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%。     

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。     

基于灰色傅里叶残差修正的上证指数30日均价预测

在残差灰色预测GM(1,1)模型的基础上,运用傅里叶变换对预测残差进行修正。用该修正模型预测上证A股大盘指数的30日均价。实证分析,传统灰色GM(1,1)模型预测的平均相对误差为0.086 3%,灰色傅里叶FEGM(1,1)残差修正模型预测的平均相对误差为0.037 3%,平均相对误差降低了0.05%,提高了预测精度。因此,在上证指数均价预测方面具有一定的可行性。     

基于灰色模型及其改进模型的土石坝沉降预测

考虑到土石坝沉降变形因素的复杂性以及GM （1,1）灰色模型基于贫信息数据所表现出来的优势,由大坝实测数据拟合构造GM （1,1）模型。为了进一步提高大坝沉降变形的预测精度,对原始GM （1,1）模型分别进行了考虑不同数据对预测结果有不同影响的加权改进和利用指数函数变换来提高原始数据光滑度的改进。实例应用表明,加权改进的GM （1,1）模型和函数变换改进的GM （1,1）模型的预测精度均优于原始GM （1,1）模型。     

GM(1,1)模型改进算法及其应用研究

原始序列规律、一次累加生成序列光滑度及其初始值是影响GM（1,1）模型预测精度的主要原因.为了获得较高的预测精度,在原有改善序列光滑度方法的基础上,给出一种基于加权和最小平均相对误差的灰色改进算法.该改进算法不但能够提高拟合及预测精度,而且拓展了传统GM（1,1）预测模型的适用范围.将传统方法与改进算法应用于实际设备故障诊断和寿命预测,结果表明,改进算法对于机械设备的预知维修具有较好的参考价值.     

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%。     

一种基于灰色模型的数据预测优化算法

近些年来,灰色模型GM(1,1)被大量应用于小样本或穷信息的预测,操作与实现步骤简单,预测精度较高.为了进一步提高GM(1,1)的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变通常把灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GAGM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.通过算法的数值实验,结果表明优化算法的预测精度高于传统的GM(1,1)算法及多个基于GM(1,1)的改进算法.     

船舶航行GPS定位轨迹的新预测模型

为了提高海上船舶航行轨迹的预测精度,根据船舶航行的GPS定位轨迹特征,构建一套适用于航行轨迹预测优化算法模型,研究内容包括轨迹数值预处理、预测计算、结果精度分析3个部分.运用离散小波变换对船舶航行轨迹数值的分辨预处理,在灰色预测GM（1,1）算法的基础上,运用非线性规划方法动态调整GM（1,1）算法均质生成数列中的发展系数,构建基于时间序列的数值预测优化算法,最后通过算法模型的实验比较和应用测试.结果表明,本预测模型计算结果精确度高,优于多个其它预测算法或模型.     

基于Newton-Cotes求积公式的GM(1,1)模型优化研究

通过GM(1,1)模型构建过程发现,背景值的构造方式是影响模型预测精度的主要因素之一。为了提高GM(1,1)模型的预测精度,从背景值的几何意义出发,依据数据序列生成指数规律建立灰色动态序列预测模型,结合数值积分理论中的三、四阶Newton-Cotes求积公式提出两种背景值改进方法。与此同时,就发展系数不同取值以及不同预测步数两种情形分析了改进方法的适用范围。实例结果表明,两种改进背景值后的GM(1,1)模型对预测精度有着显著提高,并且扩展了GM(1,1)模型的适用性。     

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。     

基于最小二乘法的GM(1,1)模型在人口预测中的应用

作者先对问题进行分析,在明白要采取灰色系统理论来处理该问题原因的前提下,运用普通的GM(1,1)模型的知识,通过优化GM(1,1)模型(下称模型一)、新陈代谢GM(1,1)模型(下称模型二),鉴于此,采用最小二乘法对模型一和模型二预测出的两组数据,以及实际数据进行拟合,得到了关于模型一,模型二的两个系数,然后用这样的两个系数,重新组合模型一,模型二,得到了第三个模型,即基于最小二乘法的GM(1,1)模型(下称模型三),再一次的进行预测。三个模型的预测数据进行比较,显然是模型三的误差最小,认为模型三最符合实际。并以基于最小二乘法的GM(1,1)模型的预测数据作为最终的结果。     

动态调整GM(1,1)发展系数的预测优化算法

在灰色预测GM(1,1)算法的基础上,针对小样本、穷信息、不确定性和以时间为序列的特征数据,运用限定条件下的随机非线性规划方法、动态调整GM(1,1)算法均质生成数列中的发展系数,构建一套优化预测模型,藉此提高算法的数据预测精度.结果表明:优化算法的预测结果精确度高,在数据预测方面,优于传统的GM(1,1)算法.     

基于小样本的非等距加速应力试验寿命预测方法

对非等距灰色GM(1,1)模型作进一步的改进,给出了一种新的非等距GM(1,1)模型.该模型与传统的非等距模型生成方式不同,在数据生成处理时,不是直接利用原始数据进行建模预测,而是通过对原始数据取对数变换,作降幅平滑处理,然后再对背景值加权处理.背景值加权的权重不是传统的绝对距离,而是相对距离,可以有效地避免改变原始数据列的性质.实例表明,对于非等距加速应力试验寿命预测,改进后的模型与Arrhenius模型及传统的非等距GM(1,1)模型相比,具有更好的建模精度和较强的适应性.     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

基于灰色理论预测再生混凝土的抗冻性寿命

运用灰色理论建立了在冻融循环条件下再生混凝土的动弹性模量GM(1,1)预测模型。根据已有的试验数据,基于GM(1,1)预测模型,预测其他冻融次数下再生混凝土的动弹性模量。再根据模型预测数据,预测实际自然情况下再生混凝土的抗冻性寿命。计算分析表明,GM(1,1)的抗冻性模型的方差比C均小于0.35,小误差概率p均大于0.95。根据试验数据推导出的预测模型精度高,可用于再生混凝土抗冻性能的动弹性模量预测和分析。当再生骨料掺量为60%时,再生混凝土的抗冻性能达到最佳。从宜昌地区来看,其抗冻使用寿命可达183年。     

基于井间动态连通性模型的注采参数优化方法

水驱油田开发过程中,由于储层非均质性以及注采参数与井网不匹配,造成优势通道发育,注入水低效无效循环严重.为了对注采井间各方向优势通道进行定量描述,基于物质平衡理论与叠加原理,在考虑井底流压变化的基础上,建立了油藏井间动态连通性反演模型——阻容模型,并运用人工蜂群算法进行求解,通过模型求解得到了不同注采井间的连通系数,经验证该系数合理表征了油藏井间动态连通程度.针对优势通道发育造成注水井在各注采方向上水驱不均衡、剩余油饱和度分布差异较大的问题,基于最优化理论,以当前各生产井含水率条件下生产井总产油量最大为目标函数,结合油水井动态生产数据,建立一种基于井间动态连通性模型的注采参数优化方法,并利用优化算法对该模型进行求解.实例应用表明:利用本文方法优化注采参数后,含水率得到明显控制,注入水驱替效率明显提高,并且本文方法仅需要油水井的动态生产资料,简单实用,对矿场具有较高的应用价值.     

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。