基于遗传神经网络的非等时距加权灰色线性组合模型在变形监测中的应用

针对非等时距以及BP神经网络会陷入局部极小值的问题,本文提出了基于非等时距加权灰色组合GA-BP模型的新方法。首先对原始变形监测数据采用非等时距的加权灰色组合线性模型处理,然后利用处理后的数据求出残差进而建立GA-BP神经网络模型进行残差修正。通过对比非等时距GM(1,1)以及非等时距加权灰色线性组合模型的结果,发现基于非等加权灰色线性组合GA-BP神经网络模型可以有效地提高模型精度,具有一定的应用价值。

卡尔曼-非等时距加权灰色线性组合模型探讨

针对监测数据中不可避免的含有随机噪声以及监测时间往往不是等时距的问题,该文提出了一种基于卡尔曼滤波的非等时距加权灰色线性组合方法:首先对原始变形监测数据进行卡尔曼滤波处理,有效剔除随机噪声的影响;然后利用滤波后的数据建立非等时间间隔的加权灰色线性组合模型进行预测;最后进行对比分析。该模型不仅具有线性回归以及GM(1,1)的特点,而且克服了传统GM(1,1)的不足。实验结果表明,基于卡尔曼滤波的非等时距加权灰色线性组合模型不仅可以有效的剔除监测数据中的随机噪声,而且提高了模型精度,具有一定的参考价值。

遗传算法加权指数灰色模型的应用

由于传统的灰色模型和指数平滑模型在用电量预测方面精度欠佳,为了对江西省全社会用电量进行短期预测,从统计年鉴官网获得2000—2022年江西省全社会用电量数据,然后将灰色模型与指数平滑模型采用遗传算法决定加权组合,得到加权指数平滑灰色模型。利用加权指数平滑灰色模型对该数据进行模型构建,最后在验证模型有效性的基础上进行未来用电量预测。结果显示,所提出的方法相对于其他单项模型和传统的组合模型而言,预测得到的结果更加准确,平均相对误差更小,具有较高的预测精度,为用电量预测提供更可靠的参考,对用电量管理和规划具有重要意义。

加权灰色线性回归组合模型在高铁隧道沉降监测中的应用

近年来,相关的研究与实践表明,变形监测的数据处理方法比较成熟,如回归模型、卡尔曼滤波模型、灰色模型、时间序列模型以及人工神经网络模型等各种模型,均经过了各种检验,而且有效地应用在变形监测技术中。然而单一的模型预测有其自身的局限性,因此,预测模型需要采用组合优化模型弥补单一模型的缺陷。本文主要阐述了加权灰色线性回归组合模型在高铁隧道沉降预测中的应用,通过与传统的GM(1,1)模型以及灰色线性回归组合模型进行对比。实验结果表明,加权灰色线性回归组合模型具有较高的预测精度。

灰色──时序线性组合预测模型的研究

对于趋势随机型数据序列的预测问题，文章在ＧＭ（１，１）模型和基于均生函数的 ＥＯＦ模型 的基础上，提出了线性组合预测方法，并将此方法用于预测分析福建省农林牧渔业总产值指数，结 果表明，该方法具有拟会效果好，预测精度高的特点。表１，参６。

小波预处理的加权灰色线性回归组合模型及应用

准确预测高速公路路基沉降是有效预防和控制高速公路建设期和建后运营期路基沉降的重要保障。针对路基沉降系统是一个信息不完全的灰色系统,收集到的监测数据通常含有噪声,利用小波消噪函数对样本数据进行预处理,运用灰色预测理论构建灰色模型GM(1,1)与线性回归的加权组合模型,用于对路基沉降量进行预测。研究表明,模型改善了原灰色预测模型仅能反映指数增长趋势而不能反映线性变化趋势的不足,和单纯灰色模型相比,预测精度更高,预测结果更为可靠,具有一定的实际应用价值,也为路基沉降预测研究提供了新的途径。

灰色线性组合模型在基坑监测中的运用

本文论述了灰色系统理论在深基坑沉降数据处理中的运用,在运用过程当中,分别采用了GM(1,1)模型和灰色线性组合模型两种方法对数据序列进行拟合和预测。并得出了灰色线性组合模型在基坑沉降预测中比GM(1,1)更精确可靠的结论。

基于灰色线性组合模型的农产品物流需求预测

以北京市农产品物流需求为研究对象,采用灰色GM(1,1)模型为基本方法,使用Matlab软件,借助蚁群算法求出了单个模型的权数,构建出灰色线性组合模型,对"十三五"时期北京市农产品的物流需求进行预测。研究发现:北京市农产品物流需求在"十三五"期间稳定增加。因此,要平衡"十三五"期间北京市农产品物流的供给与需求,应增加农产品物流的供给,即完善农产品物流基础设施建设、大力支持农产品物流企业的发展和政府加强宏观调控。预测的结果表明:灰色线性组合模型的拟合度较好,比其他传统方法有更高的预测精度。

卡尔曼滤波-非等时距灰色线性组合模型在变形监测中的应用

建筑物沉降是一个具有趋势性的动态过程,前期数据通常蕴含着后期数据的变化趋势,但变形数据中不可避免地存在随机观测噪声,且变形监测时间通常是不等时间间距的。本文提出一种卡尔曼滤波-非等时距灰色线性组合模型,首先将原始变形数据代入卡尔曼滤波器,去除随机观测噪声,然后将滤波后的非等时距数据进行等时距处理,并建立含有线性因素的灰色组合模型预测变形监测沉降值。实验结果表明,卡尔曼滤波-非等时距灰色线性组合模型拟合平均相对误差为1.908,预测平均相对误差为2.01,一定程度上能有效提高拟合与预测精度。

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用.在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法.通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响.在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度.经算例验证,该算法预测精度达到1级,且高于类似算法.

线性组合预测模型及其应用

预测的关键是建立合理的预测模型。不同的预测模型各有长处,通过对不同预测模型的线性组合可以得到效果更好的线性组合预测模型。本文以福建城镇居民恩格尔系数为研究对象,分别建立线性回归预测模型、灰色系统预测模型、遗传神经网络(GABP)预测模型,并在此基础上建立线性组合预测模型。实证研究表明,线性组合预测模型预测效果较好。

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。

基于ARIMA和灰色模型加权组合的短期交通流预测

交通流预测是智能交通系统至关重要的一部分,应用于交通流预测的方法非常多,由于实际路况的复杂性和单个方法的局限性,现有方法的精确度亟待提高。为解决这一问题,采用数据融合的方法,对传感器采集的原始数据做数据预处理,利用小波分析去除信号多余的噪声,然后利用ARIMA模型和灰色模型分别对同一交通流序列进行建模,得出两者各自的预测结果后,找出最佳权值对两种模型的结果进行加权,得到数据融合后的预测结果。仿真结果表明,该组合模型改善了单个预测方法的短处,使得预测精度有所提高。

优化非等时距加权灰色-时序组合模型在地铁监测中的应用

对某地铁工程沉降数据进行建模预测,可以掌握其变形规律并预测变形趋势。本文将传统非等时距灰色模型引入时距权比系数,按照不同的生成及还原方式构建3种预测模型,并确定最优拟合序列。在此基础上,组合时序模型对残差部分进行处理,建立优化非等时距加权灰色-时序组合模型,结合工程实例进行验证。结果表明,优化非等时距加权灰色-时序组合模型在地铁监测中具有实用性。

加权灰色预测模型及其计算实现

鉴于GM(1 ,1 )灰色预测模型中背景值取值方法的不足 ,引入背景值最佳生成系数 ,得到新的背景值计算式 ,从而将GM(1 ,1 )预测模型扩展为加权灰色预测模型———PGM (1 ,1 )预测模型 ;并对PGM(1 ,1 )预测模型中的最佳生成系数 p及灰参数的估计计算进行了详细论述 ,应用迭代法来确定相应的数值。实例表明 ,此方法的拟合精度和预测效果均优于GM(1 ,1 )模型。

基于非等时距加权灰色模型与神经网络的轨道不平顺预测

对轨道不平顺的发展趋势进行有效预测,可以提高铁路线路养护的维修效率,保障行车安全。根据轨道不平顺的发展特性,提出一种基于非等时距加权灰色理论和神经网络法的组合预测方法。该方法通过构建非等时距加权灰色预测模型,将原始TQI序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,较好地反映了时间序列对轨道不平顺预测结果的贡献。在此基础上,引入BP神经网络模型对TQI预测的残差序列进行修正,较好地克服了单一模型预测精度偏低的不足。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该预测方法相对误差平均值分别为2.76%和2.08%,预测结果的后验差比值分别为0.121和0.151,精度等级达到1级。

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。

多元指数加权电力负荷灰色优化组合预测

由于电力负荷具有增长性和波动性并且受到多个因素影响,使得电力负荷的变化呈现出复杂的多元性及非线性组合特性,对于这种具有复杂的多元性及非线性组合特性的序列,使用传统的模型进行预测,预测精度往往不理想。为了提高预测精度,作者为提出了多元指数加权电力负荷灰色优化组合预测模型。其中灰色优化组合预测模型用于进行非线性增长趋势的电力负荷预测,指数加权法能解决历史负荷的波动性问题。实际算例表明,所提出的方法由于综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度。

加权组合模型在城市用水量预测中的应用

鉴于传统灰色模型在建模中存在固有偏差的问题,本文采用无偏灰色GM(1,1)预测模型.在无偏灰色预测模型表达式的基础上,又提出了非线性的预测模型,并将其用于城市的用水量预测上.考虑到单一预测模型在预测过程中存在的不足,用最优加权组合模型对无偏灰色GM(1,1)模型和非线性模型进行组合,并将加权组合模型首次用于遂宁市的城市用水量预测.预测结果表明,组合模型的预测精度优于单一的预测模型,预测结果与城市的实际用水量拟合较好,该方法可推广到其它类似城市的用水量预测中.

加权灰色与加权统计模型在边坡变形预测中的应用研究

利用实测变形数据建立监测模型对边坡变形规律进行预测是工程安全监测中的重要手段。对于长期发展变化的变形来说,新、旧信息反映的规律通常会有所不同,充分合理利用新的实测信息是实时掌握边坡状态、预测下一阶段趋势的必要工作。以加权的方法增强新的监测信息的作用,适当削弱旧信息的作用,比较选取权形式,对相应的变形加权回归模型和加权灰色模型进行建模分析,其预测效果比不加权模型有较明显改善。并通过权重的改变对模型的拟合、预测结果进行了比较,总结其规律,提出了使用建议。