灰色马尔柯夫模型在交通量预测中的应用

交通量预测是道路交通规划与路面设计的基础,由于影响交通量生成和增长的因素具有层次复杂性、关系模糊性、动态变化随机性和指标数据不确定性等,从而导致交通量的预测结果与路面实际运营数量之间有较大差异.本文利用改进的灰色GM(1,1)预测模型和马尔柯夫随机过程理论,建立了交通量的灰色马尔柯夫预测模型.实例计算分析表明,该模型具有较强的适用性,预测得到的交通量数据具有较高的精度和可靠度.     

应用两数学模型对长江口凤鲚捕捞量建模初探

对1997～2004年长江口凤鲚捕捞量建模进行了研究,对多个相关因子分别建立了多元回归模型和GM(1,1)模型.最优回归预测方程为y=-0.9933 0.4547X1 0.8617X2 0.6117X3;最优时间响应函数为X1(t 1)=-60.3823 e-0.0169t 61.4493.多元回归预测模型适合于以丰富的参数精确预测当期捕捞量,而GM(1,1)预测模型则可以少量参数对捕捞量进行中长期初步预测,两者结合可以加强对凤鲚捕捞的科学管理.     

残差修正的GM(1,1)模型预测路基沉降量

用普通GM(1,1)模型进行路基沉降预测时,有时会出现较大偏差,甚至完全失效。为此提出了改进措施,引入残差修正的GM(1,1)预测模型,用于高速铁路某试验段路基的沉降预测。工程实例表明,残差修正的GM(1,1)模型的预测精度明显高于普通GM(1,1)模型。在路基沉降预测中有明显的优势,值得在工程中推广应用。     

一种提高灰色模型拟合精度的简便方法

GM(1,1)模型是一种应用广泛的呈指数增长趋势的灰色系统模型.它的拟合精度与建模数据序列的光滑度有关.建模数据序列光滑度越高,灰色系统模型的精度越高.根据线性函数变换和逆变换的知识,提出了通过对建模数据进行线性函数y=px q变换来提高灰色模型拟合精度的一种简便方法,并且从理论上证明了这种变换可以有效提高建模数据序列的光滑度.算例分析的结果表明,对建模数据序列进行线性函数y=px q变换的方法在提高灰色GM(1,1)模型拟合精度方面是有效的.     

隧道围岩收敛变形的改进GM(1,1)预测模型

为了有效提高隧道围岩变形的预测精度,对传统GM(1,1)预测模型进行了改进。改进模型通过对原始监测数据列优化重构,降低了量测误差、外界因素等噪声干扰造成的监测数据随机突变和离散性,提高了模型预测效果,并结合梅花山隧道典型监测断面对改进GM(1,1)预测模型进行了检验。研究结果表明:改进GM(1,1)预测模型增强了环境适应能力;预测结果与实际监测数据吻合程度明显提高,具有较好的实际工程应用推广价值。     

基于L1范数的出国留学人数组合预测研究

为更准确地探究我国出国留学人数变化趋势,提出基于L1范数的组合预测模型,对出国留学人数进行预测;从多角度选取影响出国留学的因素,利用灰色关联度分析提取影响出国留学人数的典型因 子,进而构建 GM(1,3)模型;建立BP神经网络模型;提出基于L1范数组合预测模型,通过求解线性规划确定单一模型最优权系数;然后,对2006—2019年出国留学人数进行预测;选取GM(1,1)模型为对照模型,通过对照模型以及预测误差评价指标体系比较模型的预测精度,结果表明:基于L1范数的组合预测模型效果优于3个单一模型,有效地提高了预测精度,能够充分利用单一预测模型提供的信息,从而更加准确地预测出国留学人数;未来几年我国出国留学规模仍有较大的发展空间,预测结果可为全球疫情下我国留学相关工作提供参考。     

支持向量机模型在高校毕业生供给预测中的应用

 以广东省高校本科毕业生供给数据为研究对象,分别构建了多元线性回归、时序外推、灰色预测和支持向量回归等模型。在此基础上,通过对几种预测模型的比较分析,从中优选出预测精度较高的模型。结果表明,支持向量回归模型可以作为预测未来高校本科毕业生供给的有效工具。     

基于粗糙集与灰色动态预测模型在电力负荷短期预测的应用

针对电力系统多因素负荷预测问题的复杂性,结合粗糙集理论与GM（1,N）模型各自的优势,提出一种基于粗糙集理论的GM（1,N）预测模型.采取粗糙集理论对影响负荷预测因素进行简约,利用GM（1,N）建立简约后的因素变量和负荷之间的关系建立模型,并与GM（1,1）预测模型进行了比较,结果反映基于粗糙集理论的GM（1,N）预测模型的优越性,精准度达到94.055%.     

基于方根变换的灰色GM（1,1）改进模型

通过对原始序列作方根变换生成新数列并结合优化灰导数的方法,对灰色GM（1,1）模型进行改进,使模型的精确度大为提高.实例计算证明：改进后的模型比原模型的相对精度最大提高了7.88%,最小提高了1.58%,改进模型的实用性和可靠性均优于原始模型.     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．