灰色GM(1,1)残差修正模型在滑坡预测中的对比应用

在传统GM(1,1)模型的基础上,经过不同方式的残差修正,分别建立了一阶残差修正GM(1,1)模型和二阶残差修正GM(1,1)模型。根据滑坡的监测资料,对变形曲线为光滑型滑坡(如黄龙西村滑坡、某滑坡)和阶跃型滑坡(如新滩滑坡、洒勒山新滑坡)分别建立了传统GM(1,1)模型和一阶、二阶残差修正模型,并对不同滑坡各模型的预测精度进行了分析比较。结果表明,残差修正GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。对变形曲线为光滑型的滑坡,二阶残差修正GM(1,1)模型的预测精度一般高于一阶残差修正GM(1,1)模型的预测精度;对变形曲线为阶跃型的滑坡,一阶残差修正GM(1,1)模型的预测精度高于二阶残差修正GM(1,1)模型的预测精度。

修正的GM(1,1)残差模型在原煤销售量预测中的应用

本论文研究的是提高灰色预测模型的一种方法。首先建立主模型进行预测,得到残差序列,然后对残差序列建模,对主模型进行修正,得到修正的GM(1,1)模型。将模型应用到原煤销售量的预测中,其精度明显提高。

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。

灰色残差GM(1,1)模型在预测肺结核流行趋势中的应用

目的预测西安市肺结核短期流行趋势,探讨灰色模型在疾病预测及效果评价中的作用。方法对西安市1996-2005年肺结核发病率资料分别建立单纯GM(1,1)模型和残差GM(1,1)模型,比较两个模型的拟合优度,选择拟合度好的模型预测肺结核的短期流行趋势。结果单纯GM(1,1)模型的拟合度为"勉强",残差GM(1,1)模型的拟合度为"好"。采用拟合度满意的残差GM(1,1)模型预测西安市2006年和2007年肺结核发病率分别为364.79/10万和523.20/10万,较实际发病率显著降低,降幅分别为72.09%和82.32%。结论 2005年以来西安市结核病防治工作取得初步成效,灰色残差GM(1,1)模型可作预测肺结核的短期流行趋势之用。

基于马尔克夫灰色残差GM(1,1)模型的HTPB推进剂贮存寿命预估

针对Arrhenius方程将活化能假设与温度无关的常数,给HTPB(端羟基聚丁二烯)推进剂寿命预估引入了误差的问题,提出了基于马尔克夫灰色残差GM(1,1)模型的寿命预估方法。对HTPB推进剂进行了高温加速寿命试验,以最大延伸率作为性能变化表征参数,根据老化反应速率常数随温度的变化关系,建立了马尔克夫灰色残差GM(1,1)模型,对常温条件下推进剂的老化反应速率常数进行了预测,并预估了HTPB推进剂在常温条件下的贮存寿命为11.74 a。

预测酸雨频率的双残差GM(1,1)模型及其应用实例

目前预测酸雨频率多采用传统的残差GM(1,1)模型 .本文结合最新修正的GM(1,1)模型及二级残差的概念 ,提出一种新的酸雨频率预测模型———双残差GM(1,1)模型 ,并利用该模型对青岛市酸雨频率进行模拟和预测 ,结果表明所建模型较之于传统模型有更高的模拟和预测精度 .

灰色残差GM(1,1)模型在大气二氧化硫预测中的应用

应用灰色GM ( 1 ,1 )模式理论与方法 ,建立了临安市大气二氧化硫质量浓度的灰色残差预测方程x (t+ 1 ) = 0 1 0 7432e-0 0 95872t+ 0 1 2 391 7,并进行了预测。预测结果与实测值的相对误差绝对值介于 0 5 6%～ 1 4 5 1 %之间 ,预测结果后验比与小误差概率分别为0 2 80 2和 1 0。表明模型与实测值拟合程度好 ,达到了较高精度。表 3参 1

灰色残差GM(1,1)模型在道路交通量预测中的应用

本文通过实例介绍了灰色残差GM (1,1)模型在道路交通量预测中的应用 ,预测结果表明 ,该方法是正确的 ,算法是有效的。

GM(1,1)残差模型在民航客运量预测中的应用

利用GM(1,1)模型对民航客运量进行模拟预测,用GM(1,1)残差模型对其进行修正,得出精度很高的预测公式,并用模型的后验差检验所建预测模型,证明预测公式精度较高,以期在今后的实际预测中取得很好效果。

基于灰色残差GM(1,1)模型的中国铁路货运量预测

铁路货运量预测作为铁路运输生产的基础工作之一,是铁路运输企业制定正确市场营销战略的前提条件。为提高我国铁路货运量的预测精度,适应铁路持续、迅速、健康发展的需要,在传统灰色预测技术的基础上,本文建立了残差灰色预测模型,并通过实例分析验证了该模型的实用性和精确性。

基于灰色残差GM(1,1)模型的山东省高新技术产业产值预测分析

近年来山东省高新技术产业产值逐年递增,比较准确预测山东省高新技术产业产值,不仅为政府部门制定宏观战略决策,也为高新区企事业单位微观决策提供了重要的科学依据。本文运用灰色残差GM(1,1)模型对山东省高新技术产业产值进行预测,并对模型精度进行分析和检验,检验结果表明建立的灰色残差GM(1,1)模型预测精度高,可以用于实际预测。

GM(1,1)循环残差修正模型及其应用研究

建立了GM(1,1)循环残差修正模型,并与经典GM(1,1)进行比较,考察改进模型的预测效果。结合经典GM(1,1)模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模。通过M atlab软件编程实现了该模型,并将其应用于2009-2010年入境游客量的预测。将本模型应用于2003年至2008年入境游客量预测建模上,其结果明显好于经典GM(1,1)模型,且预测效果更好。基于经典GM(1,1)模型建立了GM(1,1)循环残差修正模型。根据实证分析和比较发现,该预测模型是合格的,并且拟合精度较高。

改进GM(1,1)残差修正模型在光伏发电量短期预测中的应用

采用改进的GM(1,1)残差修正模型建立光伏发电量预测模型,从理论发电量和实际发电量两方面对5.6 kW太阳能光伏发电系统的发电量进行预测.通过对比GM(1,1)模型和改进的GM(1,1)残差修正模型的预测结果,证明采用改进的GM(1,1)残差修正模型预测短期太阳能光伏发电量能够取得更好的预测效果.

残差GM（1，1）模型在恒加试验中的应用

介绍了目前恒加试验中,正常应力水平下特征寿命点估计的数据统计分析方法及其不足.针对恒加试验的特点和所需解决的问题,基于灰色预测理论的残差GM(1,1)模型,给出了一种新的求解方法.最后分别运用三种不同的方法对给出的应用实例进行正常应力水平下特征寿命值的求解,证明了本文所给出的方法确实可行.

残差GM(1,1)模型在连续刚构桥施工线性控制中的应用

探讨残差GM(1,1)模型在大跨度预应力混凝土连续刚构桥施工控制中的应用,对其原理和计算过程进行介绍,通过柳州螺丝岭柳江大桥的具体监控应用实践,说明残差GM(1,1)模型能较好地应用于连续刚构桥梁的施工控制中。

改进的残差GM(1,1)模型在益阳市耕地预测中的应用

运用灰色系统理论建立GM(1,1),并用改进的残差GM(1,1)模型进行修正,对益阳市耕地面积进行预测,改进的残差修正方法使模型保持良好的适应性,有效提高了预测精度。应用此模型对益阳市耕地进行预测检验,结果表明改进的残差GM(1,1)模型具有较高的预测精度,模拟效果更好,其结果符合益阳市耕地数量变化规律,即益阳市耕地面积在未来几年内将呈现出小幅增长的趋势,但人均耕地面积仍旧处于联合国的警戒水平。因此保护耕地资源,合理利用和保护耕地都是刻不容缓的任务。

基于GM(1,1)残差模型的铁路客运量预测

运用灰色GM（1,1）模型,对铁路客运量进行预测,再用GM（1,1）残差模型进行修正,得出精度很高的预测模型,结合实际统计数据对预测结果的精度进行检验。结果显示,GM（1,1）残差模型的预测结果比灰色GM（1,1）模型有更高的预测精度。基于此,对2009~2014年广西壮族自治区铁路客运量进行预测。

残差修正的GM(1,N)模型在城市火灾预测中的应用

本文以2003-2018年福建省火灾次数及其相关社会经济因素数据为基础,综合考虑社会经济因素与火灾之间的相关性,分别运用 GM(1,N)模型与改进后的残差修正 GM(1,N)模型对火灾次数进行预测.并通过灰色关联分析筛选出与火灾次数关联性较大的因素,分别建立 GM(1,N)模型和残差修正的 GM(1,N)模型,结果表明,残差修正的 GM(1,N)具有更好的预测效果,也表明,残差修正的 GM(1,N)模型具有更高的预测精度.

改进残差GM(1,1)模型在中长期负荷预测中的应用

GM(1,1)模型是中长期负荷预测的一种常用方法。为了解决残差GM(1,1)模型在残差预测值符号判断中存在的问题,提出一种基于朴素贝叶斯法的改进残差GM(1,1)模型。该模型根据历史负荷增长率区间,对负荷增长状态进行划分,统计各个状态下残差正负号出现的个数和各状态前一年份残差正负号个数,然后利用朴素贝叶斯法建立分类器,判断残差预测值符号。将改进模型应用于某县用电量预测中,算例结果表明改进模型能够有效地提高中长期负荷预测的精度,具有一定的实用价值。

使用灰色GM(1.1)残差修正模型获得较高精度条件的探讨

从求得灰色数学模型GM(1.1)及其残差指数修正模型和残差周期修正模型函数曲线的驻点与拐点入手,导出使用这些灰色模型取得较高精度的条件,让使用者可依据初始序列数据的态势决定采用哪种数学模型,并且在结果未揭示以前便可大体上估计到拟合精度是否令人满意。