基于残差修正GM(1,1)模型的采空区残余变形预测研究

针对灰色GM(1,1)模型直接应用于采空区地表残余变形预测效果一般的问题,以灰色GM(1,1)模型为基础,以一元二次多项式对GM(1,1)模型预测结果进行正化残差拟合修正,构建残差修正GM(1,1)模型,并以等间距和非等间距2种形式的采空区地表残余沉降监测数据集进行实例验证。结果表明:残差正值化处理后的非线性多项式拟合修正GM(1,1)模型的预测精度增益明显,而未对残差进行正值化处理的多项式残差修正GM(1,1)模型预测精度提升效果一般,正化残差拟合修正是有效的GM(1,1)模型后处理改进方式。

马尔可夫链理论与灰色GM(1,1)组合模型预测地表变形

为了提高矿产开采过程中地表沉降变形的预测精度,本文结合灰色理论和马尔可夫链理论,建立了一种组合预测模型。首先,以GM(1,1)预测模型为基础,采用马尔可夫链理论和残差修正进行优化,结合工程验证,证明了组合模型精度可显著提高地表沉降变形预测精度;其次,将组合模型应用于实际矿产生产的变形监测中,通过工程实例分析,组合模型预测值的平均相对误差仅为3.26%,且模型精度达到1级。试验结果表明,组合模型的预测值与实际值的误差较传统的灰色预测模型有明显减小,结果更接近于实际情况,证明了本文模型在矿区沉降分析与预测中的合理性。

基于粒子群算法的GM(1,1)模型优化

GM(1,1)模型是应用范围极广的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。在误差最小化准则下构建了基于粒子群算法的GM(1,1)模型,同时对模型的背景值系数和初始值进行了优化。运用优化的模型分别对齐次指数序列、2017—2021年我国新能源汽车保有量进行拟合。实例分析表明,基于粒子群算法优化的GM(1,1)模型适合中长期预测并且具有更高的拟合精度。

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型。具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度;接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值;然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度;最后,建立根据GM(1,1)模型改进的灰色多重修正模型。以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比。精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好。

灰色GM(1,1)残差修正模型在滑坡预测中的对比应用

在传统GM(1,1)模型的基础上,经过不同方式的残差修正,分别建立了一阶残差修正GM(1,1)模型和二阶残差修正GM(1,1)模型。根据滑坡的监测资料,对变形曲线为光滑型滑坡(如黄龙西村滑坡、某滑坡)和阶跃型滑坡(如新滩滑坡、洒勒山新滑坡)分别建立了传统GM(1,1)模型和一阶、二阶残差修正模型,并对不同滑坡各模型的预测精度进行了分析比较。结果表明,残差修正GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。对变形曲线为光滑型的滑坡,二阶残差修正GM(1,1)模型的预测精度一般高于一阶残差修正GM(1,1)模型的预测精度;对变形曲线为阶跃型的滑坡,一阶残差修正GM(1,1)模型的预测精度高于二阶残差修正GM(1,1)模型的预测精度。

基于改进的GM(1,1)的长期交通量预测模型

针对传统的GM(1,1)模型在预测高速公路交通量中存在的误差过大的问题,通过对原始数据进行滑动平均处理,减少数据在统计过程中的随机误差和人为误差。利用等维灰数递补预测模型进行交通量预测,在数据列中补充新的数据,去掉老的数据,使模型得到改进。利用改进的新模型去预测下一年的数据比用原模型更加合理,更接近实际。研究结果表明:利用等维灰数递补预测模型预测的预测精度是94.24%,比GM(1,1)残差改进模型提高了1.49%,比传统的GM(1,1)模型精度提高了6.94%。适用于交通量的长期预测。

改进GM(1,1)在高铁隧道沉降变形预测中的对比应用

针对GM(1,1)模型在高铁隧道沉降变形分析与预测中精度不理想的情况,在GM(1,1)模型的基础上,建立了自适应GM(1,1)模型与残差修正GM(1,1)模型,并讨论了2种改进模型的各自优点。依据某隧道沉降监测数据,进行工程实例分析,得出自适应GM(1,1)模型与残差修正GM(1,1)模型在一定程度上均提高了原模型的预测精度和预测曲线的相关性;残差修正GM(1,1)模型对于沉降曲线波动较大处仍有较好的拟合与预测效果,其预测效果优于自适应GM(1,1)模型。

Markov残差修正的灰色GM(1,N)模型在粮食产量预测中的应用

将灰色理论和Markov预测方法用于中国粮食产量的预测。运用灰色关联分析,从众多影响粮食产量的因素中确定了影响粮食产量的主要因素为:乡村从业人员、农作物有效灌溉面积、粮食作物播种面积、受灾面积。以粮食产量作为特征变量,以影响粮食产量的主要因素作为选定变量构建了粮食产量的灰色GM(1,5)预测模型,并对我国粮食产量进行拟合和预测。为了捕获粮食产量时间序列的随机波动性,使用马尔可夫模型对GM(1,5)模型的残差进行修正,以便改善预测精度。实例结果:事后检验阶段GM(1,5)模型的平均绝对百分比误差为15.45%,灰色Markov模型的平均绝对百分比误差为5.625%。灰色Markov模型能够提高预测的精度,是一种有效的、具有鲁棒性的预测方法。

一种新的基于GM(1,1)模型的粗大误差判别模型

针对未知概率分布的小样本数据识别问题,提出了一种新的基于GM(1,1)模型的粗大误差外推判别模型。介绍了判别原理和步骤,基于GM(1,1)建模精度和检测值精度确定判别门限,并对样本量、判别精度及方法的合理性等相关问题进行了讨论。实例仿真取得了较好的判别结果,结果表明该方法对数据没有分布要求,简单可行。

基于综合优化GM(1,1)的形变预测模型

通过对传统GM(1,1)模型的初始条件进行优化,利用复化的Simpson数值积分公式构造背景值,以及对残差序列进行修正,建立优化的GM(1,1)模型,并给出优化模型的精度评价方法和标准。以小浪底大坝的变形实测数据为例,进行基于传统GM(1,1)预测模型和优化GM(1,1)预测模型的计算比较。结果表明,基于优化的GM(1,1)预测模型精度更高。

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。

GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。

改进无偏GM(1,1)模型及其在中长期电力负荷预测中的应用

通过对原始数据序列作开次方运算生成新数据序列的方法,建立了改进无偏GM(1,1)模型。用数值实验研究的方法证明了改进无偏GM(1,1)模型特性优于无偏GM(1,1)模型。将改进无偏GM(1,1)模型用于对太原地区电力负荷进行预测,实际应用的结果也显示改进模型提高了中长期电力负荷预测精度。

基于灰色残差GM(1,1)模型的道路交通量预测的研究

道路交通体系是一个多因素、多层次、多目标的复杂系统。其中交通量信息系统具有明显的层次复杂性,结构关系的模糊性,动态变化的随机性,指标数据的不完全和不确定性。由于技术方法、人为因素、自然环境变化的影响,造成各种数据误差、短缺甚至虚假现象,系统的作用机制不明确,系统的状态、结构、边界关系难以精确描述,属于典型的灰色系统。在作量化、模型化、实体化研究时,能作为反映系统主要动态特征的数据是很少的。由于环境对系统的干扰,系统信息中原始数据序列往往呈现离乱情况,离乱数列即为灰色数列或称灰色过程,灰色理论利用那些较少的或不确切的表示系统行为特征的原始数据序列作生成变换后建立微分方程,对灰色过程建立的模型称为灰色模型(Grey model),简称GM模型。本文从理论上介绍了GM(1,1)模型和灰色残差GM(1,1)模型建立的一般过程,然后将其应用于交通量预测的实际例子中。预测结果表明,该方法是可行的。

尾段残差修正GM(1,1)模型在管道腐蚀预测中的应用

为解决海底油气管道由于外表面破损引起腐蚀加快,进而导致管道腐蚀失效的问题,基于传统灰色模型,建立尾段残差修正GM(1,1)模型,用以预测管道剩余寿命。首先,检验管道腐蚀深度数据的光滑性和准指数规律性,建立灰色微分方程;然后利用最小二乘法求出方程参数值,用传统灰色模型预测腐蚀深度,并对残差进行修正,从而得到一个完整的用于海底管道腐蚀趋势预测的尾段残差修正GM(1,1)模型,并对预测结果进行后验差检验。最后以某一海底管道试验段为例,预测管道剩余寿命。结果表明,传统管道腐蚀深度预测灰色模型预测相对误差为36.7%,尾段残差修正GM(1,1)模型预测的相对误差为3.79%,后者预测精度等级更高。

灰色残差GM(1,1)模型在道路交通量预测中的应用

本文通过实例介绍了灰色残差GM (1,1)模型在道路交通量预测中的应用 ,预测结果表明 ,该方法是正确的 ,算法是有效的。

基于改进的GM(1,1)模型的公路里程预测

分析了传统GM(1,1)模型在公路网里程预测中存在的问题,利用残差改进了GM(1,1)模型,运用马尔可夫状态转移矩阵判断残差预测值在k≥n时的符号,提高了预测精度。对广西省公路网里程进行了预测分析,结果表明该法具有较高的实用性。

新陈代谢GM(1，1，α)模型在数控机床热误差建模中的应用

针对数控机床热误差产生机理及变化规律的复杂性,提出了一种新的灰色系统模型,并将其应用于热误差建模分析中。分析了传统GM(1,1)模型的不足之处,在新陈代谢GM(1,1)模型的基础上,结合微粒群算法,提出了一种新的新陈代谢GM(1,1,α)模型。为提高建模精度,该模型在建模过程中及时去除旧的信息,加入新信息,并使用微粒群算法求解参数α以获取α的全局最优值。最后,针对某数控机床热误差序列,分别使用GM(1,1)模型、新陈代谢GM(1,1)模型和新陈代谢GM(1,1,α)模型进行建模和预测,结果表明新陈代谢GM(1,1,α)模型的建模效果最好。

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。

高阶残差修正GM(1,1)区间预测模型及其应用

提出了一种Markov高阶残差修正GM(1,1)区间模型,在GM(1,1)模型的基础上对拟合数据残差项的绝对值运用Markov模型进行数据拟合,通过将残差项叠加的方式逼近数据真实值。根据残差项的正负状态构建了预测区间,并通过数值模拟论证了预测区间的适用范围与合理性,运用Markov模型对预测区间进行了修正和改进,给出了Markov高阶残差预测区间的表达式。分析结果表明,模型弱化了灰色发展系数的取值条件,并且计算修正残差的阶数越高,预测区间结果可靠性越高,避免了根据概率大小选择预测结果所产生的预测风险,提高了预测结果的可靠性。