一种改进的等维新息灰色模型及其在土石坝沉降预测中的应用

提出采用多层建模与等维新息灰色建模的联合方法预测土石坝沉降.该方法根据灰色理论的等维新息思想,采用参数递推公式计算灰色沉降模型的参数序列,并根据计算出的参数序列构建其预测模型,从而建立了反映系统时变特性的灰色预测模型.实例分析表明,本方法较好地反映了系统的时变性和灰色性,取得了较精确的沉降预测结果.

等维新息灰色模型在深基坑变形预测中的应用

分析了改进的等维新息灰色预测模型用于深基坑变形预测的合理性。应用深基坑实际变形监测资料,对其预测精度及可行性进行了验证。结果表明,等维新息灰色模型的预测精度较高,模型的预测结果基本上能满足要求。灰色预测模型的预测精度与监测的时间间隔是否固定、数据变化的规律性是否明显有关。当规律明显时预测精度较高,而当监测时间间隔波动大、数据有大的跳跃突变时,预测精度较低。

基于等维新息灰色马尔可夫模型的大连城市用水量预测

对城市用水量的科学预测是城市水资源合理开发、利用和管理的基础。在传统灰色预测模型的基础上建立了等维新息灰色预测模型，并利用马尔可夫链预测模型预测出结果的波动范围，形成等维新息灰色马尔可夫预测模型。再以1998－2007年大连城市用水量实测值作为原始数据，构建预测模型，预测其2008－2012年用水量。结果表明：等维新息灰色马尔可夫预测模型预测结果的误差更小，精度更高。该预测结果可以为大连未来城市供水规划提供参考依据。

基于等维新息灰色马尔可夫模型的校准间隔预测

针对测量仪器校准间隔的优化问题,分析了历史校准数据的特征,建立了等维新息马尔可夫GM(1,1)预测模型.在等维新息GM(1,1)模型的基础上,引入马尔可夫模型,克服了随机波动数据对预测精度的影响.通过仿真实验对预测模型进行了验证,结果表明,等维灰色马尔可夫GM(1,1)模型的预测精度高于常规灰色GM(1,1)模型、等维新息灰色GM(1,1)模型和常规灰色马尔可夫GM(1,1)模型,更适合用于测量仪器校准间隔的预测.

基于等维新息灰色马尔可夫模型的河流水质预测

河流水质预测是对河流水环境污染进行分析、控制和治理的基础。基于太湖流域上海市青浦区急水港点位2004—2011年的水质指标COD,NH3—N数据,分别建立等维新息灰色预测模型;由于NH3—N指标的平均相对误差没有达标,因此利用马尔可夫模型对NH3—N指标的预测结果进行修正,之后应用两种模型分别预测未来几年两项水质指标数值。结果表明,等维新息灰色马尔可夫模型有效地减小了预测结果的平均相对误差,提高了预测精度;未来几年,两项水质指标均呈整体下降趋势,并在一定程度上趋于平缓。但由于太湖流域污染的长期性,其水环境形势依然严峻,应继续采取合理有效的治理措施,如从源头上进行减污,生态清淤,加快转变流域经济发展方式及完善流域管理等,使流域水质得到整体改善。

基于灰色等维新信息GM(1,1)模型的电力负荷预测

根据电力负荷的特性,将灰色等维新信息GM(1,l)模型的建模方法引入到电力负荷的预测中,建立相应的预测模型。并建立起一套系统的电力负荷预测方法,为城市电力资源规划提供决策参考,具有理论和实践意义。

基于灰色神经网络模型的城市产业结构演变趋势预测

基于城市产业结构发展现状及其变化趋势,建立BP神经网络模型和灰色GM(1,1)等维新息模型的组合模型,对城市产业结构演变趋势进行预测分析,以提高预测的精确性,并对城市产业结构演变过程中各产业比重进行权重修正,以保障城市产业结构比重之和恒定为常数1,为正确认识城市产业演变趋势和内部关系提供准确的信息。

基于优化马尔可夫模型的煤矿事故死亡人数预测

为准确预测煤矿事故死亡人数,分析灰色模型、维新灰色模型和无偏灰色模型3种灰色模型在煤矿事故死亡人数预测方面的适用性和应用性。首先,采用后残差比、平均相对误差和小误差概率3个指标,分别分析3种模型的预测准确性;然后,用马尔可夫模型优化修正最佳的灰色模型预测结果;最后,预测2020—2022年煤矿事故死亡人数。结果表明:原始数据的区间选择对预测精度影响较大,应尽量选择预测精度较好的数据区间段;通过对比分析3种模型的预测精度,无偏灰色模型为最佳模型;无偏灰色马尔可夫模型不但能消除灰色模型的固有偏差,而且能提高预测精度。该模型平均预测精度达到93.8%。

基于神经网络实现的改进灰色组合预测及应用

针对GM(1,1)模型预测精度差的问题,采用马尔可夫链、残差数据正数化等多种方法修正残差,按等维新息的思路建立多个改进型GM(1,1)模型,并提出了基于神经网络实现的改进型灰色组合预测模型及预测算法。仿真分析表明,通过该模型可以寻求到多个改进型GM(1,1)模型预测值的最佳组合。

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一.采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.