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。     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

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。     

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.     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

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。     

建筑沉降变形的半参数GM(1,1)模型研究

针对传统GM(1,1)模型背景值的缺陷和未知模型误差对预测精度的影响,提出半参数补偿及背景值优化GM(1,1)模型。通过分析传统GM(1,1)模型、背景值优化GM(1,1)模型以及本文模型的精度,结果显示,模型残差标准差比传统GM(1,1)模型小1.13,平均绝对误差小0.62 mm,平均相对残差小1.45%,且其各项指标均显示本文模型的预测精度有所提高。     

两类离散GM(1,1)模型及其软件缺陷预测建模

为了拓广离散GM(1,1)模型的应用范围,建立了近似非齐次指数序列的离散GM(1,1)模型,NDGM(1,1)模型和直接离散GM(1,1)模型,即DDGM(1,1)模型,证明了其可以完全拟合非齐次指数序列,最后将两类离散GM(1,1)对软件进行缺陷预测建模,结果显示,DDGM(1,1)模型具有较高预测精度,可以对后续软件开发中缺陷的存在情况做出相应预测.     

灰色GM（1，1）模型的一种优化组合方法

针对GM(1,1)预测模型的不足之处,首先基于X(0)序列的相对误差平方和最小的思路,提出了一种新的优化时间响应函数即确定指数函数exp(-at)系数C的方法;第1步采用优化背景值方法确定a,b后,第2步用本文方法确定系数C,得到了一个优化组合的新GM(1,1)预测模型.经大量的数据模拟发现,此优化组合新模型无论对高增长系数,还是对低增长系数都具有极高的模拟与预测精度.     

灰色GM（1，1）模型参数的优化方法

灰色GM(1，1)模型的建模机理上，给出了模型参数的优化方法。提高了模型的预测精度。为实际应用提供了新的方法。     

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．     

路面使用性能预测与统计分析

提出用重构背景值的GM(1,1)模型对路面使用性能试验数据进行预测,新的背景值计算公式的显著特点是使GM(1,1)模型具有对建模结果进行优化的能力,能获得最佳的拟合和预测精度。将获得的预测序列进行统计分析,为路面性能预测评价提供参考依据。实例计算结果说明,将重构背景值的GM(1,1)模型用于路面使用性能试验数据预测有很高的精度,为有效缩短试验时间提供了一个值得探讨的方法。同时从统计分析中可知,对数正态分布模型更适合于弯沉指标。     

灰色系统建模方法的研究

提出了估计ＧＭ（１，１）模型参数的新方法。并给出了ＧＭ（１，１）模型的显著性检验的方法。实例分析表明，新方法提高了预测模型的精度     

无偏GM(1,1)模型的动态特性分析

传统GM(1,1)模型是最基本的灰色预测模型,无偏GM(1,1)模型是在传统GM(1,1)模型基础上的一种改进,它消除了传统GM(1,1)模型本身所固有的偏差.对无偏GM(1,1)模型的动态行为特性进行分析,并与传统GM(1,1)模型进行对比,明确了无偏GM(1,1)模型特性和适用条件.     

基于改进的GM（1,1）模型的上海市垃圾产量的预测

GM(1,1)模型是上海市垃圾产量预测的一种有效的方法,但序列的随机波动性难以在GM(1,1)模型得到反映。利用灰色震荡序列GM{1,1}模型,对上海市2000年~2008年垃圾产量进行预测,预测结果表明,此方法能够反映出上海市垃圾产量所具有的波动性特性,得到更高的预测精度。     

基于缓冲算子的灰色瓦斯涌出量预测研究

基于灰色GM（1,1）预测模型的构建理论,尝试引入缓冲算子来消除瓦斯涌出量原始数据序列所受到的冲击扰动,并利用MATLAB语言编程实现瓦斯涌出量灰色GM（1,1）预测模型程序化运算,选择合理的精度检验方法对预测模型和结果进行检验判断。通过工程实例,证明了引入缓冲算子改进的GM（1,1）模型预测精度和拟合优度更高,可为煤矿企业正确决策提供一定的理论依据。     

灰色模型GM(2)的建立及实际应用

对灰色模型GM ( 1 ,1 )的缺陷进行了分析 ,引入新的预测模型GM ( 2 ) ,并将两种模型进行比较 ,对于变化幅度较大的序列 ,GM ( 2 )优于GM ( 1 ,1 ) ,这为实际应用提供了一种有效的预测方法。     

提高GM（1，1）预测精度的一些措施

本文讨论了影响ＧＭ（１，１）预测精度的常见的一些原因，并相应地介绍了改进ＧＭ（１，１）预测模型，以提高预测精度的几个措施。