差进行二重修正,提高预测模型的适应性和灵活性.通过实例分析以及对比验证表明,该模型有效地提高了预测精度.     

改进的灰色马尔可夫组合预测模型应用研究

根据灰色预测模型和马尔可夫预测思想,将灰色预测模型结合马尔可夫预测模型,并对组合模型进行了改进,采用递进转移概率矩阵,并结合1998-2007年安徽入境游客人数来预测2008、2009年的入境游客人数;结果表明：采用该改进后灰色马尔可夫的组合模型,可以得到比传统灰色马尔可夫组合预测模型更为准确的数据。     

正确运用货运量预测方法,为太原北站西山支线

针对现有铁路货运量预测方法的不足和铁路货运量的随机波动性,基于灰色预测理论,建立了铁货运量预测的随机灰色系统模型即GM(1,1)模型.该模型在对货运量原始数据生成处理的基础上,建立了符合检验要求的残差模型,以预测铁路货运量的发展趋势.通过GM(1.1)预测模型较好地预测了2020年西山支线的货运量,为西山支线长远运输规划是提供决策支持.     

灰色预测理论在工程标底中的应用

在分析工程标底预测方法的基础上，应用灰色系统理论，招标前，以近期同类工程的单方成本为依据。经过累加生成时间序列，用微分拟合建立灰色预测动态模型。并用单段函数残差辨识方法，建立了残差辨识模型，进一步提高了模型精度。从而建立了单方成本的灰色预测模型。并通过工程实例．阐述了工程标底灰色预测的操作程序，论证了该方法的实用性。为招标单位快速、准确确定工程标底．业主选择承包单位提供了重要的参考依据。