高速公路软土地基路堤沉降关联分析与预报

应用多变量灰色模型MGM（1，n），运用Excel软件进行计算，对高速公路软土地基路堤沉降进行了关联分析与预测，分析了MGM（1，n）与GM（1．1）模型精度，结果显示，采取MGM（1，n）具有明显的优越性。     

多变量灰色模型在预测中的应用

单变量的GM(1,1)模型用于单一时间序列的建模与预测,而MGM(1,n)模型是对GM(1,1)模型在多元变量情况下的自然推广,通过对MGM(1,n)模型建立过程以及应用方法的示例,来说明该模型的现实应用价值.     

基于半参数的MGM(1,N)模型变形预测

针对传统MGM(1,N)模型本身存在一定的缺陷,提出半参数MGM(1,N)变形预测模型,以补偿最小二乘作为约束条件。而半参数模型的关键是确定正则化矩阵和平滑因子,用时间序列法选取正则化矩阵,用L-曲线法确定平滑因子,解算出参数A^B。采用文献[1]中的原始数据序列,分别利用半参数MGM(1,N)模型和传统MGM(1,N)模型进行预测,用相对误差作为精度评价指标,平均相对误差进行模型检验,得出半参数MGM(1,N)模型的预测效果比传统MGM(1,N)模型的效果好的结论,同时验证了传统MGM(1,N)模型的模型误差。     

基于MGM(1,n)模型的异形拱桥拱肋空间线形灰色预测

结合灰色预测模型和异形拱桥拱肋空间线形控制的特点,利用灰色系统理论建立了针对异形拱桥拱肋空间线形灰色预测的MGM(1,2)模型,该模型考虑了轴线偏差和拱肋旋转因素.在给出MGM(1,n)模型的概念、求解方法的基础上,以Matlab为软件平台编制了相应的程序.以工程实例为背景的实验结果表明,异形拱桥拱肋空间线形MGM(1,2)模型的预测结果与实际测量结果具有很好的一致性,说明文中提出的异形拱桥拱肋空间线形MGM(1,2)模型是科学合理的.     

一类离散多变量MGM(1,m)预测模型优化

针对相互影响的多变量序列的预测问题,探讨了原始MGM(1,m)模型和灰色离散模型的建模机理,提出一类离散多变量MGM(1,m)的优化模型,由推导可得该模型是灰色离散模型的一般形式.该模型通过求解线性方程组直接对多变量进行模拟和预测,有效避免了白化方程和微分方程转化带来的误差.实例表明,该模型的预测精度较传统MGM(1,m)模型有显著提高,拓宽了多变量灰色预测模型的应用范围.     

MGM(1,n)模型在粉喷桩路基沉降预测中的应用

提出了一种预测公路复合地基工后沉降的新方法。首先,通过路基监测项目的灰色关联分析,优选影响路基沉降的相关预测变量,如道肩水平位移、孔隙水压力消散值及桩身应变等,在此基础上建立灰色多变量MGM(1,n)模型并给出相应的沉降预测方程。而后考虑监测数据序列的非等时间间隔影响,改进、完善此模型,使之能够对粉喷桩复合路基的沉降量进行准确预测。文中并给出应用实例,表明应用该法进行沉降预测,可以更全面地利用工程监测数据,更有效地预测路基工后沉降量。     

工程建筑变形分析的灰色模型探讨

为研究工程建筑的变形规律,合理预测未来的变形趋势,针对工程建筑变形中存在的变形因素复杂、变形大小不确定性、点位间主次关系不明确等情形,采用灰色系统理论建立变形分析灰色模型。通过两个工程实例,分别应用GM(1,1)模型和MGM(1,n)模型进行变形的预测和检验,充分证实了应用灰色模型进行工程建筑变形分析的可行性和可靠性,为工程建筑的变形分析和安全性诊断提供了可靠的理论依据和科学的分析方法。     

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。     

MGM(1,N)模型用于瓦斯涌出量预测

矿井瓦斯涌出量预测是新建矿井和改扩建矿井通风设计、安全管理、制定合理的瓦斯防治措施必不可少的重要环节。加强瓦斯涌出量预测方法研究,正确预测瓦斯涌出量,对改善我国煤矿安全生产状况具有积极的意义。在瓦斯涌出量预测中,瓦斯涌出量受多因素综合影响,且各个因素间相互影响、相互关联。文中提出一种新的矿井瓦斯涌出量预测方法——MGM(1,N)模型预测法。该方法综合考虑了瓦斯涌出量的各个影响因素,预测精度较高。其结果对煤矿安全生产具有指导意义。     

MGM(1,n)模型下的公交车运行时间预测

针对城市公交系统的复杂性和随机性,应用灰色理论建立了公交车运行时间的多变量灰色预测模型(MGM(1,n)),对晴天高峰时段、雨天高峰时段和平峰时段的公交车运行时间进行预测.预测结果表明:不同时段公交车运行时间预测的平均相对误差均在5%以内,模型精度等级符合预测要求.     

基于SBAS-InSAR与GM(1,1)模型的张博线采空区地表形变监测

为获取了该区段沿线的地表形变速率及各成像时刻的累计形变量等形变信息,验证GM(1,1)模型在地表形变中的预测效果,通过 SBAS-InSAR 技术对张博线采空区 2019 年1月至2022年1月43景 sentinel-1A影像数据进行处理,并利用 GM(1,1)模型对地表特征点监测结果进行了模拟和预测。监测结果表明铁路沿线大部分区域年平均形变速率在-2.0~2.0 mm/year之间,沿线地表相对稳定;预测结果表明GM(1,1)模型在沉降预测中有良好的效果,可进行中长期预测。     

隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

GM(1,1)模型的性质及改进

在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ。当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量。仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度。     

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.     

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。     

灰色GM(1,1)与线性回归组合模型及其在变形预测中的应用

将GM（1，1）模型和线性回归模型组合起来进行变形预测，改善了原线性回归模型中没有指数增长趋势及灰色GM（1，1）模型中设有线性因素的不足，使组合模型更适用于变形的一般情况。     

岩石巷道围岩变形的灰色预测

对CM(1,1）模型进行了改进,建立了具有较小原点误差的改进的CM(1,1）模型,并且给出了双向差分模型、GM(1,1）模型与其改进模型对巷道围岩变形预测结果的比较,为灰色系统理论用于巷道开巷初期围岩及支护变形预测的实践进行了新的探讨。     

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。     

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。     

基于GM（1,1）模型的变形预测研究

变形监测是大型建筑物、构筑物安全运营的保障性工作,而要避免灾害的发生,则需要进行相应的预测预警。从变形监测理论出发,探讨了当前变形预测的模型,开发了基于MATLAB的GM（1,1）模型计算程序,结合某沉降变形监测数据进行了预测分析,给出了预测精度评价和对比图,对GM（1,1）模型在变形预测中的应用是一次很好的实践。