基于分数阶季节性灰色模型的交通流预测

基于城市道路短时交通流数据的季节性特征和灰色建模的新信息优先原则,提出了一类新的分数阶季节性GM(1,1)预测模型。在GM(1,1)模型的基础上,首先,利用分数阶截断累加生成算子弱化了数据的季节波动性和随机性特征;然后采用粒子群优化算法寻求最佳阶数;最后,将新模型应用于江苏省南通市区的一主干道路进行模拟仿真。数值计算结果表明:新模型的平均绝对值百分比拟合误差为8.1260%、预测误差为7.6216%,均优于季节性滚动GM(1,1)模型、分数阶GM(1,1)模型和季节性离散GM(1,1)模型。

分数阶累加时滞GM(1,N,τ)模型及其应用

基于系统的时滞性,本文建立了时滞灰色GM(1,N,τ)模型,给出了模型的最小二乘参数估计公式以及模型的解析解.在引入分数阶累加生成算子后,将原模型扩展为分数阶累加GM(1,N,τ)模型,当时滞值为非整数情况时,采用相邻整数点加权构造法,完善了模型;通过粒子群算法确定模型最优的分数阶累加生成阶数.最后本文结合武汉市1995-2008年14年科技投入及经济增长的实际背景,分别建立了经典时滞GM(1,N,7)和分数阶累加时滞GM(1,N,7)模型对GDP数据做了预测,比较了两个模型预测结果,发现分数阶累加时滞GM(1,N,7)模型具有更高的建模精度.

基于灰色系统理论的筒子纱卷绕密度测量误差预测

为提高采用激光扫描建模的筒子纱卷绕密度测量方法的测量精度,提出基于灰色系统理论的测量误差预测方法。通过灰色关联分析脉冲频率、采样周期和参数K与测量误差的相关性,获得满足灰色建模要求的建模参数。根据实际建模结构为非线性和建模因子序列中元素变化幅度较大的特点,基于传统多变量GM(1,N)幂模型,引入背景值优化和分数阶累加生成得到优化后的GM(1,N)幂模型,然后结合粒子群优化算法通过幂指数自适应寻优建立PSGM(1,N)幂模型,利用实际采集数据进行建模精度验证。结合测量误差预测值对卷绕密度测量值进行校正,得到更精确的卷绕密度值。结果表明,相比于传统多变量GM(1,N)幂模型,PSGM(1,N)幂模型的卷绕密度测量误差预测精度提升了48.6%,激光扫描建模方法的测量精度提高了11.7%。