基于分数阶季节性灰色模型的交通流预测

基于城市道路短时交通流数据的季节性特征和灰色建模的新信息优先原则,提出了一类新的分数阶季节性GM(1,1)预测模型.在GM(1,1)模型的基础上,首先,利用分数阶截断累加生成算子弱化了数据的季节波动性和随机性特征;然后采用粒子群优化算法寻求最佳阶数;最后,将新模型应用于江苏省南通市区的一主干道路进行模拟仿真.数值计算结...     

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。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

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.     

基于扰动因子GM(1,N)模型优化算法及其应用

基于Simpson公式的GM(1,N)建模的算法不能更改参数的缺点,提出了基于扰动因子改进Simpson GM(1,N)模型。通过扰动因子变化影响参数值,以达到特征因素的最优预测值。依据平均相对误差指标对一些时间序列数据进行了不同模型的实证分析和比较,得到本算法的拟合精度比原有算法有明显的改进,从而验证了该算法对一些时间序列的有效性。所提出的新算法是GM(1,N)模型进行预测时值得尝试的一个方法,对GM(1,N)预测模型的合理应用具有一定的现实意义。     

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。
     

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.     

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。     

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。     

基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

基于随机波动条件的公交客运量预测模型

针对传统的灰色GM（1,1）预测模型在预测公交客运量中存在误差过大的问题,结合公交客运量随机波动的显著特征,通过对残差序列进行再处理,构造新的数据序列,构建GM（1,1）改进预测模型对公交客运量进行预测,并应用于某城市的2条公交线路客运量预测。结果表明：随机波动条件下的GM（1,1）改进预测模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模后预测的公交客运量的平均相对误差分别为4.9%和5.3%,明显优于传统GM（1,1）模型预测的公交客运量的平均相对误差7.5%和7.45%;相对误差最大值分别降低了4.68%和2.99%。     

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%。     

灰色系统理论在无检测器交叉口交通流量预测中的应用

为解决一般预测方法要求原始数据量较大，而无检测器交叉口所能获得的交通流量数据又非常有限的矛盾，提出了利用灰色系统理论预测无检测交叉口交通流通的方法，并建立了一种新的自适应GM（1，1）模型，利用编制的计算机程序对常熟市无检测器交叉口交通流量进行预测计算分析，结果表明自适应GM（1，1）模型可以根据有限的交通流量数据进行预测，且预测精度较之全数据GM（1，1）模型有显著提高，实践证明，该方法是有效的。     

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。     

数控机床热误差变参数GM(1,1)的建模

为提高数控机床的加工精度,减少热误差对零件加工质量的影响,对热误差变参数灰色GM(1,1)在线预测模型进行研究.变参数灰色GM(1,1)在线预测模型能直接运用热误差时间序列值进行单序列建模,并给出模型参数的逐步迭代公式,根据不断输入的新数据,变参数模型能利用迭代公式,及时修正模型参数.以某精密卧式加工中心为研究对象,对所提出的变参数灰色GM(1,1)模型进行应用验证,并与传统的,1)模型和新陈代谢GM(1,1)模型进行对比研究.对比分析的结果表明:变参数灰色GM(1,1)模型很好地解决了传统的GM(1,1)模型难以预测大样本数据和非线性变化趋势的问题,且比新陈代谢GM(1,1)模型建模运算量小、求解时间短.变参数灰色GM(1,1)模型的预测值与实验结果对比表明,该模型预测精度高、通用性好,适用于机床热误差建模预测,进而提高机床的加工精度.     

基于区间逐次分半的连续傅里叶变换计算

离散时间傅里叶变换是连续傅里叶变换的周期性延拓,离散时间傅里叶变换实质上是复化矩形数值积分计算连续Fourier变换,计算的误差较大.本文提出区间逐次分半计算连续傅里叶变换,在误差允许范围内可有效的提高精度.     

灰色推陈出新GM(1,1)模型在城市道路交通噪声预测中的应用

以郑州1995～2000年城市道路交通噪声监测的数据,运用灰色系统理论,建立了常规GM(1,1)和推陈出新GM(1,1)预测模型。经用四种不同方法对两种模型的精度进行检验,结果表明,推陈出新GM(1,1)模型优于常规GM(1,1)模型,其精度更高,不失为预测城市道路交通噪声的一种好方法。应用该模型,对郑州城市道路交通噪声未来4年进行预测,其结果符合郑州城市的实际情况。     

基于模糊回归理论的GM(1,1)模型优化

文章将传统的GM(1,1)模型与模糊回归模型相结合,得到了基于模糊回归理论的GM(1,1)优化模型,保留了传统GM(1,1)模型的所需建模数据少和具有预测功能的优点;利用定义的三角模糊数的左、中、右距离公式,得到了基于模糊回归理论的GM(1,1)优化模型的求解方法.