基于均值滤波的灰色预测模型及其应用

在变形监测中,当用GM(1,1)模型对稳定变化的变形数据序列进行预测时,效果较好。但是,由于影响变形的因素多种多样,且处于动态变化之中,观测数据中将不可避免地存在着一些随机扰动,这些扰动使得变形曲线发生异常波动。此时仅用GM(1,1)模型进行预测,其精度和可靠性就会下降。为此,本文提出一种基于均值滤波的GM预测模型,即先用均值滤波算法对发生波动的原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。实例证明,基于均值滤波的GM预测模型可以有效地提高变形预测的精度和可靠性。     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

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。     

灰色-小波神经网络在高层建筑物沉降预测中的应用

滑动GM(1,1)模型对沉降的整体趋势有较好的预测结果,小波神经网络能够对非线性随机数据进行有效的预测,将两者结合起来能够提高预测精度。利用高层建筑物的沉降监测数据,构建GM(1,1)、滑动GM(1,1)和灰色-小波神经网络模型对高层建筑物沉降变形进行预测与分析。结果表明,灰色-小波神经网络预测效果优于滑动GM(1,1)和GM(1,1)模型且具有较高的精度。     

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.     

基于灰色预测模型的新疆丰枯水年份预测研究

本文以新疆1960年～2012年的年降水数据为研究对象,运用经典GM(1,1)模型和灰色Verhulst模型分析预测新疆降水的丰枯年份,并对建立的几个预测模型进行了残差检验和后验差检验等精度分析.结果表明,经典GM(1,1)模型和灰色Verhulst模型对新疆丰水年的预测都具有很好的预测精度,均为一级;在新疆降水枯水年份预测中,经典GM(1,1)模型的预测精度为一级,优于灰色Verhulst预测模型.从整体来看,新疆降水丰水年份的预测效果好于枯水年份的预测.     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

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.     

基于灰色残差GM（1，1）模型的建筑物沉降预测的研究

针对现代高层建筑进行沉降观测,对其未来的变形趋势进行准确地预测具有重要的意义.针对传统灰色GM(1,1)模型存在的模型精度不高的问题,提出了灰色残差GM(1,1)模型,并将其应用于对建筑物的沉降变形进行定量分析.通过与原始模型的对比分析可以发现,灰色残差模型在精度上有了显著的提高,更加适用于基础沉降的预测,具有很好的工程应用价值.     

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。     

基于灰色GM(1,1)模型的宿州市人口预测

以2001年至2013年的宿州市人口数据资料为依据,运用灰色系统理论建立GM(1,1)宿州市人口预测模型,并对该GM(1,1)预测模型进行残差检验,关联度检验和后验差检验,通过检验知模型对数据的拟合属于一级精度,模型精度较高。最后利用GM(1,1)模型对宿州市2014年至2018年的人口进行了预测,并结合宿州市人口发展的历史和现状对结果进行了分析。     

一种基于灰色模型和机理模型集成的质量预测模型及其应用

针对长流程工业过程中产品质量难以实时检测且不易实现优化控制的难题,通过对生产数据特性和质量预测要求的分析,提出了一种基于GM(1,1)灰色模型和机理模型集成的质量预测模型.首先根据过程机理知识建立了粗糙质量预测模型;然后运用灰色预测中的残差辨识理论,用机理预测模型的残差时间序列建立残差GM(1,1)模型,其预测结果补偿机理模型的预测值.验证结果表明,该质量预测模型能获得较理想的质量预测精度,其应用可使产品质量得到显著的提高.     

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.     

非线性灰色-时序组合模型在隧道变形监测中的应用研究

隧道变形监测时由于受外界因素或系统因素的干扰,所获得的观测数据往往会含有误差或粗差,必须在建模之前对观测数据进行预处理。选用格拉布斯准则对观测数据进行粗差检验,可以有效地避免粗差对模型预测精度的干扰进而提高模型的预测精度,且将灰色时序组合模型用于隧道变形监测分析预报中,并与单一的GM(1,1)模型和时间序列模型的预测精度作对比,结果表明:组合模型在隧道变形预测分析预报中有较高的精度。     

一种适用于高铁变形预测的组合模型建立方法

针对高铁变形预测中呈现原始数据受噪声影响大与长期预测不准确的问题,提出了一种基于小波去噪的自适应灰色马尔科夫(GM(1,1)-MC)组合预测模型。该模型通过引入小波去噪削弱随机扰动误差的影响,运用自适应GM(1,1)进行预测,进而基于马尔科夫修正模型进行数据修正。通过实验结果与对比分析表明,此模型能够较好地削弱测量过程中由各种因素引起的噪声的影响,实现了残差数据的部分收敛;提升了原始模型的预测精度;在预测主体的后期发展趋势上能够给予较好的预报与评估。     

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。     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

隧道围岩变形经验模态分解灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型,使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响;并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明:EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

隧道围岩变形EMD灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型, 使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响,并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明：EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

基于反余弦函数变换的优化GM(1,1)模型应用研究

研究了有关提高灰色GM(1,1)模型预测精度问题。在对原始数据序列进行标准化处理基础上,结合反余弦函数变换与灰色预测模型的新陈代谢思想建立优化GM (1,1)预测模型,并用实例验证了优化GM(1,1)模型比优化模型的单个条件能获得更高的预测精度。