GM(1,1)模型几种初值改进方法在短时交通流预测中的应用

文章介绍了GM(1,1)模型几种常见的初值改进方法,并运用于短时交通流的预测中。通过误差分析,我们发现初值优化对提高GM(1,1)模型拟合与预测精度的作用不大,要进一步提高其拟合与精度需要依靠其他的优化手段或提出更好的初值优化方法。

基于初值改进的多变量MGM(1,m)模型研究

传统多变量MGM(1,m)模型在求解灰色微分方程组时以序列矩阵X^((1))中各序列的第一个分量组成的向量作为初始条件进行建模,没有充分利用新信息。基于新信息优先原理,在传统多变量MGM(1,m)模型建模的基础上,本文提出把序列矩阵X^((1))中各序列的第n个分量组成的向量作为灰色微分模型的初始条件,对传统多变量MGM(1,m)模型进行改进,以提高模型的预测精度。最后,通过一个算例验证模型的改进效果。

提高摄动外推精度的一种方法——改进初值法

根据人造地球卫星—阶摄动理论的计算方案,导出了利用实测轨道根数改进摄动计算初值的条件方程。利用改进后的初值进行摄动外推,其精度可明显提高。

火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.

改进的灰色电力负荷预测研究——基于粒子群算法和BP神经网络

本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。