基于灰色系统技术的随机振荡序列预测模型的改进

文章对传统的随机振荡序列的直线喇叭带预测模型提出了疑问,分析了产生随机振荡序列的主要原因;采用平均弱化缓冲算子弱化随机振荡序列的峰值,将随机序列取值带由直线喇叭带转换成指数包络带;根据弱化后的数据序列峰值所连直线计算新序列,求出了该序列GM(1,1)模型的发展系数和灰色作用量,并进一步计算包络带的上缘点和下缘点;对上缘点和下缘点序列再次使用GM(1,1)模型,得到了随机振荡序列预测区间的上限、下限及基本预测值。

基于振幅压缩的随机振荡序列预测模型

以提高灰色系统预测模型对随机振荡序列的预测精度为目的,提出了一种通过平滑性算子压缩随机振荡序列振幅,提高序列光滑度的算法,并在此基础上推导及建立随机振荡序列的灰色预测模型;将该模型应用于多组随机振荡序列的模拟,并与其他模型的模拟精度进行了比较,结果表明,新模型能显著提高随机振荡序列的模拟精度.

非等间距随机振荡序列水质参数灰色预测模型研究

文章提供了一种针对非等间距随机振荡序列的水质参数灰色预测模型。在考虑了传统的随机振荡序列灰色预测模型能够很好地拟合与预测等间距随机振荡序列的基础上,引入了非等间距变换和等间隔逆变换方法,建立了非等间距随机振荡序列灰色预测模型,讨论了非等间距变换和等间隔逆变换对水质参数的拟合与预测的影响关系。通过对实际数据的拟合与预测,所提出的非等间距随机振荡序列水质参数预测模型能够有效地对水质参数拟合与预测,解决了现有水质参数预测方法的不足。

基于CNN BiGRU RF模型的TBM掘进参数预测研究

作为井下巷道掘进的新工法,全断面隧道掘进机(TBM)有显著的经济效益,对TBM的掘进参数进行预测对于确保TBM的掘进效率具有重要意义。对现场获取的TBM数据进行清洗和预处理,利用皮尔逊相关系数法对模型输入特征进行筛选,并构建基于卷积神经网络(CNN)优化的双向门控循环单元(BiGRU)神经网络并通过随机森林(RF)进行集成的TBM掘进参数预测模型,实现对TBM掘进参数的预测。研究结果表明:选取与总推力和推进速率关联度最密切的刀盘转速、刀盘扭矩和贯入度作为特征参数;构建的CNN BiGRU RF模型预测掘进参数对总推力和推进速率的拟合优度R 2均值分别为0.950和0.966,均方误差MSE平均值分别为0.750和0.782,均方根误差RMSE平均值分别为0.866和0.885,平均绝对误差MAE平均值分别为1.054和1.007,并且回归评价指标MSE、RMSE、MAE相较于CNN BiGRU模型,分别降低2.497、0.966和0.386,R 2提升23.4%,证明CNN BiGRU RF模型的预测准确度和泛化性最高。该研究可为实际工程掘进参数预测提供指导,有助于推动TBM在煤矿的推广,保障TBM的施工进度。

基于随机振荡序列离散灰色模型的优化

文章探讨了随机振荡序列灰色建模的问题,分析了两种具有代表性的基于振荡序列灰色建模方法,指出了其函数变换的实质以及应用范围。现有实证给出的建模方法其模型输出序列呈现出下凸的(除第一点外)和"Z字型"特点。结合这两种建模方法的优势,提出了另外两种数据变换方法,即加权均值平滑变换和级比调节平滑变换,实例说明了新的两种数据变换方法能有效地提高建模精度。

基于相关系数和灰色模型的振荡序列预测

针对灰色模型在振荡序列预测中的不足,提出一种组合预测方法。针对时间序列,提出残差相关系数,计算当前训练数据和历史数据段的相关系数。在最相似历史数据段中利用遗传算法对灰色模型参数寻优,将该参数输入灰色模型实现当前预测。将当前预测结果和相似历史值加权求和,得到最终的预测结果。基于人工数据的对比实验结果表明,残差相关系数更能有效反映数据间的相似关系。基于天然气价格预测的对比实验结果表明,所提方法预测结果准确度更高。

基于GM(1,1)幂模型的振荡序列建模方法

针对小样本振荡序列的预测问题,提出了基于单变量一阶灰色幂模型(简称GM(1,1)幂模型)的振荡序列建模方法。基于GM(1,1)幂模型中参数之间的关系,构建了一个非线性优化模型来寻求模型参数的最佳值,以此实现对振荡序列的高精度预测。结果表明,建模方法能够较好地体现数据的波动特征,且易于在计算机上实现,进一步拓宽了灰色模型的应用范围。最后以实例验证了所建模方法实用性和有效性。

时间序列模式及其预测模型算法应用

通过对时间序列模式分析研究,提出了时间序列的趋势性、季节性和随机性分析的应用模型及随机性12类预测数学模型算法,以该算法实现的数据挖掘系统经实际应用后效果很好。

隧道渗涌水量的随机模型预测

渗涌水问题是常见的隧道病害 ,是影响隧道正常使用 ,危及行车安全的重要因素。因此 ,科学地预测隧道涌水量大小 ,是制定最优防治水方案 ,确保安全通车的关键。笔者以大瑶山隧道渗涌水量的实测数据为基础 ,应用随机过程的理论和方法 ,建立了隧道渗涌水量的平稳序列预测模型 ,并将预测值与实测结果进行了对比 ,比较吻合。

水资源利用随机预测模型研究

水资源利用量受多项因素的影响 ,是一动态、非平稳的随机过程。摈弃传统的典型代表年和频率分析等用水预测方法 ,采用时间序列分析法 ,在用有序聚类法与秩和检验法分析和处理序列跳跃项 (或剔除突变项 )之余 ,建立了一个含趋势项、周期项和随机项的模型 ,以对水资源利用序列进行预测。最后用所建模型对河南省开封市水资源利用进行预测 ,结果表明该模型合理可行 ,且有较高精度。

降雨时间序列分解预测模型及应用

为了对随机型时间序列进行预测,在分析其性质的基础上,提出了将其分解为趋势项、周期项和平稳随机项,建立时间序列分解预测模型,分别对趋势项和周期项进行检验和提取,利用自回归模型人工合成新的序列对平稳随机项进行模拟和预测。将该模型应用于降雨量预测,取得良好效果,表明了该模型的有效性和适用性。

灰色振荡序列GM(1,1)模型及在城市用水中的应用

GM(1,1)模型是城市用水量预测的一种有效的方法,但利用GM(1,1)模型难以反映序列的随机波动性。本文提出的平移变换和几何平均变换方法,不仅能构造更适合建立GM(1,1)模型的单调递增序列,也能有效地弱化原始序列的随机性,并保持其单调性,使其变化梯度趋于平缓。通过大连市2000～2006年用水量的预测结果表明,此方法能够反映出城市用水量所具有的波动特性,提高GM(1,1)模型的预测精度,可应用于对灰色振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围。

时间序列趋势加权平滑预测模型研究

时间序列预测模型在生产性行业里具有广泛的作用 .在时间序列预测中 ,实测值序列所呈现的趋势对于数据预测起着不容忽视的作用 .本文提出了趋势加权平滑预测思想 ,利用权函数的形式对实测值序列中的趋势性成分进行提取并加以利用 ,能够使预测值更加趋近于实测值 .我们将该思想应用到一类实时量预测模型实例中 。

基于随动思想的月度用电量时间序列预测模型

针对北方城市月度用电量变化的特点 ,建立了基于随动思想的月度用电量时间序列预测模型。该模型具有数据分析功能 ,可根据数据变化的特点自动选择适应的模型 ,同时采用时间序列方法 ,避免了预测其他非用电量因素的困难 ,较好地解决了目前通用软件存在的问题。对哈尔滨市月度用电量进行实际预测 ,取得了理想的结果。

基于GM(1,1)幂模型的振荡统计数据预测

针对统计数据中小样本振荡序列建模和预测问题,文章利用GM(1,1)幂模型白化计算公式完成最小二乘准则下的参数计算,在此基础上构建非线性振荡序列统计数据预测计算模型,将其应用于城市用水量波动统计数据预测,并进行GM(1,1)幂模型参数变动影响预测精度探讨,计算结果验证了灰色预测GM(1,1)幂模型的有效性及实用性,为小样本振荡序列建模和预测提供了一种计算方法。

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.

水文时间序列解析-集成预测模型研究

为了克服实际工作中常规预测模型的弊端,本文提出了水文序列解析-集成预测模型(Prediction Model based on Segregation and Aggregation of Hydrological Time Series,PMSAHTS),通过分离水文序列中的趋势信号和周期信号得到消除了人类活动影响的序列纯随机信号,然后通过随机因子预测预报方法(如BP神经网络)使用这些随机信号进行训练和仿真预测,将预测结果与趋势、周期预测结果重新集成,得到水文序列的预测值。将该模型应用到和田子项目区进行年内月平均蒸发量的预测,结果表明,PMSAHTS模型达到了水文情报预报规范的合格要求,可以用于实际预测。

基于随机动态模型的矿井瓦斯涌出量预测研究

为了对矿井瓦斯涌出量进行预测,基于灰色系统和时间序列分析的基本理论,建立了矿井瓦斯涌出量预测的随机动态模型,并将该模型应用到某矿瓦斯涌出量预测分析中。实例应用表明,随机动态模型在矿井瓦斯涌出量预测方面是有效的,预测结果正确可靠,反映出了矿井瓦斯涌出量的发展态势。

差分自回归滑动平均模型对应变能释放序列的预测应用

将一定范围内的地震活动视为随机时间序列，则可以用线性回归的方法对未来的地震活动情况进行预测（Vere-Jones，1995）。在地震活动的研究中常采用白回归模型。