基于遗传算法的SCGM(1,1,α)优化模型

在SCGM（1,1）模型的基础上,对系统云灰色预测模型作进一步推广,建立了更具一般性的SCGM（1,1,α）模型,并给出了求解最优SCGM（1,1,α）模型的遗传算法,实例证明用SCGM（1,1,α）优化模型进行预测能取得很好的预测精度。     

正确运用货运量预测方法,为太原北站西山支线

针对现有铁路货运量预测方法的不足和铁路货运量的随机波动性,基于灰色预测理论,建立了铁货运量预测的随机灰色系统模型即GM(1,1)模型.该模型在对货运量原始数据生成处理的基础上,建立了符合检验要求的残差模型,以预测铁路货运量的发展趋势.通过GM(1.1)预测模型较好地预测了2020年西山支线的货运量,为西山支线长远运输规划是提供决策支持.     

灰色马尔可夫SCGM(1,1)预测模型

结合灰色SCGM(1,1)预测模型和马尔可夫概率预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型。并且以郑州市降雨量的预测作为实例,证明灰色马尔可夫预测模型对于随机波动性较大的数据列的预测具有较高的精度。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

灰色马尔科夫模型在我国病毒性肝炎发病率预测中的应用研究

为科学、准确的预测我国病毒性肝炎的发病趋势，利用灰色马尔科夫模型对我国2000-2016年病毒性肝炎发病率进行拟合，对2017-2019年发病率数据进行预测，并与灰色GM(1,1)预测模型比较以检验模型拟合与预测效果.结果表明，2000-2016年我国病毒性肝炎发病率的灰色马尔科夫模型拟合的平均相对误差为3.06%,灰色GM(1,1)模型拟合的平均相对误差为11.96%;2017-2019年灰色马尔科夫模型预测的平均相对误差为2.05%,灰色GM(1,1)模型预测的平均相对误差为13.47%.灰色马尔科夫模型比灰色预测模型的预测结果更准确，模型精度更优，是我国病毒性肝炎发病率预测效果较为科学、准确的预测模型.     

制订城市总体规划的灰色系统方法

本文论述了一种制订城市总体规划的新方法——灰色系统方法。文中提出的SCGM(1,h)和SCGM(1,1)模型为灰色预测技术提供了新的基础和途径。     

基于灰色马尔可夫模型的施工质量成本预测

针对随机波动较大的施工质量成本预测问题,结合灰色SCGM(1,1)预测模型和马尔可夫预测模型的优点,建立了灰色马尔可夫SCGM(1,1)预测模型,并以实例证明灰色马尔可夫预测模型对随机波动性较大的施工质量成本的数据列的预测,具有较高的准确性.     

人造板甲醛释放灰色模型

采用1 m3的小型环境模拟舱,在不同温度和装载度下,对胶合板、细木工板和密度板中甲醛释放过程进行测试。通过灰色关联分析法,比较不同时间段温度和装载度对甲醛浓度的影响程度;构建人造板材甲醛释放GM(1,1),DGM(1,1)和SCGM(1,1)灰色模型,对甲醛释放规律进行模拟和预测。研究结果表明:甲醛浓度在初始时刻(0~2 h)均迅速增大,随后速度增量慢慢减小,最后趋于恒定值;温度升高会促进板材内甲醛释放,而装载度增大则会减少单位体积板材内甲醛的释放量;3种板材中胶合板和密度板的甲醛释放量较大,且达到平衡时间较短。GM(1,1)和DGM(1,1)模型对人造板甲醛释放都有较高的模拟和预测精度,可以用来对甲醛释放过程进行模拟和预测。但SCGM(1,1)模型只适合用于密度板短期时间内的模拟,不适合用于3种板材甲醛释放的预测。     

城市热岛效应的灰色评价与预测

将灰色系统理论引入到城市热岛效应的评价与预测中,运用灰色关联度分析法对影响西安城市热岛效应的因子群进行了贡献测度分析.结果表明,人为热释放是造成城市热岛效应的主要因素,风速、日照时数和相对湿度是影响城市热岛效应的主要气象因子.系统云灰色模型(SCGM)的拟合和预测结果与实际情况取得了较好的一致性,表明西安城市热岛效应具有日益加重的趋势,也体现了SCGM在多因子关联系统预测中的优越性.     

一种拓广的灰色SCGM(1,1)a0模型及其应用

基于最小二乘原理,考虑理想状态下的绝对误差建立了一种拓广的SCGM(1,1)a0模型,并给出了计算方法。计算实例表明,新模型具有满意的拟合效果和预测效果,从而为提高预测精度提供了新途径。     

铁路客货运量预测的随机灰色系统模型

针对现有铁路客货运量预测方法的不足和铁路客货运量的随机波动性,基于灰色预测理论,建立了铁路客货运量预测的随机灰色系统模型.该模型在对客货运量原始数据生成处理的基础上,建立了符合检验要求的残差GM(n,h)模型,以预测铁路客货运量的发展趋势;再通过引入相对误差序列的随机过程,建立了随机GM(n,h)模型,以综合考虑随机因素对铁路客货运量未来发展趋势所带来的影响,提高铁路客货运量预测的精度.理论分析和实例计算结果表明:随机灰色系统预测模型直观,且操作性强,预测结果精度较高.     

扩展的SCGM(1,1)α0

对于有明显指数规律但却不能用SCGM(1,1)_(a0)建模的一类数据,本文提出了建立SCGM(1,1)_(a0)的改进方法,扩大了SCGM(1,1)_(a0)适用范围,提高了建模精度,并用该方法预测了邯郸市未来工业用水万元产值取水量。     

均值生成时序及SCGMmv(1.1)预测模型

分析了均值生成时序，按SCGM(1，h)建模原理构造了基于均值生成时序的SCGMmv(1，1)模型．该模型的预测精度高，计算量少，适应于动态过程快速建模。示例表明：SCGMmv(1，1)的拟合、预测效果是令人相当满意的。     

基于LSTM-RBF的水路货运量预测

水路运输是交通和货运的重要组成部分,水路货运量的预测对各地经济发展有重要意义。近年来随着经济形势的变化和多式联运的快速发展,水路货运量的数据波动加大,精准预测的难度变得更大。因此提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和径向基神经网络（Radial basis function,RBF）的组合预测模型 。在LSTM-RBF预测模型中,第一阶段通过LSTM对各指标进行精准预测,减少指标值误差对目标值预测带来的影响;第二阶段训练RBF神经网络并在未来指标值的基础上对目标值（水路货运量）进行预测。该模型既避免了时间序列预测仅考虑单一影响因素的缺陷,又能够把LSTM的长时记忆优势带入到RBF的回归预测中。实验结果表明,LSTM-RBF预测模型在均方根误差和拟合度方面,均优于其他对比模型,该预测模型对水路货运量的预测有着较高的准确度。     

改进BAS-Elman神经网络的港口货运量预测

为对港口货运量进行科学精准预测,结合天牛须搜索(beetle antennae search,BAS)算法和蒙特卡洛准则,提出一种改进BAS的Elman神经网络预测模型.收集上海港1989—2018年内的货运量以及当地各项经济数据,建立港口货运量预测评估体系,对各项影响因子进行预处理,消除数据冗余信息对预测的影响,对预处理后的数据进行仿真测试.实验结果表明,该模型预测准确率可达95％以上,有效地提高了港口货运量的预测精度.     

基于灰色-反向传播神经网络的江西省公路货运量预测

鉴于反向传播（Back Propagation,BP）神经网络算法收敛速度慢、局部极小化、结构选择不一的问题,提出结合灰色关联度分析的BP神经网络方法进行公路货运量预测,提高了模型的非线性学习和泛化能力及预测精度。该预测模型以江西省为例,首先利用灰色关联度分析确定预测目标的影响因子;然后,将关联度强的第一产业、第二产业和人均GDP作为公路货运预测模型的自变量,公路货运量和自变量作为训练样本,BP神经网络模型通过正向计算传播,误差反向传播,训练神经网络;最后,该方法应用于江西省公路货运量实际预测中进行有效性验证,结果表明该方法非线性拟合效果较好,具有较高的预测精度。     

系统灰预测在货运周转量中的应用

在对重庆水运发展现状研究的基础上,建立了适合重庆水运货运周转量的系统灰预测模型,即GM(1,N)与GM(1,1)的嵌套模型,通过对实际数据的预测与比较,发现嵌套模型的预测精度明显优于普通的GM(1,1)模型。最后利用该嵌套模型对2010～2012年重庆水运的货运周转量进行了预测。     

青藏铁路格拉段货运量预测

分析了青藏铁路格拉段,进出藏运量差异大,存在地区间客货运输的需求差异和季节波动的特殊性.针对格拉段所在经济区域存在大量受运能制约而无法实现的潜在运输需求的特点,在社会货运总量预测中提出了货运诱发系数的概念,用以度量新线建设对社会货运量的带动作用.