基于最优加权组合模型的道路交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。针对各种单一灰色预测模型存在的局限性,建立了一种基于最优加权的灰色组合预测模型。根据我国道路交通事故的发展情况,建立了GM（1,1）、Verhulst和SCGM（1,1）c相结合的组合预测模型,运用最优加权法确定组合预测模型的权重系数。利用2001-2007年我国道路交通事故死亡人数的实际值作为原始数据,构建各个单一预测模型和最优组合预测模型,预测其2008-2010年交通事故死亡人数。预测结果表明,组合预测模型比单一GM（1,1）模型、Verhulst模型和SCGM（1,1）c模型具有更高的预测精度。     

基于灰色线性回归组合模型铁路客运量预测

铁路客运量的准确预测是铁路旅客运输组织工作的重要基础和主要依据之一,准确预测铁路客运量是铁路运输企业面向市场、把握未来的重要保障.针对铁路客运系统是一个信息不完全的灰色系统,运用灰色预测理论构建灰色模型GM(1,1)与线性回归的组合模型,用于对未来五年内河南省铁路客运量进行预测.研究表明,模型改善了原线性回归模型中没有指数增长趋势和基本灰色预测模型中没有线性因素的不足,和单一模型相比,预测精度更高,预测结果更为可靠,具有较高的实际应用价值,也为铁路客运量预测研究提供了新的途径.     

灰色神经网络在股价预测中的应用研究

股票价格受多种因素的综合影响,具有趋势性、较大波动性和随机性等变化特点,单一模型难准确对其变化规律进行准确描述,将灰色理论和BP神经网络相结合构建一种股票价格组合预测模型。采用灰色GM（1,1）预测模型动态预测股票价格变化趋势,运用BP神经网络对灰色GM（1,1）模型预测结果进行修正,以提高股票价格预测精度。采用ST东北高（600003）股票价格对预测模型性能进行测试,结果表明,组合预测模型提高了股票价格的预测精度,更能挖掘股票价格变化规律。     

基于ARIMA-GM的短期民航货邮周转量研究

ARIMA模型对季节特征有较好的拟合效果,灰色GM（1,1）模型能准确反映时间序列的增长趋势,结合民航货邮周转量的特点和ARIMA模型和GM（1,1）模型的优点,分别建立货邮周转量的ARIMA和GM（1,1）的时间序列模型,揭示出民航货邮周转量随时间推移而发展变化的动态规律,最后为更精确地预测月度民航货邮周转量,提出基于ARIMA-GM的组合预测模型,并对近几月民航货邮周转量进行较准确的短期预测,结果表明：组合模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列;灰色GM（1,1）模型能准确反映时间序列的增长趋势,两者相结合很好地解决了民航货邮周转量短期预测的实际问题,得到民航货邮周转量更精确的预测结论,能够对民航货邮市场的发展趋势进行宏观把握,有利于决策者的经济决策行为。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

改进的灰色GM（1，1）预测模型

为进一步提高灰色GM（1,1）模型的模拟精度和预测精度,分析传统GM（1,1）模型存在的缺陷,提出一种改进的GM（1,1）预测模型。对已有GM（1,1）模型的背景值构造公式进一步优化,基于最小二乘法原理改进模型初始值参数的选取策略。对比实验结果表明,改进的模型适用于低增长序列和高增长序列,拓宽了传统GM（1,1）预测模型的应用范围,提高了模拟精度和预测精度。     

用Matlab实现GM（1,1）灰色模型的供电量预测

介绍灰色预测模型GM（1,1）在电力系统中的预测应用,同时在Matlab平台上实现了灰色模型GM（1,1）函数的编制。以某市1995～2004年供电量数据为例,并通过此函数对该供电量进行了预测,为灰色数列模型GM（1,1）的应用提供了一种简便的运算方法。     

基于数据挖掘的水文时间序列预测

基于灰色理论和灰色神经网络组合预测模型,对水文时间序列进行数据挖掘。对原始序列首先进行了对数-方根变换,使得数据序列满足灰色理论的覆盖条件,采用灰色预测模型GM（1,1）,对数据序列进行预测,由于灰色预测属于线性预测,因此将灰色预测模型与神经网络模型相结合,提高了预测精度。以都江堰岷江来水数据为原始数据进行实际预测,实验证明,这种组合模型的预测效果优于传统预测模型。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

组合预测模型在高考数据预测中的应用研究

为了提高灰色GM（1,1）预测模型的预测准确度,将模糊数学理论和灰色GM（1,1）理论模型相结合,提出了一种基于模糊灰色理论高考数据预测模型。将该模型应用于甘肃省高等院校2006-2011年专业录取分数的历史统计数据进行验证,实验结果表明该模型对高考数据的预测是有效、可靠的。     

基于小波包与长短时记忆融合的铁路旅客流量预测模型

短期铁路客运需求量的实时精准预测可以为实时调整客运服务结构提供依据.铁路旅客流量数据具有时变性、非线性和随机波动性等特点,传统的预测模型无法精准的预测短期内的客流量.本文提出一种基于小波包分解与长短时记忆融合的深度学习预测模型（WPA-LSTM）,首先用小波包分解将原始客运量时间序列分解重构成多个不同尺度的低频和高频序列,然后分别针对各个子序列进行LSTM模型训练和预测,最后将各子序列的预测值叠加作为WPA-LSTM模型的输出.采用某高铁367天的日旅客流量数据对模型进行实验验证,并与季节性模型和基于经验模态的长短时记忆融合模型进行对比,实验结果表明,WPA-LSTM模型可有效提高铁路旅客流量预测的精度.     

GCPSO优化混合核SVM的地铁车站客流预测

地铁中站点客流量为地铁运营调度部门提供实时调度管理依据。将径向基核函数与多项式核函数线性组合,构建了混合核支持向量回归机（SVM）预测模型。采用基于黄金分割的混沌粒子群（GCPSO）对混合核SVM的参数进行寻优,得到最佳的参数组合。利用该混合核SVM预测广州地铁3号线站点短期客流量。结果表明,GCPSO优化的混合核SVM预测模型对地铁站点的短期客流的预测精度高,预测数据和实测数据拟合良好,相对误差较小,明显优于SVM其他三种预测方法及Elman神经网络预测方法。     

A novel method of short-term load forecasting based on multiwavelet transform and multiple neural networks

This paper aims to develop a load forecasting method for short-term load forecasting based on multiwavelet transform and multiple neural networks. Firstly, a variable weight combination load forecasting model for power load is proposed and discussed. Secondly, the training data are extracted from power load data through multiwavelet transform. Lastly, the obtained data are trained through a variable weight combination model. BP network, RBF network and wavelet neural network are adopted as the training network, and the trained data from three neural networks are input to a three-layer feedforward neural network for the load forecasting. Simulation results show that accuracy of the combination load forecasting model proposed in the paper is higher than any one single network model and the combination forecast model of three neural networks without preprocessing method of multiwavelet transform.     

融合时空信息的短时交通流预测

为了准确描述交通流的时空演化过程并提高交通流短时预测的精度,融合时空交通流信息,即时间维度的交通流量信息和空间维度的路网耦合信息,构造基于GM（1,N）-Markov 链的组合预测模型。将预测路段与关联路段看作是一个灰色系统并对其进行灰关联分析,通过对灰关联度最低阈值的设定,实现了空间信息的深度挖掘和对无效信息的过滤清洗;利用多维GM（1,N）模型对预测点与强关联点作全局、系统的分析预测,并针对GM（1,N）对随机性较大的数列可能出现预测失效的问题,引入马尔科夫链对模型进行修正;利用VISSIM对模型进行仿真验证,分别以2 min、5 min、10 min为时间间隔进行仿真模拟,预测平均相对误差分别为9.30%、5.95%、3.20%,模型精度均为优,证实模型是有效的。     

灰色变异粒子群在铁路解编量预测中的应用

为了科学准确地对铁路解编作业量进行预测,基于变异粒子群算法优化参数的良好性能和灰色预测法对不确定因素影响的系统准确预测的优点,提出了一种灰色变异粒子群组合预测模型,对铁路解编作业量进行准确地预测。并通过实例分析了模型的预测精度和可行性,且与传统的灰色预测模型进行比较。结果表明,灰色变异粒子群组合预测模型对铁路解编作业量预测明显优于传统的灰色预测模型。运用该模型预测未来铁路的解编作业量,以对铁路编组站进行合理编制和检查运营计划,从而为编组站规划和设计提供理论依据。     

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。     

基于模糊变权组合预测模型的航材预测

由于航材预测的发展,每一种航材的预测模型有很多种。不同模型的预测模型体现了预测对象不同方向的发展趋势,合理地处理信息可以更加全面地预测航材需求趋势。模糊变权组合预测模型不同于传统组合预测模型,它采用权重系数为三角模糊数来组合不同预测模型结果,并以单项预测方法预测精确度指数最小为准则,集成处理得到较窄的取值范围来帮助航材预测决策。最后以实例验证方式检验该模型的有效性和准确性,具有一定的实用性。     

Short-term power load forecasting using grey correlation contest modeling

Power load has the characteristic of nonlinear fluctuation and random growth. Aiming at the drawback that the forecasting accuracy of general GM(1,1) model goes down when there is a greater load mutation, this paper proposes a new grey model with grey correlation contest for short-term power load forecasting. In order to cover the impact of various certain and uncertain factors in climate and society on the model as fully as possible, original series are selected from different viewpoints to construct different forecasting strategies. By making full use of the characteristic that GM(1,1) model can give a perfect forecasting result in the smooth rise and drop phase of power load, and the feature that there are several peaks and valleys within daily power load, the predicted day is divided into several smooth segments for separate forecasting. Finally, the different forecasting strategies are implemented respectively in the different segments through grey correlation contest, so as to avoid the error amplification resulted from the improper choice of initial condition. A practical application verifies that, compared with the existing grey forecasting models, the proposed model is a stable and feasible forecasting model with a higher forecasting accuracy.     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。