基于无偏灰色GM(1,1)模型的城市用水量预测

针对城市用水量预测工作中常存在城市用水量原始数据样本量较小、信息不充分的问题,充分利用无偏灰色GM(1,1)模型的少数据建模,短期预测精度高,消除了灰色GM(1,1)模型预测所固有的偏差的优点,建立无偏灰色GM(1,1)城市用水量预测模型,并应用于实际城市用水量预测中。与常用的处理此类问题的灰色GM(1,1)模型比较,算例结果表明所建模型有效可行,提高了预测精度。     

无偏灰色RBF神经网络组合模型在药品销售预测中的应用

针对药品销售的非线性和随机性;单一预测模型不能全面反映药品销售变化规律等缺陷;提出了一种无偏灰色GM(1,1)RBF神经网络组合预测模型.组合模型兼顾无偏灰色GM(1,1)模型和RBF神经网络模型的优点;并运用该模型对某种降压药销售进行仿真实验;结果表明;相对于单一预测模型;组合预测模型更加科学、可靠;更能准确描述药品销售的变化规律;提高了药品销售的预测精度;在药品销售预测中具有一定的实用价值.     

基于灰色人工神经网络组合模型的交通量预测

针对公路远景交通量预测工作中常存在交通量原始数据呈随机性、非线性变化的特点,同时学习样本量较小、信息不充分的问题,充分利用贝叶斯正则化神经网络非线性逼近,良好的泛化能力和无偏GM(1,1)模型的少数据建模,弱化原始数据随机性并增强规律性,消除了传统GM(1,1)模型预测所固有的偏差的优点,建立无偏GM(1,1)-贝叶斯正则化神经网络交通量组合预测模型,并应用于实际交通量预测中.与传统BP预测模型比较,算例结果表明所建模型有效可行,提高了预测精度.     

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.     

城市用水量的非线性灰色预测

运用灰色系统原理,本文提出了城市用水量非线性灰色预测模型GM(1,1;(×)_α,相比线性模型GMO(1,1)而言,它具有适用性广,拟合精度高等优点。实例验证了该模型用于城市用水量预测的可行性及有效性。     

一种适用于灰色预测控制的无偏直接GM(1,1)模型

GM(1,1)模型是灰色预测控制器的重要组成部分,它是有偏差的模型.提出了一个无偏差的模型一无偏直接GM(1,1)模型,结合具体数据将无偏直接GM(1,1)模型和GM(1,1)模型进行了比较,结果表明无偏直接GM(1,1)模型优于GM(1,1)模型.将无偏直接GM(1,1)模型替代GM(1,1)模型应用于灰色预测控制中可望得到较好结果.     

基于改进的灰色GM(1,1)模型能源消耗预测

在灰色GM(1,1)预测模型基础上,对GM(1,1)模型存在的建模偏差进行修正,使修正后的模型符合数据规律,提高预测精度.结合新陈代谢理论,建立基于新陈代谢的无偏GM(1,1)模型.该模型利用数据的新旧更替,能在不断补充新信息的同时,及时地去掉老信息,避免随着信息的增加,较旧的数据对模型的信息显著性下降的弊端.通过实证,该模型的预测精度优于GM(1,1)模型、无偏GM(1,1)模型以及新陈代谢GM(1,1)模型.     

基于灰色-马尔可夫模型的国内游客总数预测

结合灰色模型在小样本下预测精度较高的优点和马尔可夫模型对随机波动数据处理结果较好的优点,以2004—2015年国内游客总数构建传统灰色GM(1,1)模型、无偏灰色GM(1,1)模型、灰色马尔可夫模型和无偏灰色马尔可夫模型,并对比2016—2018年国内游客总数的预测值与实际值.结果表明,灰色马尔可夫模型和无偏灰色马尔可夫模型相比于传统灰色GM(1,1)模型和无偏灰色GM(1,1)模型的平均相对误差分别提高了2.36个百分点和2.33个百分点,灰色模型结合马尔可夫模型后能够解决对随机波动数据的预测偏差,有效提高预测精度.     

基于优化的无偏灰色模型的铝价格行情预测

为了对铝价格行情进行科学的预测,构建优化的无偏灰色模型模拟其变化趋势.首先建立无偏灰色预测模型,并推导出它的求解公式;再对其背景参数进行优化;然后根据2010年10月至2011年6月上海现货铝价格数据,采用优化的无偏灰色模型进行模拟预测,最后将其预测结果与传统的GM(1,1)模型和无偏灰色模型进行误差比较分析.结果表明优化的无偏灰色模型消除了传统GM(1,1)模型本身固有的偏差,模拟和预测的精度较高,分析结果可靠.预测数据说明我国铝现货价格整体上呈上升趋势,与我国经济建设对铝的需求持续增长的现状相符.     

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.