一种风速预测方法的探讨

风速预测对提高电网的稳定性及降低运行成本具有重要意义,但风速具有较大的波动性,导致预测精度不高．针对这种情况,利用灰色系统理论GM（1,1）模型的基本原理,依据某风电场实测数据,建立了风速预测的物理模型,对该风电场的风速进行了提前一小时预测．实验表明,其预测平均绝对百分比误差为13％,这说明基于灰色理论的风速预测模型是有效的,     

共享单车需求预测及调度优化

为了更加准确地预测共享单车的需求量,制定合理的调度优化方案。针对共享单车骑行数据的周期性、非线性和随机性的特点,提出了季节性灰色Markov模型来预测共享单车需求量。在此基础上,根据双层规划模型结果来制定调度优化方案。在季节性灰色Markov模型中,首先将原始数据带入季节性GM(1,1)模型得到预测结果,然后用Markov模型对预测的残差进行修正,得到最终的预测值。在双层规划模型中,上层目标为运营商的调度成本,下层目标为调度中心的调度时间,双层规划模型用GUROBI求解器求解。最后将两种模型应用于纽约市17个Citi Bike共享单车站点的算例分析。数值计算结果表明：季节性灰色Markov模型在17个站点从周一到周五的需求量预测的平均绝对百分比误差(mean absolute percentage error,MAPE)为10.68%,预测精度较高。利用双层规划模型制定的调度优化方案能确定调度中心数量、位置,调度范围和调度路径,可以在满足用户需求的同时使调度成本和调度时间最优。研究提出的需求预测模型和调度优化方案可以为共享单车运营部门和交通管理部门提供有效的参考。     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

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。     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征,通过建立最优控制模型,实现GM（1,1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例,对影响措施增油量的因素进行识别,建立了最优控制灰色神经网络模型对老井措施年增油量进行预测,相比多项式回归预测、GM（1,1）预测及BP神经网络预测方法,新模型模拟效果更好,预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量,为准确预测措施增油效果,指导油田开发决策提供了新的思路。     

内变量参数辨识的灰色电价预测模型

为了改善传统的电价预测灰色模型GM(1,1)的预测精度,提出一种内变量参数辨识的电价预测模型--PSOGM(1,1)模型.首先采用灰色微分方程建立模型内变量(发展系数、灰作用量、背景值权重系数、边值)与预测值之间的非线性内涵表达式,然后采用粒子群算法(PSO)对内变量参数进行辨识,得到问题的最优解,建立PSOGM(1,1)模型.与GM(1,1)模型相比较,PSOGM(1,1)模型具有较快的收敛速度和更好的预测精度.对北欧NORDPOOL电力市场历史电价数据的分析实验表明,PSOGM(1,1)模型的短期电价平均预测精度为94%,较已有的几种典型改进GM(1,1)模型预测精度提高了1%～3%.     

基于灰色-模糊马尔可夫链模型的滑坡变形预测

滑坡演变表现出力学参数及力学现象具有明显的不确定性和随机性,使得滑坡位移变形分析成为工程技术难题之一．在传统的灰色GM（1,1）模型基础上,对误差修正方面运用模糊数学思维,采用GM（1,1）-Fuzzy—Markov模型对相对误差进行二次预测．在对云阳凉水井滑坡变形监测成果的分析中,上述模型在一定程度上避免了单-GM（1,1）理论无法预测波动性的局限,实现了较好的预测,整体精度进一步得到提高,证明了该模型在滑坡变形预测方面的可行性与适用性,为滑坡变形预测问题的解决提供了有益的思考与探索．     

基于自相关理论的GM(1,1)和GM(1,N)联合预测

通过引入自相关分析，将GM（1，1）与GM（1，N）两者的优点有机结合，运用GM（1，1）预测模型所需的数据量，达到GM（1，N）预测模型所具有的预测精度，减少灰色模型的预测误差。     

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。