组合模型在港口集装箱吞吐量预测中的应用

根据某港的集装箱吞吐量的历史数据,分别利用时间序列的三次指数平滑法、改进的GM(1,1)残差模型以及组合预测方法对某港的集装箱吞吐量进行了探讨,并对未来几年某港集装箱吞吐量进行了预测.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值以及误差的标准差分别为4.5208,0.0343,49.5161,都小于单独用三次指数平滑法或改进的GM(1,1)残差模型时的平均绝对误差、平均相对误差绝对值以及误差的标准差,达到最优的精度等级.     

基于灰色系统理论(GST)的贵州省旅游业发展分析与预测研究

基于灰色系统理论的灰关联分析(GRA)与GM(1,1)预测模型对贵州省旅游业发展进行了分析与预测研究。研究结果表明:与贵州旅游业发展相关联的4个内部影响因素由大到小分别为:旅游资源条件、旅游服务设施、旅游基础设施以及旅游接待设施;灰色预测GM(1,1)模型预测则显示贵州省旅游业将保持快速增长。最后针对研究结果提出了相关建议。     

基于GM（1，1）模型的河南省民用汽车需求预测模型

利用灰色系统理论研究了河南省民用汽车数量的预测问题,根据近几年河南省民用汽车数量的数据,运用灰色系统理论的GM（1,1）模型建立了时间序列模型建立了时间序列预测模型,并通过实际数据进行仿真,证实了所建模型是可靠和可行的．     

普通高等学校招生规模的预测方法

近年来,中国普通高等学校招生规模不断扩大,提高了高等教育的入学率,却增加了大学毕业生就业的压力。研究普通高等学校招生规模的预测方法对于合理地制定普通高等学校招生规模,实现高等教育可持续性发展是非常关键的。采用灰色系统方法和神经网络方法,结合1970—2009年全国普通高等学校招生人数的数据资料,建立了普通高等学校招生规模的灰色系统GM(1,1)模型和BP神经网络模型。对2种模型的模拟通过MATLAB平台实现。BP神经网络建模考虑了普通高等学校数、普通高等学校教职工人数、普通高中毕业人数以及国家财政教育经费投入4个影响因素。灰色系统GM(1,1)模型的精度为75.7%;BP神经网络模型的精度为95.4%。通过模拟分析可以得出:BP神经网络方法用于普通高等学校招生规模的预测是可行的。     

基于l1范数主成分分析的极化SAR图像变化检测

为提高极化合成孔径雷达(synthetic aperture radar, SAR)图像变化检测算法的鲁棒性以及检测精度,提出基于范数主成分分析(linorm principal component analysis,l1-PCA)模型的变化检测算法。首先,采用基于Hotelling-Lawley复矩阵迹变化检测算子构造差异图;其次,采用l1-PCA模型获取差异图的变化信息,使得每个像素以一个特征向量来表示;最后,使用k-means算法对变化信息进行聚类,得到变化检测结果。该方法是一种非监督变化检测方法,相比于基于2范数的PCA检测方法,l1-PCA在特征提取方面具有更高的鲁棒性,并且可以进一步提高变化检测精度。基于RADARSAT-2卫星获取的3幅图像进行的实验结果表明,相较于其他两种典型算法,所提算法更加稳定,精确度更高。     

用方向导数分析JC法的误差

用一次二阶矩法求工程结构的可靠度会产生误差 ,这误差产生的原因是将极限状态函数在验算点处的泰勒级数仅取线性部分来近似 ,本文用二阶方向导数分析这误差对工程的影响 .     

灰色模型GM(1,1)在短期电力负荷预测中的应用

讨论了灰色模型GM（1，1）及其改进模型在短期电力负荷预测中的应用，提出了适合电网普通日及特殊日电力负荷预测的数据处理方法，提高了预测的精度。     

汉台区牛奶需求量的灰色预测模型

通过对汉台区牛奶销售市场需求量的分析 ,根据需求量与时间的关系 ,利用灰色系统理论建立了GM (1,1)灰色预测模型。并对未来几年的需求量进行预测     

ATR／FT—IR监测山梨醇发酵中山梨醇和山梨糖浓度变化

采用衰减全反射傅里叶变换红外光谱（ＡＴＲ／ＦＴ－ＩＲ）技术研究了山梨醇生产山梨糖的发酵过程。确定了基质山梨醇和产物山梨糖的特征吸收峰，其特征峰的吸光度在发酵过程中的变化直接反映了山梨醇和山梨糖浓度的变化规律。建立了特征峰吸光度与浓度的相应关系，可用于同时监测发酵过程中山梨醇和山梨糖浓度的变化，测定结果满意。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.