灰色-周期外延组合模型在参考作物腾发量预测中的应用

参考作物腾发量ET0是计算作物需水量、制定灌溉制度和进行水资源优化配置的重要参数之一。因参考作物腾发量随季节性变化,并呈现以年为周期波动的特点;在这种情况下,提出了一种基于灰色GM(1,1)与周期外延相结合的预测模型,即灰色-周期外延组合模型。以沈阳、鞍山、铁岭、盘锦4个地区1997-2006年参考作物腾发量季节值为例进行分析和模拟。结果表明:运用灰色-周期外延组合模型预测参考作物腾发量比原有的GM(1,1)模型预测精度高。该模型预测过程简单,预测结果可靠,适应性强。因此,该模型可广泛的应用于参考作物腾发量的季节预测。

海洋灾害直接经济损失预测——基于灰色-周期外延组合模型

文章根据我国海洋灾害所呈现的特征规律,构建灰色-周期外延组合模型,对我国2007年海洋灾害的直接经济损失进行预测,以期对各有关部门制定减灾管理措施,提供科学的决策依据。研究发现2007年我国海洋灾害直接经济损失不及2005年,但超过2006年,仍为重灾年,各部门应提前做好应急准备。

灰色-周期外延组合模型在煤炭需求预测中的应用

文章针对煤炭需求的趋势性和季节性波动特点,提出了灰色-周期外延组合模型,即在灰色GM(1,1)模型的基础上建立残差周期外延模型。该模型能够较好的刻画了短期煤炭需求的增长性和季节波动性二重趋势。预测实例表明了该模型明显提高了短期煤炭需求预测精度。

基于灰色-周期外延组合模型的电力负荷预测

提出了灰色–周期外延组合模型,即在一般灰色模型GM(1,1)的基础上建立残差周期外延模型,并提取优势周期以重新构造新的数据序列,再将不同周期同一时刻的值叠加。该模型兼顾了电力负荷的增长性和周期波动性二重趋势,较好地克服了上述二重趋势引起的负荷变化非线性组合特征给精确负荷预测带来的困难。实例计算结果表明该模型明显地提高了电力负荷预测精度。

灰色-周期外延组合模型在地质灾害频数预测中的应用

地质灾害发生频数的有效预测有着重要价值。用残差GM(1,1)模型对地质灾害频数总体趋势拟合,将残差用周期外延模型拟合,从而建立了地质灾害频数的灰色-周期外延组合模型。用2005年—2009年我国发生地质灾害频数进行了实例分析,并进行了一步预测。结果表明:拟合结果达到了较高的精度,模型预测是有效的,为地质灾害频数拟合与预测提供了一种方法。

道路交通事故死亡人数的灰色-周期外延组合模型

针对我国道路交通事故死亡人数既有总体变化趋势又有周期波动的特点,建立了灰色-周期外延组合模型。该模型是在GM(1,1)模型的基础上建立的残差周期外延模型。它提取优势周期,通过将不同周期同一时刻的值叠加,生成灰色-周期外延组合模型。利用该模型对我国道路交通事故死亡人数进行预测,可明显提高预测精度。

应用灰色-周期外延组合模型预测货运量

灰色-周期外延组合模型是在GM(1,1)基础上建立的残差周期外延模型,并提取优势周期以重新构造新的数据序列,再将不同周期同一时刻的值叠加。该模型克服了货运量的单调性和周期波动性给预测带来的困难。通过利用该模型的优点,对某公司的货运量动态变化进行预测,说明该模型可明显提高货运量的预测精度。

中山大学附属医院总诊疗人次灰色-周期外延组合预测模型分析

目的研究我校七所附属医院诊疗人次的变化规律,建立、分析和比较各医院预测模型,为医院运营策略制定和资源调配提供依据。方法对各医院2005～2010年各季度的总诊疗人次进行数据分析,建立灰色-周期外延组合预测模型。结果各医院模型中反映总诊疗人次发展态势的参数-a的值分别为0.014、0.016、0.027、0.013、0.018、0.012、0.025,均小于0.3,各模型的平均残差均小于10%。结论各医院总诊疗人次既有一致的长期增长趋势又有季节变动效应,灰色-周期外延组合模型是较为理想的预测模型。

基于改进灰色-周期外延模型的中长期水文预报

通过分析灰色系统理论和周期分析方法在水文预报中的各自特点,建立了灰色-周期外延组合预报模型。针对模型预报误差,采用AR(p)模型对误差序列进行拟合和预测,并据此对原模型预测值进行校正。将改进后的模型应用于中长期径流预报实例计算中,结果表明,改进后的模型更好地利用了实测系列的信息,具有更高的预报精度。

山东省风暴潮灾害经济损失预测——基于灰色—周期外延组合模型

山东省是海洋灾害多发的省份,其中以风暴潮灾害为最甚,给山东省带来了十分巨大的经济损失。运用灰色—周期外延模型对山东省风暴潮灾害造成的直接经济损失进行预测,期望能够构建一个有效的预测模型,对风暴潮灾害进行准确的预测,研究发现2015年和2016年风暴潮可能造成的损失分别为5.92和5.88亿元,相比前两年来说风暴潮造成的损失要大,相关部门要做好防灾减灾的准备。

基于灰色-周期外延模型的年最大流量预测

通过对螺河流域控制水文站最近18 a的年最大流量进行分析,发现在研究时段内该流域年最大流量既有明显变化趋势又有周期性变化,对此提出预测该控制站年最大流量的灰色-周期外延模型,取得较好的预测效果。

灰色～周期外延组合模型在吉兰太盐湖卤水动态预测中的应用

本文利用灰色预测和周期外延预测模型的优点，提出了灰色预测与周期外延预测相结合的灰色～周期外延组合模型，对吉兰太盐湖卤水的动态变化进行了模拟，结果可靠，该模型可广泛应用地下水动态预测和其它序列预测。

基于周期外延法的监测效应量灰色时序组合预测模型

针对单一模型在大坝效应量监测数据序列拟合和预测方面存在的不足,采用Verhulst模型拟合监测数据序列中的趋势性成分,采用周期外延模型拟合监测数据序列中的周期性成分,采用自回归AR(p)模型拟合监测数据序列中的随机性成分,得到一种新的组合模型,并给出了一个工程实例。该组合模型丰富了监测效应量预测方法,可提高监测效应量的整体预测精度,深化对监测效应量变化规律的认识。

地下水动态预测的灰色─周期外延组合预测模型

本文提出的灰色预测与周期外延预测相结合的灰色─周期外延组合预测模型，吸取了灰色预测与周期外延预测的优点，可广泛应用于地下水动态预测及其它序列预测。

灰色GM(1,1)-小波变换-GARCH组合模型预测松花江流域水质

为了研究松花江流域水质变化情况,预测未来水质变化趋势以及对松花江流域水质的保护提供理论依据和决策方案,通过对松花江抚远段2012年前15周的实测溶解氧(dissolved oxygen,DO)、高锰酸盐指数CODMn、氨氮NH3-N数据分析,以灰色GM(1,1)模型、小波分解与重构和广义自回归条件异方差(generalized auto-regressive conditional heteroskedasticity,GARCH)模型为基础,建立了灰色GM(1,1)和灰色GM(1,1)-小波变换-GARCH组合的混合预测模型,并以抚远段实测DO、CODMn、NH3-N数据为实例进行验证,预测结果极显著(P<0.01),预测误差分别为3.39%、8.56%、7.83%,表明该预测模型精度较高,适用于对水质变化的预测研究。最后,利用该模型对松花江抚远、黑河、嘉荫和同江段2013年前8周的4个污染指标进行预测分析,预测结果与实测数据误差较小,基本符合水质未来变化趋势,为相关部门对松花江流域水质预测和保护提供参考。

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。

基于灰色周期外延的航线客流量区间序列预测模型

为解决无法获取先验分布模式的“贫信息、小样本”航线随机客流量预测问题,提取这类航线客流量时间序列的上、下界信息,并在中间增加一个偏好值,形成包含左界点、中间点和右界点的三元区间数结构的航线客流量表达形式,将三元区间数数据结构转换为左半径、中心及右半径3个独立的时间序列,再利用灰色系统理论建立航线客流量预测模型,并利用周期外延模型对上述模型得出的残差序列进行修正。采用2004—2019年民航客运量数据进行验证分析。结果发现,ARIMA(autoregressive integrated moving average model)模型预测检验的平均绝对百分比误差为6.77%,灰色周期外延模型的平均绝对百分比误差为1.66%,因此后者在短期预测上有较大优势。

周期叠加外延—最近邻抽样回归组合模型在韩江流域年径流预测中的应用

为提高年径流预报精度,尝试将周期叠加外延法与最近邻抽样回归模型结合,用韩江流域潮安站年径流系列作试验,结果表明组合模型预测合格率比单一周期叠加外延模型高,预测效果较好。

基于SVM补偿灰色周期外延模型的航线客运量预测

针对航线客运量构成的时间序列既有总体变化趋势又有周期性波动的特点,构建GM(1,1)模型对序列的趋势性进行预测。获取灰色模型预测值的残差序列,构建周期外延模型提取残差序列的优势周期,生成灰色周期外延模型组合对周期性波动进行预测,在此基础上,基于支持向量机模型对灰色周期外延模型预测值的残差进行修正补偿。实证分析发现,该0模型预测值的平均绝对百分比误差值随着周期性叠加和SVM补偿逐步降低,精度较灰色模型提高了3.4%。因此该方法可以为航线客流量预测提供决策支持。