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。

零担物流时序预测的SARIMA-GRU-BPNN组合模型及应用

针对零担物流的需求物流量显著季节性、非线性和随机性特征使其预测难度大的问题,提出一种零担物流时序预测的SARIMA-GRU-BPNN组合模型的预测方法。使用季节性分解模型将物流量分解为趋势、季节性及残差,对趋势分量采用季节性差分自回归移动平均模型(SARIMA)拟合线性变化,对季节性分量采用门控循环神经网络(GRU)拟合季节性变化,对残差分量采用反向传播神经网络(BPNN)拟合非线性及随机性变化,组合重构得到最终预测值。实验结果表明,与自身单一模型SARIMA、GRU及BPNN相比,均方根误差(RMSE)分别降低31.5%、34.5%及47.1%;与其他单一模型灰色模型、支持向量机、长短期记忆网络及多元线性回归相比,RMSE分别降低71.3%、68.9%、54.4%及70.7%;与组合模型ARIMA-GRU、ARIMA-BPNN及ARIMA-SVM相比,RMSE分别降低31.0%、43.0%及56.1%,且趋势和季节性分量预测模型拟合优度达到92%和99%,有效降低整体预测误差,提升了预测精度和模型稳健性。

体检指标健康预警的灰色-时序组合模型

对于个体健康体检数据而言,传统的以大样本为基础的数学模型无法满足体检数据的建模需求。基于个体体检数据特征分析,首先构建适用于个体体检指标健康预警的近似非齐次指数序列的改进离散灰色模型。其次,为降低单个模型预测精度的有限性,利用方差倒数法为离散灰色模型和差分自回归移动平均模型赋权重,在模型误差平方和达到最小时取得最佳的权重值。从而将两个模型的预测结果进行组合,实现对健康指标的建模与趋势分析,及时掌握个体健康指标的变化并发现潜在的疾病隐患。预测模型在实验数据集上的相对模拟误差与最优基准模型相比有所下降,表明灰色–时序组合模型具有更高的模拟精度,解决了传统的依据单次体检指标进行静态分析的弊端以及单个模型预测结果的局限性,更加关注个体差异,能有效提升健康预警的效果。

基于ARIMA-GM组合模型的农作物播种面积预测——以吉林省为例

农作物种植面积预测能够有效帮助生产者提前掌握未来农业的生产状况。为准确预测农作物播种面积变化情况,寻求一种新型的组合模型权重计算方法。以吉林省历年作物播种面积为原始数据,建立GM(1,1)与ARIMA时间序列组合预测模型。综合使用平均绝对百分数误差、残差平方和最小法及最小二乘法确定组合模型的权系数,在此基础上将三种权系数组合优化后得到最终权重,两种模型权重分别为0.44976和0.55024。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.4%。

上海市闵行区卫生人力资源的灰色-回归模型预测

目的利用灰色-回归模型预测上海市闵行区卫生人力资源数量,为卫生人力的科学规划提供参考依据。方法通过闵行区统计年鉴,提取2010-2021年闵行区床位、卫生人员、执业(助理)医师、注册护士、历年国民生产总值、常住人口数据。采用SPSS AU统计软件分别建立闵行区每千人口卫生人员数、执业(助理)医师、注册护士数以及床位数的灰色-回归模型,对2022-2026年闵行区卫生技术人员的相对数量进行预测。结果应用灰色-回归模型预测,2026年闵行区每千人口卫生技术人员数为8.31人、每千人口执业(助理)医师数为2.86人、每千人口注册护士数为3.99人、每千人口床位数为2.7个,年均增长率分别为5.9%、5.3%、6.4%、1.2%。平均绝对百分比误差≤3.7%,预测精度较高。结论灰色-回归模型对卫生服务资源整体预测具有实用价值,上海市闵行区应继续加大基层医疗卫生投入与卫生服务体系建设。

基于灰色模型的工程造价指数组合预测模型构建

随着大数据及人工智能的发展,构建合理的工程造价指数是工程造价发展的必然趋势。研究基于灰色预测模型和梯度提升决策树(Gradient Boosted Decision Tree,GBDT)预测模型,结合Stacking策略进行模型的组合,得到GM-GBDT工程造价指数组合预测模型。对模型的性能进行分析,发现三种模型中预测性能从高到低依次是GM-GBDT集成预测模型、GBDT预测模型、GM(1,N)预测模型,GM-GBDT集成预测模型对2020年1-12月工程造价指数的真实值和预测值的相对误差为3.86%-1.05%,平均相对误差为2.60%。实证分析结果表明,GM-GBDT联合模型,具有更好的整体预测能力,能够在GM(1,N)和GM的基础上,进一步提升预测准确率。

灰色Verhulst-时间序列组合模型在沉降监测中的应用

针对传统单一的灰色模型、时间序列模型在进行沉降监测数据模型存在精度较低的问题,本文提出了一种灰色Verhulst模型和时间序列模型的组合优化模型。首先,对灰色Verhulst模型、时间序列模型的基本理论进行阐述;其次,建立了灰色Verhulst-时间序列模型,即以灰色Verhulst模型得到的样本数据拟合值作为时间序列模型进行预测的样本值;最后,通过以某建筑物沉降监测点为例进行计算并进行灰色Verhulst模型、时间序列模型以及灰色Verhulst-时间序列模型的预测结果对比。实验结果表明,灰色Verhulst-时间序列组合优化模型的预测精度最高,均方差为0.3275 mm,验证了该组合模型更贴合建筑物沉降的变形趋势。

基于VMD-Kalman-GM组合模型的滑坡位移预测

滑坡位移的预测与分析能为滑坡灾害的预警提供重要数据支持作用,针对受降雨影响存在波动发展的滑坡位移序列,为了提高降雨对滑坡位移影响的预测效果,文章建立了一种变分模态分解(VMD)算法和卡尔曼滤波(Kalman)、改进灰色模型(GM)组合预测的方法,文章基于变分模态分解算法将滑坡地表监测位移序列分解不同频率分量,经过时序组合得到波动值和趋势值,在确定波动值与降雨数值时滞相关性的条件下,提出了一种考虑降雨数值的变化趋势的卡尔曼滤波预测模型,建立降雨时间滞后影响下的卡尔曼滤波预测模型,利用该模型进行滑坡位移波动值的动态预测,同时建立动态灰色预测模型预测趋势值,最后波动值和趋势值合成得到滑坡预测数值,建立了VMD-Kalman-GM组合预测模型。以中国三峡库区八字门滑坡监测数据为例,将预测结果与实测值进行比较,验证了该方法的可行性和准确性,为滑坡位移的预测提供了一种新的方法。

配电网负荷预测中信号分解和预测模型组合的双层优化策略

负荷时间序列的波动性和非线性特征的加剧对负荷预测方法提出了更高的要求,而常规组合预测方法针对海量负荷数据存在应用局限性问题。为此,提出了配电网负荷预测中时序分解方法和预测模型组合的双层优化策略。首先针对某一负荷预测数据,在时序信号分解层配置权重,以负荷均方根误差最小寻优各分解方法的权重系数,进而获得各时序信号分解方法的最优组合;在此基础上,在预测模型层进行组合方案寻优,通过配置权重系数以获得各预测模型的最优组合,进一步提升负荷预测的精度。仿真结果表明,所提策略可根据预测对象的特征优化组合各信号分解方法和预测模型,降低了配电网负荷序列的非平稳性对预测精度的影响。

考虑时序特征的深圳港集装箱吞吐量组合方法预测

集装箱吞吐量预测对港口企业运营及决策具有重要的作用。传统集装箱吞吐量预测方法存在预测精度不高的缺点。为解决这一问题,提出了一种考虑季节性和不确定性的SARIMA-XGBoost组合预测方法。针对集装箱吞吐量的季节性特征,选取季节性自回归移动平均模型(seasonal autoregressive integrated moving average model,SARIMA)捕捉周期性特征和线性特征;针对集装箱吞吐量中的不确定性因素,选取极致梯度提升树算法(extreme gradient boosting,XGBoost)自适应学习时间序列数据中的复杂模式和非线性特征。通过选取优化指标并计算分配权重的方式实现了预测模型中线性和非线性特征的有效融合,从而提升预测精度。通过对深圳港2013—2022年集装箱吞吐量月度数据进行实证研究和对比分析,结果表明SARIMA-XGBoost组合方法预测精度最高、稳定性好,验证了该组合方法在集装箱吞吐量预测中的有效性。

灰色-时序组合模型在建筑物沉降预测中的应用

为了获得较为准确的建筑物沉降预测结果和较高的预测精度,结合灰色模型、时间序列模型的优点,提出灰色-时序组合模型进行建筑物沉降预测的方法,有效克服了单一模型预测精度低的缺点。以某工程实例沉降观测数据作为原始建模分析数据,通过对灰色预测模型、时间序列预测模型以及组合预测模型的预测结果进行比较分析,结果表明,灰色-时序组合模型预测的沉降值更接近实测值,预测的精度比单一模型更高,具有一定适用性,有利于高层建筑物的沉降预测、预警,确保建筑物的安全性。

基于灰色回归模型广州市果蔬类生鲜农产品冷链物流需求预测

目的通过对不同预测方法的误差进行对比研究,选取预测精度较高的方法,促进部门科学化决策。方法从农产品供给、社会经济水平、冷链物流保障、居民规模与消费能力四大维度选取15个指标来构建影响因素指标体系,对影响因素与冷链物流需求进行灰色关联度分析。采用GM(1,1)、GM(1,6)与主成分-多元回归线性模型对果蔬类生鲜农产品冷链物流需求进行预测。结果GM(1,1)预测模型、GM(1,6)预测模型、主成分-多元回归线性预测模型的预测误差分别为2.97%、1.70%、2.53%。结论GM(1,6)预测模型预测精度最高,该模型适用于中短期的冷链物流需求预测,具有较高的应用价值。

褐土全氮含量Vis/NIRS组合预测模型的构建

准确掌握农田土壤全氮含量对于评估土壤肥力,合理施用氮肥具有重要意义。为综合利用各个单预测模型的优势,提升整体预测性能、降低模型方差,提高鲁棒性,以农田褐土土壤为研究对象,基于近红外-可见光高光谱数据,提出了一种基于标准差的预测有效度组合预测模型(CPM),用于预测土壤全氮含量。对原高光谱数据采用Savitzky-Golay平滑和一阶微分变换,采用树模型进行特征波段提取,利用决策树回归(DTR)(模型1)、高斯核回归(GKR)(模型2)、随机森林回归(RF)(模型3)、LASSO回归(模型4)、多层感知器回归(MLP)(模型5)5个单预测模型,通过单预测模型的线性组合建立组合预测模型。结果表明:(1)通过广义简约梯度优化算法求得组合预测模型中5个单预测模型的权重分别为ω_(1)*=0.407,ω_(2)*=0.378,ω_(30*=0.215,ω_(4)*=0,ω_(5)*=0;(2)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测有效度分别为M_(1)=0.855,M_(2)=0.856,M_(3)=0.847,M_(4)=0.785,M_(5)=0.796,M_(CPM)=0.880;与单模型预测有效度最大值相比,组合预测模型预测有效度提高了2.924%;(3)对于所有数据,基于5种单预测模型和组合预测模型对土壤全氮含量预测的预测精度和标准差分别为E(A_(1))=0.924,σ(A_(1))=0.075,E(A_(2))=0.928,σ(A_(2))=0.077,E(A_(3))=0.923,σ(A_(3))=0.082,E(A_(4))=0.882,σ(A_(4))=0.109,E(A_(5))=0.889,σ(A_(5))=0.104,E(A_(CPM))=0.937,σ(A_(CPM))=0.066,与单模型预测精度最大值相比,组合预测模型预测精度提高了0.970%,模型稳定性提高了12.000%,且为优性组合预测。组合预测模型可用于可见光-近红外光谱数据的农田褐土土壤全氮含量的有效估测,可为农田土壤全氮含量的快速监测提供依据和参考。

基于降雨量数据的程潮铁矿涌水量时序性预测模型

无底柱分段崩落法开采必然形成大范围的地表塌陷区,所分布的导水裂隙将导致大量的地表降水向下渗透,引起巷道涌水量骤增,程潮铁矿现已进入-500 m开采水平,大气降雨与崩落法开采所引发的裂隙持续动态发展之间的相互作用机制十分复杂。因此,为科学准确地预测井下涌水量,本研究提出了一种以降雨量为输入数据的涌水量灰色GM(1,2)时序性预测模型。以程潮铁矿2019—2021年的降雨量、涌水量实际数据为训练样本,充分考虑崩落法开采对上覆岩体的持续影响,引入时序性系数K对模型进行优化,最终建立的灰色GM(1,2)时序性预测模型与传统的GM(1,2)预测模型相比,预测精度平均提高了7.79%。运用该模型对2022年的涌水量进行预测检验结果表明,其旱、雨两季的预测精度分别为93.51%、93.58%,预测效果较好。研究成果是通过地表降雨量数据直接预测矿山井下涌水量数据的一种有效方法。

基于趋势分解和IOWA算子的组合预测模型

不同的数据有着自身的不同特性,对于时序数据而言,数据往往有着与时间相关的趋势,通过分解这种趋势,并对趋势和趋势以外的部分分别进行预测再组合,可以得到更好的预测结果 .选用2013年1月4日—8月11日的人民币对美元的汇率数据进行实证检验,分别采用灰色预测模型、ARIMA模型、LSTM模型以及它们的组合模型对数据进行预测,实证分析结果表明,基于趋势分解和IOWA算子的组合预测模型相较单项预测而言有着更良好的预测精度.

基于组合预测模型的上海物流需求预测

随着物流行业的快速发展,为保证资源配置的合理运用,提前预测地区的物流货运量情况必不可少。以上海为例,将灰色预测模型与三次指数平滑预测模型结合起来,利用方差倒数加权法得到系数,再根据上海2016年到2020年实际货运量建立组合预测模型,从而预测出上海未来十年的货运量。最终发现上海货运量呈现逐年增长趋势,并在2032年达到最高444543.15万吨。最后,依据预测的结果对上海物流发展提供一些建议。

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。

灰色-时序组合模型在建筑沉降预测中的应用

以实际地面沉降数据为基础,分别用灰色模型、时间序列模型对实测数据进行预测,然后按照一定方法对灰色模型、时间序列模型赋予合理权值,建立了灰色-时序组合模型^([1])。预测结果表明,组合模型的预测精度更为准确、可靠,说明该组合模型具有一定的可适用性。

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。

基于灰色关联度和Shapley值的区间组合预测模型及其应用

在不确定环境下,区间数是复杂系统一种信息表达形式.论文在单项区间预测的基础上,提出单项预测方法与实际值序列之间的灰色关联度作为精度的度量准则,构建区间型组合预测模型.考虑模型求解的复杂性,从对策论的角度出发,把组合预测方法视为一个合作对策,单项预测方法视为合作对策的局中人,灰色关联度作为度量合作对策的收益函数,按照合作对策中Shapley值法在各单项预测模型中进行分配,从而给出组合预测权系数确定的新思路.为了验证模型的有效性,利用西德克萨斯中质原油现货价格,针对论文提出的组合模型进行比较分析,计算结果验证了论文提出的模型的可行性与有效性.