新型近似非齐次反向累加灰色模型研究及应用

为提高灰色预测模型对不同特征序列的适应性,避免模型参数估计与参数应用的“非同源性”,实现模型优化与模型检验两个准则的一致性,基于背景值、建模机理、初始条件三个视角构建了一种新型近似非齐次反向累加灰色模型.研究表明,该模型对衰减序列、增长序列、齐次指数序列和非齐次指数序列都有较高的精度,是对现有灰色预测模型的有效补充.

基于无偏灰色-马尔可夫链模型的铁路客运量预测研究

铁路客运量能够反映一个国家的人口流动,是铁路经济效益计算的重要基础。本文将无偏灰色预测模型与马尔可夫链状态转移矩阵相结合,建立无偏灰色-马尔可夫预测模型。实验表明:无偏灰色-马尔可夫模型预测精度比无偏灰色模型的预测精度高,效果好,模型的参考价值得到了很大提升,为全国铁路各线路的制定、掌握铁路客运量发展规律提供理论参考和数据支撑。

无偏非齐次灰色预测模型的直接建模法

针对灰色预测模型拟合非齐次指数序列时的误差,对白化微分方程和参数无偏估计方法展开研究.首先梳理现有非齐次灰色预测模型,建立NGM(1,1,k)的基本形式;然后从灰导数和背景值两个角度分别优化,提出NGM(1,1,k)的两类无偏基本形式,通过验证两者的统一性得到无偏NGM(1,1,k)的直接建模方法,并且证明该建模方法具有白指数重合性;最后利用6类数据拟合和南京城市天然气供气量两个算例验证了所提出模型的有效性和实用性.

基于无偏灰色GM(1,1)的铁精矿品位预测模型

铁精矿品位的准确预测对铁矿选矿厂的生产和管理具有重要意义。为解决选矿厂生产过程中具有随机波动性的铁精矿品位预测问题,提出一种基于线性变换法的无偏灰色GM(1,1)铁精矿品位预测模型。通过采用一种线性变换方法降低铁精矿品位数据序列的波动干扰,将随机波动数据序列转换为单调增长的数据序列,然后将变换后铁精矿品位数据序列代入无偏灰色GM(1,1)模型以实现铁精矿品位预测模型的建模,最后将该预测模型用于两组铁精矿品位数据序列进行了验证。结果表明,基于线性变换的无偏灰色GM(1,1)铁精矿品位预测模型在预测精度和预测性能上优于两个改进的GM(1,1)预测模型,其预测精度均为一级,预测的最小相对误差为0.2%,平均绝对误差均小于1%,模型具有较好的应用性和有效性,为短期预测铁精矿品位提供了一种新途径。

基于改进非等时距灰色模型与PSO优化的轨道不平顺预测

基于轨道动检数据开展的轨道不平顺预测研究,可用于指导以预防为主的养护维修作业。将改进非等时距灰色模型与粒子群优化(Particle Swarm Optimization,PSO)相结合来实现轨道质量指数(Track Quality Index,TQI)的高精度预测。在考虑TQI原始动检数据特征的基础上增加原始数据平滑优化、累加初始值优化和背景值优化等环节提出改进非等时距灰色模型。利用PSO算法的启发式搜索优势,以平滑优化参数、初始值优化参数、背景值优化参数为搜索目标,以预测平均相对误差为适应度函数,实现预测模型参数的自适应优化。在此基础上,基于优化参数计算得到拟合区间和外推区间上的TQI预测结果。选取沪昆线上行区段实测TQI数据对本文方法进行验证,并与既有TQI组合预测模型的预测结果进行了对比。研究结果表明,模型可有效捕捉TQI序列中的随机波动与实时演变趋势,在外推区间上的平均相对误差分别为2.04%和2.54%,预测性能优良;当TQI序列振荡特性显著时,本模型仍能保证预测结果的可靠性;与组合预测模型相比,该模型规避了残差修正、多算法融合等繁琐步骤,可通过有限优化环节提升预测精度,为轨道不平顺预测提供一种新方法。

基于马尔可夫残差修正灰色模型的轨道质量指数及其分项预测

为研究轨道质量指数(Track Quality Index,TQI)及各分项值的变化趋势,本文考虑动检数据的非等时距特征,构建了关于TQI及各分项值的一阶灰色模型。原始数据经过累加变换后,利用最小二乘法求解模型的灰参数,并引入马尔可夫残差修正方法对灰色模型进行修正。通过对比修正前后灰色模型TQI及各分项的输出值(拟合值和预测值)与实测值,验证残差修正对提升模型预测精度和降低预测误差的改善效果。结果表明:经马尔可夫残差修正后,灰色模型TQI及各分项输出值可以较好反映其波动情况;与修正前灰色模型相比,修正后灰色模型TQI预测值与实测值的平均误差由1.59%降至0.89%,整体预测精度由2级提升到1级;TQI各分项预测值与实测值的平均误差由3.18%降至1.42%,整体精度由2~4级提升到1~2级。从降低误差和提升预测精度两方面看,修正后灰色模型的预测效果明显提升。

基于无偏灰色组合动态模型的铁路客运量预测研究

针对目前铁路运输客运量预测在精度方面的不足,提出一种无偏灰色组合动态预测模型,应用于现有铁路客运量的预测。通过借鉴无偏GM(1,1)模型直接建模思想,对传统的灰色Verhulst模型作出改进,即对原始序列作倒数生成,运用新生成的倒数序列建立无偏灰色Verhulst模型,以消除传统的灰色Verhulst模型自身的一些偏差;为进一步提高模型的拟合精度及收敛速度,引入马尔科夫链方法对无偏灰色Verhulst模型的拟合结果进行修正,同时兼顾数据序列具有一定的时效性,构建出无偏灰色组合动态客运量预测模型。以我国兰青铁路某区段2010—2019年共10年的客运量数据作为原始数据,验证模型的可靠性与准确性,并与传统EDGM(1,1)模型、灰色Verhulst模型和无偏灰色Verhulst模型作对比,结果表明,本文模型在预测精度方面更凸显优势,能有效提高预测结果的准确性。

基于非齐次指数函数的灰色预测模型背景值重构方法研究

灰色模型背景值重构是从变形数据本身出发,考虑数据波动性而引起的模型偏差对预测结果的影响,对背景值的构造形式加以改进。本文针对齐次指数函数的背景值拟合法存在的不足,提出了一种基于非齐次指数函数的背景值重构方法。其核心思想是充分考虑u/a的影响,将原始数据的1-AGO序列抽象为非齐次指数函数。该方法建模简单,计算方便,能够有效地提高拟合、预测精度。且不受0<-a<2的限制,在-a≥2的情况下也能保持良好的拟合、预测效果。

含非线性时间项的无偏灰色模型构建与应用

针对含二次多项式时间项灰色模型存在着从差分到微分的跳跃性误差,提出了其无偏模型,此模型无需已知白化方程解析解。借助新变量将原白化方程转化为矩阵微分方程,根据方程的解直接建立离散时间响应函数的递推公式,利用直接建模法给出无偏模型的参数估计,采用精细积分法直接对数据进行高精度的模拟(预测),并以误差平方和最小为目标对初始点进行优化。从理论上证明了该模型具有含线性时间项非齐次指数规律重合性和伸缩变换一致性,从非齐次指数序列和能源消费实例上也验证了所构建模型的无偏性和有效性,具有更好的拟合(预测)精度。

无偏灰色—BP神经网络组合模型在变形预测中的应用

在传统灰色预测模型和BP神经网络模型的基础上提出了一种新的组合模型来对变形监测中的沉降进行预测。运用无偏灰色-BP神经网络组合模型,兼顾了灰色预测模型计算样本少、计算简单和BP神经网络自组织、自适应的预测能力等优点,并通过实验结果证明,利用该组合模型方法预测结果的精度明显优于单纯的灰色模型和无偏灰色模型。

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.

基于新维无偏灰色马尔可夫模型的大坝沉降预测研究

【目的】基于组合预测思想,结合灰色理论与马尔可夫预测方法的特点构建一种新的预测模型,为大坝沉降量的中长期预测提供支持。【方法】通过对传统灰色系统模型的优化改进,简化建模步骤并提高模型预测精度。在此基础上,借助于马尔可夫模型处理时间序列的随机性波动,克服灰色模型对随机波动性大的序列预测精度较低的局限性,并利用新信息优先原理,构建新维无偏灰色马尔可夫组合预测模型。将构建的新维无偏灰色马尔可夫组合模型应用于大坝沉降量的预测。【结果】构建的模型预测平均误差由原来的1.7%降低为1.0%,且预测误差的变化波动性减小。同时,随着预测期数的增加,相对于传统灰色模型,改进后的组合模型的预测精度进一步提高。【结论】与传统计算方法相比,所建立的新维无偏灰色马尔可夫组合预测模型计算量小、预测精度较高,且该模型保留了传统灰色模型短期预测精度高的优点,提高了模型的中长期预测能力,适用于大坝沉降量的中长期预测。

PSO-无偏灰色马尔科夫模型在船舶交通流量预测中的应用

为提高船舶交通流量的预测精度,利用具有全局搜索能力的粒子群算法(Particle Swarm Optimization, PSO)对无偏灰色马尔科夫模型进行优化,构建船舶交通流量预测的PSO-无偏灰色马尔科夫模型。该模型可综合考虑预测中的残差序列、状态区间、状态转移概率,自适应选取最优白化系数,用以准确表征船舶交通流量的发展趋势。以东营港2012—2017年船舶交通流量季度统计数据为例,选取前21个季度数据对模型进行训练,后2个季度数据对预测结果进行分析,与传统的无偏灰色模型和无偏灰色马尔科夫模型相比,该模型能显著地提高船舶交通流量的预测精度,其拟合精度和预测精度分别为91.439%和95.959%,验证后该模型具有科学性与有效性。

一种新的非等间隔灰色预测模型

文章分析得出传统非等间隔GM(1,1)模型模拟序列并非GM(1,1)模型的指数序列,因此导致其应用范围不及GM(1,1)模型。建立模拟序列为指数序列的非等间隔GM(1,1)模型,线性组合背景值的建立使得模型满足无偏性。以实例数据验证了新的非等间隔灰色预测模型对非等间隔近似指数序列拟合具有更高的精度,拓广了灰色理论的应用范围。

应用改进无偏灰色模型预测油气田产量

无偏灰色模型不存在传统灰色模型固有的偏差,虽然在一定程度上提高了预测的准确性,但在实际应用中预测值与实际值相差较大,不能满足预测精度的要求。在研究传统模型优化方法的基础上,应用幂函数法和新陈代谢法优化无偏灰色模型,提出了改进无偏灰色模型。根据油田年产油量统计数据,分别建立了无偏灰色模型、幂函数-无偏灰色模型以及改进无偏灰色模型,并将这3种模型预测结果与实际产油量进行比较。结果表明,改进无偏灰色模型预测精度明显高于其他2种模型,平均相对误差仅为5.53%,小误差概率大于0.95,均方差比为0.34,说明预测值与实际产油量拟合度高,能够达到预测精度的要求,可用于油气田产量预测。

近似非齐次指数序列的离散灰色模型特性研究

针对近似非齐次指数增长规律的数据序列,构建了近似非齐次指数序列的离散灰色模型,给出了该模型的参数求解公式和模型的递推函数。以演绎推理的方法对模型的仿射特性进行研究,分别从数乘变换和平行变换的角度分析了模型中仿射变换前后模型参数、模型模拟预测值的变化特征,在仿射变换条件下可以对原始数据序列进行简化建模。通过仿射变换,可以缩小数据的量级,简化建模过程,而不会改变模型的模拟和预测效果。

可变参数无偏灰色模型的中长期负荷预测

由于传统灰色预测模型固有的偏差和模型参数的固定选择,导致预测精度较低,不适应中长期负荷预测。对传统模型进行改进,包括对历史数据的平滑处理、模型参数修正、等维新息数据处理和对预测值的修正等,改进后的模型能够较好的预测中长期负荷。

基于灰色GM(1，1)非等时距修正模型的轨道质量预测

根据灰色理论,以轨道质量指数检测数据为原始时间序列,通过累加弱化序列的随机性,挖掘轨道系统内在的规律,研究建立基于灰色GM(1,1)非等时距模型的轨道质量预测方法。为提高模型预测精度,优化模型中的初值和背景值,并基于残差分析引入周期性函数,对模型进行修正。用此模型对轨道质量指数TQI数据进行分析预测,并对模型精度进行检验。结果表明模型能较好地反映轨道质量恶化发展的随机波动特征,拟合、预测精度高,为了解和掌握轨道质量状态的发展规律提供了新的方法。

非等时距灰色预测模型在连拱隧道监测中的应用

针对对门坡连拱隧道采用中导洞上下台阶法施工过程中隧道洞内变形的现场监测信息,采用非等距灰色预测模型对连拱隧道施工过程中隧道围岩的变形趋势进行了预测,并将预测结果与由指数模型和双曲线模型得到的结果进行了对比分析。分析结果和工程实践表明,其预测结果精度高,更接近于实测值,能很好地反映连拱隧道围岩的变形规律。

无偏灰色预测模型在边坡变形预测中的应用

根据边坡位移监测信息,应用灰色系统预测模型,可以对边坡变形的发展进行预测.采用传统灰色预测模型和无偏灰色预测模型对边坡变形进行预测,预测结果表明,两种模型都是有效的,无偏灰色预测模型的精度更高.