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GM(1,1)模型对杭州市商品房房价的预测分析

以杭州市2010—2020年商品房均价的相关数据为基础构建GM(1,1)模型。GM(1,1)模型预测准确度比较高,通常用该模型对房价进行中短期预测分析,通过利用此模型对杭州市2021—2025年的房价走势进行了预测。     

一种改进的灰色预测模型在人口预测中的应用

城市人口的发展关系着其经济、环境及资源的利用,因此,准确预测未来人口发展趋势及其规模,对制定合理的人口规划具有现实意义.本文以传统的GM(1,1)模型为理论基础,利用对数变换提高数据的光滑度,通过分析方程解的表达式,从背景值和初值两个方面提高模型精度,最后依据银川市2001年—2007年人口数据建立预测模型进行实证研究,结果表明模型预测效果理想.     

基于影响因子数据年际分类的太湖典型口门流量估算方法

基于太湖典型口门瓜泾口站1966—2014年(1989—2005年缺)的流量、水位、降水及周围站点水位等数据,采用多元线性回归分析法构建太湖流量估算模型。采用聚类分析方法,对流量的影响因子年际序列矩阵进行相似分类,找出与目标年(待估算流量的年份)相似的年份,然后依据相似年份数据率定回归模型参数。通过与基于常系列数据建立的回归模型进行比较发现,基于相似年份数据建立的回归模型的估算精度更高。     

基于MATLAB的GM(1,1)建模数据选择及其应用

通过对GM(1,1)建模数据的筛选,并用MATLAB进行计算分析,表明通过数据筛选,可以进一步提高GM(1,1)模型的预测准确度.     

ARIMA模型在河南全社会固定资产投资预测中的应用

采用求和自回归移动平均模型(ARIMA),对《新中国五十年统计资料汇编》及《2006年河南省统计年鉴》提供的河南省全社会固定资产投资额数据进行分析.结果显示,ARIMA(1,1,5)提供了较为准确的预测结果,此模型可为河南省全社会固定资产投资提供可靠的参考数据.     

基于灰色理论的陕西省土地利用变化及其碳排放研究

为了揭示陕西省2006—2018年碳排放变化规律,促进陕西省低碳土地利用模式构建,本文根据陕西省2006—2018年的土地利用数据构建碳排放模型及计算相关指数,分析土地利用的碳排放效应,通过灰色关联度分析,确定不同土地类型与碳排放的关联程度高低,运用GM(1,1)模型,预测出2020—2030年的土地碳排放量.得出以下...     

基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

拟合洛伦兹曲线分析收入分配制度

利用Matlab和给定的数据对洛伦兹曲线模型进行拟合来确定模型中的参数.通过对已有模型的分析及其中的系数进行扰动处理,建立新的L(p)模型.采用Lingo软件求出所建新模型的均方误(MSE)、平均绝对误差(MAE)以及最大绝对误差(MAS),并且与原模型进行比较,从而证明所建新模型的优点.     

ARMA-GARCH模型在股市市场风险测度中的应用

选择股票市场2014年1月8日到2016年8月2日上证指数(SZCZ)收盘价作为样本进行研究,建立了残差序列服从不同分布下的ARMA(2,2)-GARCH(1,1)类模型,并进行实证分析及预测,通过比较发现ARMA(2,2)-GARCH(1,1)类模型能够有效处理股票数据的波动集聚性。在此基础上,计算出不同置信水平下ARMA(2,2)-GARCH(1,1)类模型的风险测度值(VaR),与历史模拟法、改进的历史模拟法下的VaR值进行比较,得出ARMA(2,2)-GARCH(1,1)类模型更有效的反应市场风险。     

GM(1，1)模型在长江水质预测中的应用

介绍了GM(1,1)的原息模型、新息模型和等维新息模型及残差修正模型的建模方法,分别建立了长江水质预测的等维新息模型和残差修正模型。通过对模型的预测结果进行分析,并对比原数据的趋势,发现两模型在数据突变点附近有明显差别,其数据说明残差修正模型在细节方面更接近实际,其结果体现了数据的内在规律。     

自回归条件异方差模型的模拟

通过介绍怎样利用SAS/ETS中的自回归(Autoreg)过程实现条件异方差(ARCH)模型数据的分析,将理论与实践相结合,利用SAS/IML软件模拟两组(一组为ARCH(q)模型,另一组为AR(m)-ARCH(q)模型)ARCH数据,然后调用自回归过程对两组数据分别用相应ARCH模型进行效据拟合,得到理想结果.     

基于遥感生态指数的鄂州市生态环境质量评估

以Landsat7/Landsat8卫星数据为基础,利用遥感生态指数模型(RSEI)对鄂州市2013年、2015年和2018年生态环境质量做出评价.该指数模型根据湿度指标(WET)、绿度指标(NDVI)、热度指标(LST)以及干度指标(NDBSI)等4个指标进行构建.在ENVI软件的支持下对遥感影像数据进行处理,分别求出4个指标因子,再通过主成分分析得到遥感生态指数RSEI结果,结合各指标因子进行评价及综合对比分析,制作专题图和表格对分析结果进行可视化显示.结果表明,鄂州市2015年生态指数平均值较2013年生态指数平均值提升0. 06,但随着城市化扩张的加剧,鄂州市2018年生态指数较2015年下降0. 10,生态环境质量变差,且较2013年下降0. 04.     

中型客车强度分析及试验研究

从理论分析和试验两个方面全面评价了某中型客车的强度,论述了有限元模型(FEM)的建立过程及试验理论与方法.通过理论分析与实测数据的对比,表明两者结果具有较好的一致性,验证了有限元模型对实际车辆分析的准确性.利用准确的有限元模型及试验测得的数据,可以为该中型客车的轻量化提供依据.     

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.     

时间序列模型在婴儿潮分析中的应用

本文利用时间序列分析线性模型中求和自回归移动平均模型(ARIMA)和统计学软件SPSS,选用1947-2014年新生儿人口数据为参考数据序列,通过参数检验与残差分析验证ARIMA模型在人口预测分析上的可靠性.模型的拟合与实证分析说明时间序列分析在人口预测问题上的有效性,可对中国婴儿潮做短期预测.本文还对2015年到2030年新生儿人口数进行统计分析,预测第四次婴儿潮的到来.这将给社会计划生育、教育、交通等方面提供重要参考数据.     

基于DEA的技术创新效率评价研究——以江西为例

通过回顾国内外技术创新及技术创新效率的研究现状,建立基于投入和产出指标的江西技术创新效率评价指标体系,利用数据包络分析(DEA)的经典模型C2R和BC2测算2001—2009年江西技术创新的技术效率、纯技术效率和规模效率值;利用超效率(SE-DEA)模型对技术有效决策单元进行排序。最后,根据江西技术创新效率评价情况,给出对策建议。     

基于主成分分析协同随机森林算法的热连轧带钢宽度预测

为提高热连轧粗轧带钢生产过程中换钢种、换规格及换辊后的首块带钢宽度设定模型精度,本文提出一种基于主成分分析协同随机森林(PCA-RF)算法的宽度预测模型.采用主成分分析法对数据样本合理分析,通过计算特征值、主成分贡献度及累计贡献度进行特征选择.在PCA筛选的变量数据集上训练最佳随机森林宽度预测模型.同时,使用支持向量机回归(SVR)、K-最近邻(KNN)模型进行对比验证.通过实际应用表明,PCA-RF各道次宽度模型R-squared值控制在99.9%~1,且96%以上样本点预测误差在-5~5mm,从而证明该模型实现了换钢种、换规格及换辊后的首块钢宽度的高精度预测.     

具有灰指数律数据序列建模方法研究

通过对灰色系统理论建模机理的分析,建立了对于具有灰指数律数据序列的EGM模型,通过模拟试验,验证了该模型对于具有灰指数律数据序列的预测精度高于GM(1,1)模型,表明该模型对具有灰指数律数据序列的预测有效性与适用性.     

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。