GM(1,1)循环残差修正模型及其应用研究

建立了GM(1,1)循环残差修正模型,并与经典GM(1,1)进行比较,考察改进模型的预测效果。结合经典GM(1,1)模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过M atlab软件编程实现了该模型,并将其应用于2009-2010年入境游客量的预测。将本模型应用于2003年至2008年入境游客量预测建模上,其结果明显好于经典GM(1,1)模型,且预测效果更好。基于经典GM(1,1)模型建立了GM(1,1)循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。

一种改进的GM(1,1)模型在交通量预测中的应用

建立了GM(1,1)循环残差修正模型,并与经典GM(1,1)进行比较,考察改进模型的预测效果。结合经典GM(1,1)模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过M atlab软件编程实现了该模型,并将其应用于常熟市某无检测器交叉口每五分钟测得的交通流量预测。将本模型应用于交通流量预测建模上,其结果明显好于经典GM(1,1)模型,且预测效果更好。本模型基于经典GM(1,1)模型建立了GM(1,1)循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。

基于改进灰色模型的电力系统负荷预测

传统的灰色预测模型因其所需历史数据少、计算快、对平稳地区的负荷预测有较高精度等优点,曾被广泛应用。但传统的灰色预测模型对于历史数据要求较高,最好为指数形式,并且在数据波动较大的情况下,其预测误差可能变得较大,不符合实际需要。为了减小预测误差,本文在传统灰色模型的基础上,首先对部分历史数据进行平滑处理,以确保其光滑性,同时对历史数据进行等维处理,不断的剔除旧数据,增加新数据,最后进行灰色循环残差修正,在原始数据和预测模型两个方面进行了修正,提高了电力负荷预测精度。