隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

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.     

基于Kalman滤波的灰色模型在沉降预测中的研究

针对沉降观测数据存在各种扰动,以及GM(1,1)模型的不足,提出卡尔曼滤波GM(1,1)模型,通过卡尔曼滤波去噪后,再利用GM(1,1)模型进行预测。由实验数据可得,改进模型的后验误差比值、小误差概率以及精度等级分别为0.108 0、100%、一级,而原有的3种模型中只有3次指数平滑接近改进模型,但改进模型的后验误差比值更小;从残差看,改进模型的预测残差比原有模型都小,这表明改进模型提高了沉降预测的精度。     

非线性GM(1,1)模型在交通量数据分析中的应用

根据交通量数据变化的特点,采用非线性GM(1,1)模型对其进行预测.通过实例分析,证明NLGM(1,1)模型比传统GM(1,1)模型精度更高、误差更小,但对未来数据预测精度稍差.所以,该预测模型具有一定的应用价值.     

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。     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

优化背景值的GM(1,1)模型组合改进

针对提高模型的拟合效果.在GM(1,1)模型基础上,提出改进方案生成紧邻生成序列.利用组合预测思想,结合BP神经网络预测算法对改进后的灰色模型做进一步的优化修正,同时引用新陈代谢灰色模型理论成为BP-GM(1,1)等维新息模型.该模型充分利用了两种预测方法的优势,适当的减小了单个模型预测时的误差.数据拟合结果表明:BP-GM(1,1)模型具有更好的拟合精度,该模型应用范围更广.     

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BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

基于自适应数据的GM(1,1)模型背景值优化方法

GM(1,1)模型在不确定或有限的样本中表现出了较好的预测性能,但仍存在改进的空间.本文提出了一种基于自适应数据的背景值优化方法,数值模拟结果表明,所提出的方法能够提高GM(1,1)模型的预测精度.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

IBF神经网络电力负荷预测模型研究

运用Matlab神经网络工具箱建立了一个RBF神经网络,依据某地实际的历史电力负荷数据和天气数据作为训练样本和测试样本,进行了考虑历史天气状况因素的电力系统短期负荷的预测和仿真,预测结果平均相对误差较小,满足精度要求,并将此RBF负荷预测模型与BP神经网络建立的短期电力负荷预测模型的预测结果进行了比较,显示了在相同预测条件下,RBF神经网络相比于BP神经网络在电力系统短期负荷预测方面的优越性．     

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.     

基于L1范数的出国留学人数组合预测研究

为更准确地探究我国出国留学人数变化趋势,提出基于L1范数的组合预测模型,对出国留学人数进行预测;从多角度选取影响出国留学的因素,利用灰色关联度分析提取影响出国留学人数的典型因 子,进而构建 GM(1,3)模型;建立BP神经网络模型;提出基于L1范数组合预测模型,通过求解线性规划确定单一模型最优权系数;然后,对2006—2019年出国留学人数进行预测;选取GM(1,1)模型为对照模型,通过对照模型以及预测误差评价指标体系比较模型的预测精度,结果表明:基于L1范数的组合预测模型效果优于3个单一模型,有效地提高了预测精度,能够充分利用单一预测模型提供的信息,从而更加准确地预测出国留学人数;未来几年我国出国留学规模仍有较大的发展空间,预测结果可为全球疫情下我国留学相关工作提供参考。     

基于LM-BP和SVR的倾倒变形体变形预测

为了深入了解黄登水电站1号倾倒变形体的变形趋势,采用LM BP神经网络和SVR进行变形预测研究。基于倾倒变形体的实际变形监测资料,对位移、降雨、库水位、温度等资料进行分析,以库水位、降雨量、温度、时间作为输入参数,以位移变形作为输出参数,构建LM BP神经网络模型和SVR模型,对部分监测数据进行（先行学习）训练,对后续的监测数据进行验证预测,预测预报了研究测点的变形情况。分析结果表明,2个模型精度都比较高,LM BP神经网络模型的最大误差为2.53%,SVR模型的最大误差为4.35%,预测方法有效。     

基于灰色BP神经网络的装备保障费用预测模型

装备的保障费用是装备全寿命周期费用的重要组成部分,为了科学合理地预测武器装备的保障费用,通过分析装备保障费用的构成及其影响因素,考虑到装备保障费用数据量有限、复杂多变、非线性,用单一预测模型预测精度不高,因此建立了基于灰色系统理论和BP神经网络的组合预测模型,将灰色系统模型善于处理小样本数据和BP神经网络优于解决复杂非线性问题的优点有效地结合起来,对基于非线性时间序列的保障费用进行预测。仿真实例表明该组合模型的预测结果比传统单一模型所得到的预测结果总体误差要小,可以有效提高装备保障费用的预测精度。     

系统灰预测在货运周转量中的应用

在对重庆水运发展现状研究的基础上,建立了适合重庆水运货运周转量的系统灰预测模型,即GM(1,N)与GM(1,1)的嵌套模型,通过对实际数据的预测与比较,发现嵌套模型的预测精度明显优于普通的GM(1,1)模型。最后利用该嵌套模型对2010～2012年重庆水运的货运周转量进行了预测。     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。