基于核与灰半径序列的GM(1,N)预测模型及其在雾霾中的应用

既有的关于GM(1,N)模型的研究,都是建立在实数序列基础上,文章将对GM(1,N)模型进行拓广,深入探讨该模型在区间灰数序列情形下的建模机理和建模方法,提出了基于核与灰半径的GM(1,N)模型。将以区间灰数序列的核序列和灰半径序列为基础建立GM(1,N)预测模型,进而对区间灰数序列的核与灰半径进行模拟预测,根据核与灰半径的计算公式推导出区间灰数的上界和下界,从而实现对区间灰数序列的模拟预测。最后,将文中提出的GM(1,N)模型应用于对霾存在时的空气质量指数AQI的预测研究中,模拟预测效果较好,从而验证了该模型的有效性和可行性。     

基于均值滤波的灰色预测模型及其应用

在变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,由于影响变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使得变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于均值滤波的GM预测模型,即先用均值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于均值滤波的GM预测模型可以有效地提高变形预测的精度和可靠性。     

一种改进的动态灰色GM(1,1)模型在深基坑形变监测中的预测分析

针对传统GM(1,1)模型在处理浮动较大数据时精度不高的问题,提出了一种基于背景值优化和残差改进的动态GM(1,1)模型。利用复化Simpson3/8求积公式取代传统的算数均值计算模式,再通过原始序列的新陈代谢来实现模型的动态更新,在此基础上联立残差GM(1,1)模型,得到改进后的GM(1,1)模型。结合某地铁深基坑沉降观测数据,并对比于传统GM(1,1)模型的预测结果,发现提出的改进后GM(1,1)模型具有更高的精度和更好的适用性。     

大坝监测位移的改进灰色因果模型

大坝监测位移通常受到水压、温度、时效等因素的影响,为了考虑各因素之间相互影响和制约关系,并且能较好地反映其整体的变形规律,文章建立了灰色因果模型;同时,为提高监测位移的建模拟合精度,更好地进行位移预测,将基于Simpson公式改进的GM(1,N)模型运用到大坝位移监测中,以某大坝监测资料进行计算和比较;结果显示,改进GM(1,N)模型具有较高的拟合和预测精度。     

基于LARPBS模型的快速并行归并排序算法

提出了一种基于LARPBS模型上的并行归并排序算法,该算法使用M1 ε(0<ε<1)个处理器可以在O(lb lbM)时间内对Mε个有序序列进行归并.利用该归并算法对长度为N的序列进行排序,使用N1 ε个处理器可以在O((lb lb N)2)时间内完成.     

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。     

基于季节性灰色Fourier模型的短时交通流预测

针对短时交通流数据的周期性、非线性和随机性的特点,提出一种基于复化Simpson公式的季节性灰色Fourier模型.在季节性GM(1, 1)模型的基础上,首先利用复化Simpson公式对背景值进行优化,然后用Fourier级数方法修正预测结果.将新模型应用于加拿大Whitemud Drive高速公路的交通流预测,数值计算结果表明:新模型的预测平均绝对值百分比误差为1.54%、拟合度为0.996 0,均优于传统的GM(1, 1)模型、季节性GM(1,1)模型和Fourier优化的季节性GM(1, 1)模型.     

一种优化组合的GM(1,N)模型

针对GM(1,N)模型在模拟与预测方面的不足,提出了GM(1,N)模型的一种优化组合方式.第一步是在原GM(1,N)模型灰微分方程上添加一个扰动因素,然后利用优化的背景值确定相应的新参数;第二步利用“最小二乘法”得到模型白化方程近似解中新的初始条件,进而得到一种新的GM(1,N)模型的模拟表达式实例验证表明,新GM(1,N)模型的适用范围明显拓宽,而且模拟和预测精度均大大提高.     

优化灰色GM(1,N)-加权Markov模型在道路交通噪声预测中的精度研究

通过对北京市2007年至2016年城市道路交通噪声及相关影响因素数据分析,以GM(1,N)模型为基础,建立了优化灰色-加权Markov模型,为有效控制交通噪声污染提供理论依据和决策意见。首先,利用平滑公式对原始数据进行预处理,用数值积分中的Simpson公式改变背景值来提高传统多因素GM(1,N)模型精度。其次,用加权Markov模型对得到的模拟值中的异常值进行了修正,将其应用到城市交通噪声的预测上,实证计算表明优化灰色GM(1,N)模型的模拟值与实际值拟合效果很好,比传统的GM(1,N)模型精度有较大提高。最后,用该模型对北京市2017年和2018年城市交通噪声进行预测,基本符合噪声数据实际变化趋势。     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新 GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统 GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。
     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。     

基于BP神经网络改进的GM（1,N）模型在经济预测中的应用——以河南省经济为例

论文就修正GM（1,N）预测模型的误差,提出了新方法。使用BP神经网络对预测模型的残差进行预测,得到的残差预测值对所建模型的预测值进行残差修正,以减少因子变量预测误差对行为变量预测的影响。实践表明这些改进模型可以有效地提高GM（1,N）模型的预测精度。     

基于短时灰预测的像素预测模型

提出了一种采用GM(1,1)模型预测目标特征变化的新方法。该方法通过对目标区域进行分块,计算块区域像素和,同时利用短时时间序列对像素和序列进行累加处理生成新序列,通过GM(1,1)模型得到目标的预测模型。GM(1,1)像素预测模型方法对目标具有较强的预判能力,对短时特征变化具有较好的预测能力。跟踪算法能很好地将特征变化与预测结合到一起,利用该方法进行跟踪测试,对比当前传统跟踪算法其跟踪性能有显著提高。     

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

影响装备性能的电磁环境因素GM(1,n)模型定量分析

为了对战场电磁环境影响因素进行定量分析并排序,针对小样本试验数据,提出基于GM(1,n)模型综合装备性能及其电磁环境影响因素进行建模,介绍了实现算法.为了提高GM(1,n)模型的建模精度,建立了基于背景值加权处理的GM(1,n)优化模型与算法;对某电子侦察装备的侦察概率与3个相关电磁环境影响因素的GM(1,4)建模进行了验证.结果表明,文中所提模型和算法合理有效,能定量分析电磁环境影响因素对装备侦察概率的影响主次关系.     

灰色模型GM(1,1)背景值的一种改进方法

分析了灰色GM(1,1)模型的理论缺陷,提出了对背景值的一种改进方法,建立了GM(1,1,λ)模型,数据模拟结果表明,GM(1,1,λ)模型的模拟精度高于GM(1,1)模型,既适合低增长指数序列建模,也适合高增长指数序列建模.     

基于改进新陈代谢GM(1,1)模型对钢管混凝土拱桥涂膜腐蚀预测

目的提出改进新陈代谢GM(1,1)模型,提高预测钢结构使用寿命的精度.方法在全序列的基础上,置入一个由传统GM(1,1)模型得到新数据,去除一个旧的数据,建立既保证了原来的维数,而又不影响整个信息发展趋势的改进新陈代谢GM(1,1)模型.利用改进新陈代谢GM(1,1)模型对已经用传统GM(1,1)模型预测钢管混凝土拱桥涂膜腐蚀的实际工况进行重新预测,验证所提出的改进新陈代谢GM(1,1)模型在涂膜腐蚀预测中应用的可行性、有效性及预测所提高的精度.结果改进新陈代谢GM(1,1)模型的均值方差比值C为0.132 9,比传统GM(1,1)模型的均值方差比值C的值0.172 1小,改进新陈代谢GM(1,1)模型的精度比传统GM(1,1)模型的预测效果好;改进新陈代谢GM(1,1)模型的平均相对误差为3.20%,传统GM(1,1)为4.01%,提高了预测精度.结论改进新陈代谢GM(1,1)模型既保证了传统GM(1,1)模型的维数,而又不影响整个信息的发展趋势,改进新陈代谢GM(1,1)模型更合理,适用于中长期预测.     

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。     

基于改进直接灰色模型的泵车摆缸泄漏预测

提出一种基于参数和时间响应序列的改进直接灰色模型IDGM(1,1),对泵车摆缸泄漏的趋势进行预测分析,并与传统灰色模型GM(1,1)和直接灰色模型DGM(1,1)的预测结果进行比较。结果表明,该方法可以准确地预测摆缸泄漏故障的劣化趋势,其预测精度明显优于传统灰色模型GM(1,1)和直接灰色模型DGM(1,1)的预测精度,可为摆缸泄漏故障的主动维护提供重要理论依据。     

基于n阶灰色补偿因子的装备维修保障费用预测模型

为了全面提高装备维修保障费用的合理使用度,对装备维修保障费用组成进行了分析,构建了装备维修保障费用结构模型;对装备维修保障数据进行了累加生成,将x轴向下平移处理以选择合适的预测模型;为了提高普通GM(1,1)模型的预测精度,提出了一种基于n阶补偿因子的GM(1,1)预测模型,并给出寻优算法以求补偿过程中的最优值,同时通过该算法弱化了"过补偿"现象.通过试验比较了普通GM(1,1)模型和BP神经网络模型.结果表明,所提出算法和模型相对于其他预测算法具有较高的可靠性和一致性.