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。     

基于优化的GM(1,1)模型在我国人口预测中的应用

GM(1,1)预测模型一直是灰色系统理论研究者关注的热点.在已有灰色理论的基础上,利用“最小二乘法”确定GM(1,1)白化函数的时间响应函数中的常数c,摒弃了传统GM(1,1)把原始序列x(0)(1)作为初始条件的做法,从而构建了GM(1,1)的优化模型.最后,以我国人口总数的预测为例,进行两类预测模型的模拟精度比较,并进行了预测,得到优化的GM(1,1)模型进行预测得到的精度较高.     

GM(1,1)模型的改进

由于最小二乘法的稳健性有一定的局限性,使得GM(1,1)模型的拟合精度有时并不理想.为提高预测精度,在分析比较最小一乘法和最小二乘法优缺点的基础上,改变了GM(1,1)模型的参数估计方法,用普通最小一乘法和折扣最小一乘法代替了原来的最小二乘法.最后通过实例验证了该改进方法的有效性.结果表明,改进的GM(1,1)模型准确度有较大提高.     

离散GM(1,1)参数估计的三种方法比较

针对离散灰色模型GM(1,1)中参数估计方法及模型稳定性问题,选取3种估计参数的方法进行讨论——最小二乘法、最小一乘法和累积法;为了更好地比较不同估计方法的差异,统一赋以相同的初值,并以拟合误差、关联度和条件数作为评价指标,借助MATLAB软件对两类实例数据进行分析——递增序列和递减序列;实验结果表明:在误差方面,累积法优于最小一乘和最小二乘,在模型稳定性方面,累积法优于最小二乘法,总之,对于递增和递减序列数据,累积法估计GM(1,1)中参数最优。     

离散GM(1,1)参数估计的3种方法比较

针对离散灰色模型GM(1,1)中参数估计方法及模型稳定性问题,选取3种估计参数的方法进行讨论——最小二乘法、最小一乘法和累积法;为了更好地比较不同估计方法的差异,统一赋以相同的初值,并以拟合误差、关联度和条件数作为评价指标,借助MATLAB软件对两类实例数据进行分析——递增序列和递减序列;实验结果表明:在误差方面,累积法优于最小一乘和最小二乘,在模型稳定性方面,累积法优于最小二乘法,总之,对于递增和递减序列数据,累积法估计GM(1,1)中参数最优。     

煤炭海运总量的灰色预测

基于灰色数学理论,通过常规全数据GM(1,1)模型及等维新陈代谢GM(1,1)模型分别对煤炭海运总量进行建模并预测,并与传统的最小二乘曲线拟合所得结果进行比较,结果表明,运用灰色理论所建立的等维GM(1,1)进行预测是可行的,而且精度较传统方法高。     

基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用

分析基于自相关理论的GM（1,1）与GM（1,N）联合模型,将仅适合GM（1,1）模型的数据拓展到适合GM（1,N）模型。用数值积分中的Simpson公式来重建GM（1,1）与GM（1,N）的联合模型,在参数辨识过程中引入累积法,降低线性方程组系数矩阵的条件数,使联合模型求解更加稳定,提高了模拟及预测精度,并且克服了原GM（1,N）模型必须获得预报时刻点相关数据列的值的缺陷,有利于新息GM（1,N）模型的应用。数值实验结果表明,优化后模型数值稳定性好,其系数矩阵的条件数在数值上比通用的最小二乘法有所降低,且模拟平均相对误差也有所降低,预测精度得到提高。     

一种优化GM(1,1)模型及其应用

在优化背景值的基础上,针对传统灰色GM(1,1)模型参数估计的最小二乘算法稳健性较差的情况,提出基于全最小一乘准则的灰色GM(1,1)模型参数估计算法,同时将初始条件进行优化,从而得到了一个背景值、初始条件和模型参数同时优化的灰色GM(1,1)模型.最后,应用实例说明了优化灰色GM(1,1)模型的可行性与有效性.     

半参数GM(1,1)模型参数辨识及滑坡变形预测

针对利用传统GM(1,1)模型进行滑坡变形预测时存有较大的局限性及模型误差的问题,引入半参数理论对其进行改进.构建基于半参数模式的GM(1,1)滑坡预测模型,以补偿最小二乘为约束条件,对半参数GM(1,1)模型的灰参数a和b进行辨识;并对影响半参数模型求解的关键参数正则矩阵R和平滑参数α进行优选,最后将半参数GM(1,1)模型用于茅坪和古树屋滑坡变形预测.研究结果表明:基于半参数的GM(1,1)模型拟合精度较高,预测结果正确可靠,能够反映滑坡变形位移的发展趋势.     

电力系统可靠性原始参数的优化GM(1,1)预测

考虑到可靠性原始参数的缺乏对电力系统可靠性评估结果的真实性和有效性影响很大,用优化的GM(1,1)模型预测可靠性原始参数,开发小样本系统。优化的GM(1,1)模型在以最小二乘法优化初值的基础上,分别求取不同时间段的原始参数序列的拟合数列,再以各拟合数列与原始数列之间的模糊贴近度为权重系数对预测值进行优化加权组合。此模型既能体现数据的最新变化态势,又能体现总体发展趋势,充分挖掘原始参数包含的信息量,克服传统GM(1,1)模型预测可靠性参数随预测点推移预测精度下降较快的缺点,尤其适用于新投入元件可靠性原始参数的多点预测。     

一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

优化背景值和时间响应函数的一类直接模型法

根据灰色GM(1,1)直接模型原始数据具有非齐次灰指数规律特点,构建出相应的拟合函数,再利用辛普森公式优化模型背景值,同时利用最小二乘法确定时间响应函数中的常数c,得到一种改进的GM(1,1)直接模型.实例分析表明:该改进模型的模拟和预测精度较高,也拓宽了灰色预测模型的使用范围.     

基于UGM-ULSSVM的导弹制导控制系统状态预测方法

针对基于特征参数的导弹制导控制系统状态预测存在的状态数据不等间隔、小样本的问题,并考虑各性能特征参数间的相互影响、相互关联的关系,提出了一种基于非等间距灰色联合最小二乘支持向量机(UGM-ULSSVM)的退化状态预测方法.在UGM-ULSSVM模型的训练阶段,根据特征参数序列建立其非等间距灰色预测模型(UGM(1,1)),将UGM(1,1)的拟合值作为输入,原始数据序列作为输出,分别训练得到时间型最小二乘支持向量机(TLSSVM)与空间型最小二乘支持向量机(SLSSVM);在模型的预测阶段,由建立的UGM(1,1)模型和通过证据理论融合TLSSVM和SLSSVM建立的ULSSVM模型组合得到UGM-ULSSVM状态预测模型.以导弹制导控制系统为例,实现了关键参数预测,结果验证了方法的合理性与有效性.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

GM（1,1）模型参数估算的新方法及其应用

通过对传统的GM（1,1）模型进行了分析,指出了GM(1,1）模型实质是指数预测模型,提出了一种新的参数估算法（最小二乘法）,用这种新方法估算GM（1,1）的参数,并通过一个实际例子进行了分析。     

灰色GM（1，1）模型的一种优化组合方法

针对GM(1,1)预测模型的不足之处,首先基于X(0)序列的相对误差平方和最小的思路,提出了一种新的优化时间响应函数即确定指数函数exp(-at)系数C的方法;第1步采用优化背景值方法确定a,b后,第2步用本文方法确定系数C,得到了一个优化组合的新GM(1,1)预测模型.经大量的数据模拟发现,此优化组合新模型无论对高增长系数,还是对低增长系数都具有极高的模拟与预测精度.     

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%.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.