改进的GM（1，1）模型在人口总量预测中的应用

应用一种新的动态GM（1,1）增量模型对中国未来人口总量进行了动态预测．实例表明,该模型具有较高的预测精度,结果符合实际．     

基于灰色马尔可夫模型的水上交通事故预测

在灰色GM（1,1）预测模型的基础上,运用马尔可夫模型对预测结果进行优化,并将由此建立的灰色马尔可夫模型运用于1979～1998年全国水上交通事故数据来预测1999年事故量．结果表明,这种模型的预测精度高达89％,明显优于单独使用GM（1,1）模型的预测结果．     

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。     

实时交通量的灰色马尔柯夫预测方法

灰色预测适合于原始数据序列按指数规律变化的问题,而马尔柯夫适用于预测随机波动大的动态过程．有机地结合两者构成灰色马尔柯夫预测方法,可发挥两者的优势,从而提高预测精度．该方法首先用GM（1,1）模型进行预测,而后对相对误差序列进行马尔柯夫预测,最后用该预测值修正GM（1,1）的预测结果,因而具有较高的预测精度．使用灰色马尔柯夫预测方法对苏州某交叉口实时交通量进行预测,预测结果优于单一灰色GM（1,1）预测．实验表明,灰色马尔柯夫预测方法用于交通量预测是有效可行的．     

基于GM(1,1)-Markov模型的我国人口城市化水平预测

结合灰色GM(1,1)模型和马尔可夫链理论的优点,建立耦合的GM(1,1)-Markov预测模型。实例预测2009年—2015年我国人口城市化水平,其结果证明GM(1,1)-Markov模型预测精度较高,具有较强的科学性和实用性。     

GM(1,1)模型灰色预测法预测城市人口规模

以1992-2001年呼和浩特市人口数据资料为依据,应用灰色系统理论构建GM(1,1)人口预测模型,统计检验和误差分析表明,模型精度较高．用该模型预测了呼和浩特市2005-2009年城市人口规模,并对预测结果进行了分析．     

基于改进蜂群算法和灰色模型的管道腐蚀预测

为了解决缺少大量数据样本情况下油气管道剩余寿命预测问题,采用GM（1,1）模型预测管道腐蚀趋势。考虑到GM（1,1）模型自身存在的缺陷,采用指数变换预处理原始数据和动态生成系数重构背景值两种方法改进GM（1,1）模型的建模过程,并运用改进的蜂群算法（IABC）求解全局最优动态生成系数,进而建立改进的蜂群算法优化的指数变换灰色模型（IABC-EGM（1,1））。利用弯头测厚数据进行验证分析,GM（1,1）模型的平均相对误差为4.92%,IABC-EGM（1,1）模型的平均相对误差为2.28%,表明模型的预测精度得到了提高。     

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。     

GM(1,1)模型和Verhulst模型在人口预测中的应用

为提高我国人口预测模型的预测精度,分析了GM(1,1)和Verhulst预测模型的特点,并分别利用GM(1,1)和Verhulst模型对我国人口的变化情况进行了预测,发现灰色Verhulst模型有更高的预测精度和可靠性,更适合于我国人口的预测.     

灰色GM（1,1）模型和Verhulst模型在青岛市海水养殖产量预测中的应用

灰色预测是建立从过去引申到将来的灰色预测模型（Grey Prediction Model）,从而确定所研究系统未来发展变化的趋势,为决策者提供科学依据。以青岛市1998-2007年海水养殖产量统计数据为基础,分别利用灰色GM（1,1）模型和Verhulst模型对该市传统海水养殖产量变化作预测。预测结果表明,GM（1,1）模型和Verhulst模型都显示了青岛市海水养殖产量在未来5年呈逐年递增的趋势。但通过对GM（1,1）模型和Verhulst模型的模拟精度验证和模拟预测结果的比较,发现灰色Verhulst模型预测精度较高,Verhulst模型更适合对该市未来几年的海水养殖产量进行预测。该研究结果可为青岛市合理保护和利用海水养殖资源、制定海水养殖规划提供参考依据。     

中长期电力负荷预测的几种灰色预测模型的比较及应用

对传统GM（1,1）模型,基于积分优化法的GM（1,1）模型,具有白指数律重合性的GM（1,1）模型,基于响应不变法的GM（1,1）模型,基于严格微分拟合法的GM（1,1）模型进行了详细分析比较．针对电力系统中长期负荷增长的特点,分析比较了以上5种模型的特点及其适用范围,为电力系统工作人员在年用电量预测中选择合适的灰色预测模型提供参考依据．     

平顶山市“十二五”规划期间人口发展预测

根据最新人口统计资料,分别建立长、中、短不同维度的GM（11,）模型、增量GM（11,）模型和灰色Verhulst模型,对2005-2009年平顶山市人口总量进行检验性预测,通过对比分析,发现短维度GM（1,1）模型的预测效果要好于其他模型.最后,在充分采纳新信息的基础上建立5维GM（1,1）模型,对十二五期间平顶山市...     

基于灰色系统理论的重庆市煤炭消费需求预测

根据灰色系统理论,以1995—2002年重庆市煤炭消费量作为基础数据,建立了2个灰色预测模型．应用灰色预测GM（1,1）模型预测了重庆市2005—2011年煤炭消费量,并分析了预测的结果．结果表明,该预测具有较好的精度,结果是可信的．     

汨罗市城市路基沉降的GM（2，1）模型预测

针对汨罗地裂缝沉降观测资料,运用灰色理论建立地面沉降的GM（2,1）模型,其中非等时距位移序列采用拉格朗日插值函数转变为等时距序列。为了减少对外界因素干扰的敏感性,方便求解,采用非等时距GM（2,1）和GM（1,1）模型对西安市地面沉降现测点进行安全预测。预测结果和实际吻合较好。本文提出的GM（2,1）地面沉降变形预测模型,计算简单,与原始数据的升降凹凸性保持一致。非等时距GM（2,1）模型预测地面沉降精度总体较GM（1,1）模型高,较好的反映了地面沉降的变形趋势,具有很好的实用价值。     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

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．     

基于等维灰数递补动态模型的人口老龄化趋势预测

运用灰色系统中的等维灰数递补动态模型,根据人口普查中得到的老年人口占总人口的比例等数据建立了动态GM（1,1）模型.对今后几年老年人口占总人口的比率进行灰色预测,并对预测精度进行验证,结果显示拟和程度较高.     

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。     

基于灰色模型GM(1,1)的海岸线变化趋势预测——以辽河口三角洲地区为例

将灰色模型GM（1,1）用于海岸线变化预测,在分析灰色系统理论的原理与方法,探讨灰色模型在海岸线变化趋势预测的可能性的基础上,以多时相Landsat遥感影像为数据源进行海岸线提取,设置原点和若干侧线,建立GM（1,1）模型的原始序列并进行模型计算,得到若干预测点和预测海岸线．最后通过残差检验和交叉检验的方式对预测结果进行了验证．结果表明：利用灰色GM（1,1）模型进行海岸线预测是合理可靠的,并且在辽宁省国土资源规划地理信息系统中得到应用和推广．     

一种带有调节因子的背景值构造方法及在灰色系统建模中的应用

针对传统灰色GM（1,1）模型和已有的若干改进GM（1,1）模型在高增长指数序列建模时模型精度较低的问题,构造了一种带有调节因子λ的新背景值公式,提出了调节因子λ的优化方法,并应用于灰色系统建模中.大量的数字仿真表明：基于调节因子λ建立的新GM（1,1）模型,即使是在发展系数较高、且用于多步预测时精度仍然保持较高,它较传统GM（1,1）模型和已有的改进GM（1,1）Ⅰ,Ⅱ型均有显著地提高.