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。     

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。     

灰色无偏GM(1,1)模型在生活能源电力消费量预测中的应用

利用2000-2005年全国生活能源电力消费量统计数据,建立了一个电力消费量预测的灰色无偏GM(1,1)模型.模拟结果表明:灰色无偏GM(1,1)模型比较合理地反应了生活能源中电力的消费趋势,并且预测精度较高、误差较小,为电力消费量预测提供了一个科学而有效的方法.     

灰色-马尔科夫模型在桥梁运营状况预测中的应用

为了找到一种能够精确有效地预测桥梁运营状况的方法,提出一种基于灰色GM(1,1)理论模型并用马尔科夫链修正的灰色-马尔科夫预测模型.结合河北省某地区的159座桥梁数据对该方法进行应用检验,结果表明:灰色-马尔科夫模型预测数据的平均相对误差为-0.11%,相比灰色GM(1,1)理论模型预测数据的平均相对误差-0.34%,在精度上有了明显的提高,而且灰色-马尔科夫模型预测出的数据更加稳定.利用马尔科夫链优化过的灰色GM(1,1)理论模型预测出2017年至2019年该地区一类桥的数量分别为49座、39座以及34座.由此可知灰色-马尔科夫模型在已知的桥梁定期检查数据基础上可以提供较为精确的预测,相较于灰色GM(1,1)预测模型,该方法具有更高的精度和稳定性.     

灰色马尔科夫模型在我国病毒性肝炎发病率预测中的应用研究

为科学、准确的预测我国病毒性肝炎的发病趋势，利用灰色马尔科夫模型对我国2000-2016年病毒性肝炎发病率进行拟合，对2017-2019年发病率数据进行预测，并与灰色GM(1,1)预测模型比较以检验模型拟合与预测效果.结果表明，2000-2016年我国病毒性肝炎发病率的灰色马尔科夫模型拟合的平均相对误差为3.06%,灰色GM(1,1)模型拟合的平均相对误差为11.96%;2017-2019年灰色马尔科夫模型预测的平均相对误差为2.05%,灰色GM(1,1)模型预测的平均相对误差为13.47%.灰色马尔科夫模型比灰色预测模型的预测结果更准确，模型精度更优，是我国病毒性肝炎发病率预测效果较为科学、准确的预测模型.     

利用马尔科夫和灰色模型预测高校师资队伍

状态转移矩阵是马尔科夫预测的关键。本文通过多元回归理论,建立多目标规划模型求解马尔科夫状态转移矩阵;借助灰色预测GM(1,1)模型来改进马尔科夫模型状态转移容易局限于内部等缺陷;将该模型运用于某高校师资队伍预测,为优化高校师资队伍结构提供一种有效的方法。     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于粒子群优化算法的灰色模型在电力负荷预测中的应用

传统的灰色预测模型GM(1,1)在预测增长速度较快的电力负荷变化时,预测精度会大幅下降。针对GM(1,1)的这一局限性,本文引入了粒子群优化算法与传统的GM(1,1)相结合来求解灰色模型中的参数。通过对三组不同电力负荷的实例仿真,证明该模型在预测增长速度较快的电力负荷时具有较高的预测精度。     

灰色马尔科夫链的宁德旅游总收入预测模型优化研究

针对传统灰色GM(1,1)预测模型预测随机波动数据的局限性,采用残差修正方法优化GM(1,1)预测模型,并通过马尔科夫链对优化的模型进一步改进,建立了一种优化的灰色马尔科夫链的预测模型。优化模型可以有效提升预测的准确性和稳定性,通过预测宁德市旅游总收入的实例验证新模型的有效性,拓展了灰色预测模型的应用范围,为宁德市旅游事业发展的决策支持提供了一种新方法。     

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.     

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。     

灰色-马尔科夫链在年降水量预测中的应用

首先用三点滑动法优化原始数据,并在此基础上建立了灰色-马尔科夫链预测模型,然后利用湖北省恩施市1985年至2002年的年降水量历史资料,分别用此模型、无偏GM(1,1)及滑动无偏GM(1,1)模型预测了该市2003年至2008年的年降水量.结果表明;新模型预测精度明显提高,该模型应用于年降水量预测切实可行.最后,还结合预测数据给恩施市提供了政策建议.     

基于人工智能的动态马尔科夫模型预测空气质量指数

采用人工智能算法对北京市空气质量指数199个数据序列进行拟合得到拟合值序列和预测值,结合数据的动态变化特点,再与马尔科夫链结合进行动态预测,预测精度优于基于灰色理论的GM(1,1)模型和基于BP算法的神经网络模型。     

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.     

基于灰理论的居民生活电力消费预测研究

介绍了灰理论及GM模型的建模方法,结合我国2000-2005年居民生活电力消费,建立了GM(1,1)预测模型.通过对模型精度及预测值精度的检验,认为该模型具有较高可信度,适用于居民生活电力消费的预测.     

一种适用于灰色预测控制的无偏直接GM(1,1)模型

GM(1,1)模型是灰色预测控制器的重要组成部分,它是有偏差的模型.提出了一个无偏差的模型一无偏直接GM(1,1)模型,结合具体数据将无偏直接GM(1,1)模型和GM(1,1)模型进行了比较,结果表明无偏直接GM(1,1)模型优于GM(1,1)模型.将无偏直接GM(1,1)模型替代GM(1,1)模型应用于灰色预测控制中可望得到较好结果.     

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%.     

基于模糊回归理论的GM(1,1)模型优化

文章将传统的GM(1,1)模型与模糊回归模型相结合,得到了基于模糊回归理论的GM(1,1)优化模型,保留了传统GM(1,1)模型的所需建模数据少和具有预测功能的优点;利用定义的三角模糊数的左、中、右距离公式,得到了基于模糊回归理论的GM(1,1)优化模型的求解方法.     

GM(1,1)模型的性质及改进

在对GM(1,1)模型进行分析的基础上,经过理论推导,得出了初始数对预测没有影响的结论,对GM(1,1)模型进行改进,给出了GM(1,1)模型Ⅰ。当向原始序列添加相同的数字时,预测值将更改,由此提出了GM(1,1)模型Ⅱ,利用粒子群算法,得到最佳的增加量。仿真结果表明,GM(1,1)模型Ⅰ和模型Ⅱ具有较高的精度。