基于GM(1,1)-MLP神经网络组合模型的物流总额预测

由于传统的基于GM(1,1)的物流总额预测方法需假设其他因素变化对物流总额无影响,给预测结果带来较大误差,本文采用GM(1,1)-MLP神经网络组合模型对我国未来物流总额进行预测。将组合模型与GM(1,1)的2012—2016年物流总额拟合结果进行比较,发现组合模型的预测平均误差仅为2. 3%,远低于GM(1,1)的预测平均误差(25. 2%),精准度大大提高,可以被有效应用于我国未来的物流总额预测。

无线传感器网络中基于压缩感知和GM(1,1)的异常检测方案

针对现有的异常事件检测算法准确率低和能量开销较大等问题,该文提出一种基于压缩感知(CS)和GM(1,1)的异常事件检测方案。首先,基于分簇的思想将传感器节点的数据进行压缩采样后传输至Sink,针对传感器网络中数据稀疏度未知的特点,提出一种基于步长自适应的块稀疏信号重构算法。然后,Sink基于GM(1,1)对节点发生的异常进行预测,并对节点的工作状态进行自适应调整。仿真实验结果表明,相比于其它异常检测算法,该算法的误警率和漏检率较低,在保证异常事件检测可靠性的同时,有效地节省了节点能量。

大坝变形度的不等维加权动态GM(1,1)预测模型

针对灰色GM(1,1)模型预测结果易受模型中以前测得的陈旧数据的干扰,及等维动态GM(1,1)受缚于维数选择的情况,给出了不等维加权动态GM(1,1)模型的基本内容及建模过程,模型中计算出多种维数的GM(1,1)模型的预测值,并且通过萨函数加权法和BP神经网络计算出每种维数的权值,通过加权获得最终预测值。并且成功地将不等维加权动态GM(1,1)模型应用于大坝变形度的预测预报。实践证明,不等维加权动态GM(1,1)模型由于考虑了维数对模型结果的影响,而且及时地更新数据,提高了灰区间的白色度,预测效果比传统的GM(1,1)模型和等维动态GM(1,1)模型效果好。

BP与GM(1,1)预测隧道涌水对比分析和实证

利用某隧道的涌水监测数据,对比BP神经网络和GM(1,1)灰色数列预测模型两种方法预测结果的差异,以考察其适应性与误差。结果显示,在小样本信息量少的情况下,GM(1,1)预测精度优于BP,但训练样本的精度低于BP;BP的预测结果同隐含层神经元个数密切相关,并存在一最优值;在监测数据较少时,对BP网络进行初始化和预测,每次训练样本的误差都满足要求,但预测值的误差大幅波动。研究表明,监测数据较少时,采用GM(1,1)较合适。通过分析小样本下产生上述结果的原因,提出了在有足够监测数据下,GM(1,1)用于中长期监测的改进方法(GM(1,1)展开或用Verhulst模型)、BP神经网络的改进方法(滑移窗口处理)。

GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。

优化背景值的GM(1,1)模型组合改进

针对提高模型的拟合效果.在GM(1,1)模型基础上,提出改进方案生成紧邻生成序列.利用组合预测思想,结合BP神经网络预测算法对改进后的灰色模型做进一步的优化修正,同时引用新陈代谢灰色模型理论成为BP-GM(1,1)等维新息模型.该模型充分利用了两种预测方法的优势,适当的减小了单个模型预测时的误差.数据拟合结果表明:BP-GM(1,1)模型具有更好的拟合精度,该模型应用范围更广.

政府投资项目的BPNN、Delphi、GM(1,1)投资估算方法

运用Delphi法,对专家经验进行分析整理预测无类似项目的拟建工程分部分项工程造价,GM(1,1)法预测具有小量类似项目数据的分部分项工程造价,同时充分利用了BP神经网络的"提取器"作用,在大量具有类似已完工程数据资料中"提取"和"挖掘",实现了对具有大量类似项目的分部分项工程造价的准确估算。通过案例实证说明,预测值与实际值的相对误差很小,足以满足造价估算的要求。

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM(1,1)和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性。实例证明了组合模型的预测精度高于单独的GM(1,1)模型,可以用于公路客运量预测。

基于RAGA的GM(1,1)-RBF组合需水预测模型

建立了基于实码加速遗传算法(real coded accelerating genetic algorithm,RAGA)的灰色(grey model,GM(1,1))-径向基函数(radial basis function,RBF)神经网络预测模型。该模型克服了传统GM(1,1)模型存在明显系统误差和容易陷入局部最优的缺点,具有GM(1,1)模型对数据确定性方面把握的优点,同时融合了人工神经网络在不确定因素预测方面的优势。运用该模型对山西工业需水量进行预测,预测表明该模型相比单个传统模型具有相对较高的预测精度,验证了GM(1,1)-RBF组合模型在中长期需水预测应用中的合理性,对相关政策的制定有一定参考价值。

基于模糊神经网络的GM(1,1)模型

在分析GM(1,1)模型建模机理的基础上,提出GM(1,1)模型中参数a,b的一种新算法—模糊神经网络算法,把模糊神经网络应用于灰色系统GM(1,1)模型的建模过程,得到模糊神经网络GM(1,1)模型,并将其运用于民航客运量的预测,结果表明改进后的模型有较好的拟合及预测精度。

基于灰色GM(1,1)和BP神经网络组合预测模型及应用

在分析灰色GM(1,1)模型和BP神经网络模型优缺点的基础上,构建了基于GM(1,1)与BP神经网络组合预测模型。首先利用GM(1,1)模型对系统发展进行预测得到一组预测值,同时分别将原始数据与预测数据作为输入输出数据对BP神经网络进行训练,以便得到权值和阀值,最后利用得到的权重和阈值并输入预测年份,即可得预测值。将构建的组合模型对中国人口未来发展趋势进行预测,预测结果表明,人口总量在中短期内继续增长,增速较为平稳,每年以0.11亿人口数增长。该算例表明了该组合预测模型具有较高的预测精度。

基于GM(1,1)-BP组合模型的车辆周转器材需求量预测

根据车辆周转器材需求量的历史数据特点,建立了GM(1,1)-BP组合模型。运用GM(1,1)模型,结合车辆周转器材需求量的历史数据对其进行预测,再针对预测中的残差运用BP神经网络进行适当修正。通过实例验证,此组合模型优化了车辆周转器材需求量的预测方法,弥补了单一预测模型的不足,提高了车辆周转器材需求量预测的准确性。

基于灰色GM(1,1)模型与BP神经网络的员工数量预测分析——以中兴通讯公司为例

企业人力资源规划是企业实现稳定、健康发展必不可少的环节。以上市公司中兴通讯公司员工为研究对象,利用中兴通讯公司2003-2017年员工总数量、营业收入、研发费用等数据,建立灰色GM(1,1)模型和BP神经网络对中兴通讯公司2018-2020年员工数量进行需求预测,期望能够给中兴通讯未来三年的企业招聘、培训等员工管理过程提供借鉴。将灰色预测与BP神经网络预测结果对比,得出BP神经网络预测与实际值较为贴合;BP神经网络预测中兴通讯未来三年员工数量需求虽有波动,但总体呈上升趋势。

灰色优化GM(1,1)和人工神经网络组合模型的江西省GDP预测应用

为了提高GDP的预测精度,结合灰色系统和人工神经网络的各自优势,建立灰色人工神经网络组合预测模型。该模型既具有灰色优化GM(1,1)模型适用发展系数范围较大的优点,也融合了人工神经网络在不确定因素预测方面的优点。最后以江西省GDP的预测为实例,对比了单独的灰色优化GM(1,1)模型与组合模型的预测结果,结果显示组合模型的预测精度较高。

基于GM(1,1)和BP网络的港口吞吐量预测

分析了灰色和人工神经网络预测方法的互补性,在此基础上提出了将灰色与人工神经网络结合的灰色-神经网络混合模型.分别采用GM(1,1)模型、BP网络模型和灰色-神经网络混合模型对某港口货物吞吐量进行预测并用实测数据验证.结果表明,灰色-神经网络混合模型预测效果最佳.

基于GM(1,1)-BP神经网络的城市耕地数量预测研究

基于灰色理论和BP神经网络建立GM(1,1)-BP神经网络组合模型,把灰色模型的时序性、无序性等优点与BP神经网络自学习、自组织的特点相结合,对耕地数量进行组合预测。结果表明,组合模型对耕地数量的变化预测精度较单一的灰色预测法有提高,与实际值有较好的拟合度,且具有简单、易用的特点。

基于加权均值生成序列的神经网络GM(1,1)模型

将加权均值生成和神经网络中的BP算法运用于GM(1,1)模型的建模过程,使得参数的优化估计与改善初始条件有机地结合起来,对GM(1,1)模型进行了改进,并将所得模型应用于具体实例中,预测结果表明,改进后的模型精度得到较大提高。

基于BP神经网络与GM(1,1)模型组合算法的桥梁耐久性预测

针对混凝土桥梁耐久性历史评估数据的特点,提出一种基于BP神经网络与GM(1,1)模型的桥梁耐久性组合预测方法。通过GM(1,1)模型,以部分数据作为样本进行预测,在此基础之上,引入BP神经网络对预测的残差序列进行处理,旨在克服单一预测模型的不足,取得更高的预测精度。算例表明,本文算法精度明显高于传统GM(1,1)模型,与类似算法相比,精度上也有所提高。

基于改进GM(1,1)模型的牵引网导线载流量预测方法

牵引网导线载流量是牵引网设计、负荷调度以及故障检测过程中考虑的关键因素,牵引网导线载流量预测结果对于铁路部门具有重要参考价值。采用常规GM(1,1)模型预测牵引网导线载流量的预测结果与实际载流量偏差较大,需要对预测方法进行改进,以得到准确的载流量预测结果。首先,根据IEEE 738-2013标准中的导线热平衡方程提出由导线所处地理气候条件动态计算导线载流量的方法;其次,针对常规GM(1,1)模型的特点,对GM(1,1)模型预测方法进行改进;最后,对采用改进GM(1,1)模型的牵引网导线载流量预测方法的实现流程进行详细说明。通过算例仿真,对所提出的牵引网导线载流量预测方法的有效性进行验证,从仿真结果可以看出牵引网导线载流量预测结果与导线实际载流量偏差很小,能够满足实际应用的需求。

基于GM(1,1)模型的南京市房价预测研究

以中国指数研究院发布2018.04-2018.09南京市房价样本均价数据作为研究对象,并运用GM(1,1)模型,对南京市2018.10-2018.12房价进行预测并分析。结果表明:GM(1,1)模型的拟合值和预测值均接近于实际值,相对误差率较低,且预测效果优于BP神经网络模型,为促进房地产行业朝着更好的方向发展提供有利指导。