时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

灰色系统理论，数据预处理及其应用

运用灰色系统理论,建立了动力调谐陀螺漂移和温度之间的数学模型,以补偿热漂移,提高动力调谐陀螺的使用精度。将状态估计与不良数据辨识理论作为数据预处理技术应用于灰色系统建模,以观测数据为依据进行状态估计,避免了常规建模中观测数据与实际数据同等对待的弊端。对数据作检测与辨识,使剔除不良数据后的状态估计结果更为精确,以提高灰色系统建模精度。     

深圳卫生填埋淤堵排放的灰色预测模型

灰色预测中的核心GM（1，1）模型将无规律的原始数据生成为有规律的数据序列后进行预测，本文对GM（1，1）模型加以改进，将灰色预测GM（1，1）模型与跳变灰过程理论结合，建立了淤堵试验渗透系数的跳变预测模型。跳变预测模型具有灰色系统只需少量数据即可建模的优点，又有跳变灰过程可处理异常值的特点。采用某填埋场淤堵试验资料，经验证表明，该方法精度较高，将灰色模型引入填埋场衬垫系统渗透系数预测切实可行。     

基于时间序列的灰色预测技术在估产模型中的应用

在建立估产模型过程中，引进基于时间序列的灰色预测技术，通过对样本点建立基于时间序列的灰色预测模型和常规的多元线性回归气象模型的分析比较，试图找到一种计算简单，数据要求少而精度较高，时效性较好的建模方法，为时间序列预测在农作物估产方面的应用作出一点探索。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。     

灰色GM(0,h)模型应用于台风预报

应用灰色系统理论,建立了我国华南沿海登陆台风预报模型。该模型在对前期因子数据序列和预报量的前期数据的映射序列,分别作累加生成的基础上,应用灰色GM(0,h)建模,建立前期因子与后期预报变量之间的量化关系,并通过残差辨识提高了拟合率。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的     

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.     

地面沉降模拟计算的灰色模型

地面沉降的模拟计算属于灰色问题,灰色系统模型有多种,选择合适的沉降量与时间的关系模型对模拟计算而言是很重要的,将某市地面沉降数据分为大样本和小样本序列,分别使用GM(1,1)和灰色线性回归组合模型进行了建模、预测和精度分析.研究结果表明,利用小样本数据和灰色线性回归组合模型进行模拟计算精度更好.     

基于数据序列特征的灰色模型优化新思路

灰色预测以原始数据序列的生成为基础构建模型,原始数据序列特征直接影响预测模型精度.论文通过剖析灰色预测模型的建模机理,运用实证分析方法,揭示数据序列长度、数据序列信息、数据序列光滑度与灰色预测模型精度的关系,并据此提出灰色预测模型优化方法新思路.     

需求侧响应下的电力负荷预测模型的改进

在电力负荷预测进行建模时,传统的预测模型需要消耗大量的电力负荷样本数据,同时不能准确描述电力系统内部的变化情况,降低了电力负荷预测的精度和可靠性。提出一种基于灰色预测模型的电力负荷预测模型的改进方法,分析了基本灰色预测模型的建模过程,同时依据需求侧响应约束条件对不符合约束条件的电力负荷预测结果进行剔除,从电力负荷原始数据的处理和灰色模型预测结果的修正两方面对其进行改进。实验结果表明,采用所提方法对电力负荷进行预测,得到的预测结果精度较高,性能优异。     

一种动态数据序列组合预测模型法

文章综述了灰色模型、谐波分析和时序分析的基本原理和建模方法 ,分析了各种模型的适用性与局限性 ,在此基础上提出了基于上述 3种基本建模方法的组合模型法。组合模型有效地融合了各种基本建模方法的特色与优势 ,弥补了单个基本模型的缺陷与不足 ,尤其适用于对非平稳性动态数据序列的建模。仿真结果表明 ,组合模型法能有效地提高数据序列的预报准确度。     

能源需求的支持向量机预测

对灰色、神经网络和支持向量机的三个预测模型进行了研究,以某城市的1999-2006年能源需求为例,对能源需求进行了预测.经过比较,支持向量机的预测方法精度较高.     

优化灰色模型在负荷预测中的应用

论述了用优化灰色理论进行电力系统负荷预测的建模过程。通过指数平滑法对原始负荷数据进行预处理 ,把有起伏特性的原始数据序列改造成规律性强的序列 ,再利用优化灰色模型进行预测 ,提高了预测精度 ,该方法简捷实用 ,经实际算例校核证明 ,可以作为中期电力负荷预测的理想工具     

改进灰色马尔可夫模型在湖南省粮食产量预测中的研究

通过选取湖南省2001年至2017年间的粮食产量数据,采用灰色系统理论、背景值优化、新陈代谢原理、结合马尔可夫模型建立等维新陈代谢的改进无偏灰色马尔可夫模型对湖南省粮食产量进行预测。结果显示:等维新陈代谢的改进无偏灰色马尔可夫模型的预测精度远高于传统的灰色预测模型,该模型更适合中短期粮食产量预测。     

基于初值修正的非等距灰色预测模型

对非等间距灰色模型的预测精度进行了分析,表明初值的选取对模型的精度有重要的影响,进而提出了两种修正初值的方法来提高模型预测精度,得到了一类改进的灰色预测模型。最后给出了一个应用实例,结果表明,该改进模型具有较高的预测精度。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于无偏估计的装甲装备器材需求灰色预测

针对装甲装备器材需求数据采集过程中存在的数据采集偏差,建立了存在数据采集误差的装备器材需求灰色预测模型;分析了装备器材需求灰色预测模型中,最小二乘估计为无偏估计的条件是数据采集误差的期望为0,否则,最小二乘估计为有偏估计;最后针对数据采集偏差期望不为0的条件,给出一种基于辅助变量的无偏参数估计方法.通过实际案例仿真分析验证了方法的合理性和可行性.