缠论和相似灰色模型的预测方法在股价拐点预测中的研究应用

针对股价拐点预测研究中拐点序列重构和振荡序列预测问题,提出一种缠论和相似灰色模型结合的预测方法。首先,在缠论基础上系统地给出序列重构的基本理论,再针对灰色理论在振荡序列中预测的不足,提出纵向残差和横向偏差相关系数与灰色理论相结合的相似灰色预测模型;然后利用纵向偏差—横向残差相关系数对历史数据进行匹配计算,得到预测误差最小的灰色模型参数,以加权求和的方式实现具有振荡特性的股价拐点预测。最后两组股价拐点预测实验表明,所归纳的序列重构理论是有效的,与其他常用灰色模型对比表明,相似灰色模型可有效提高振荡序列的预测精度。     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

基于时间序列与BP-ANN的短时交通流速度预测模型研究

针对现有的交通流速度预测模型使用唯一数据集且模型单一的问题,提出一种时间序列与人工神经网络相结合的预测模型。该模型通过时间序列分别对实时数据和历史数据建模预测,并应用人工神经网络调整实时数据和历史数据的预测值。实验结果表明该预测模型能够将预测误差控制在7%以内,且能够对不同输入参数下的短时交通流速度进行有效预测。     

基于果蝇算法和灰色神经网络的电子装备故障预测方法研究

针对电子装备故障数据小样本、非线性的特点,在相空间重构处理原始时间序列数据的基础上,基于k折交叉验证和果蝇算法优化灰色神经网络模型参数,从而提出一种基于果蝇算法和灰色神经网络的故障预测方法,并以某型雷达高压电源监测数据仿真结果为例验证其模型性能;实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度方面都具有一定优势。     

基于模糊分析的LSTM交通流量预测

为提高交通流预测模型的准确性及泛化性,提出一种基于模糊分析的LSTM交通流预测方法实现对交通状态的预估分析.对历史数据采用LSTM神经网络进行训练,获取神经网络权值参数,针对交通流时序数据存在周期性,提出基于模糊聚类分析的策略对LSTM模型的历史训练误差进行聚类.根据当前交通流数据与历史数据的相似度预估LSTM预测模型的在线误差.综合LSTM神经网络预测输出以及基于相似度分析的在线误差预测输出预估交通流状态,给出相应的算法步骤.仿真实验验证了提出方法的有效性,其比单一预测预测模型效果更好.     

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。     

一种时间序列分解的卫星周期性参数预测方法

卫星遥测参数预测对卫星故障发现有着重要的指导作用。针对周期性参数难以预测的问题,提出了一种基于时间序列分解的卫星周期性参数的预测方法。该方法首先在频域上使用小波分析对参数序列进行降噪并提取参数的周期;然后,在时域上对参数的时间序列进行分解,进一步得到参数的趋势项和随机项,并根据各项特点分别使用灰色模型和ARMA模型进行预测;最后,重组各部分的预测值,得到最终预测结果。通过对我国某卫星遥测数据的对比实验分析,验证了该方法的正确性和有效性。     

基于傅立叶级数的小样本振荡序列灰色预测方法

针对现有灰色模型不能适用于小样本振荡序列预测的问题, 提出了基于傅立叶级数的小样本振荡序列灰色预测方法. 首先对原始序列建立GM(1,1) 幂模型以描述系统行为的总体趋势; 然后利用傅立叶级数提取模型的残差序列所包含的周期性振荡规律, 并以二者之和构成新的时间响应函数; 最后以平均误差最小化为目标, 建立非线性优化模型求解最优参数. 应用实例表明, 该方法能够有效地提高灰色模型对小样本振荡序列的预测精度.     

基于改进灰色预测模型的半球谐振陀螺在线故障检测

针对基于半球谐振陀螺的导航系统故障检测的实时性要求高、数据变化缓慢等特点,提出了一种改进型的灰色预测模型,将移动窗口初值优化的灰色预测模型和最小二乘结合,对该类惯性传感器的故障进行实时在线检测.对处置优化的灰色预测模型的残差信号进行建模,提高了预测的精度,从而实现了利用少量的历史数据对下一时刻数据的准确预测,达到对半球谐振陀螺实时故障检测的目的.详细描述了改进型灰色预测模型的建模方法和步骤,并针对半球谐振陀螺的3种故障形式,与普通灰色预测方法进行了对比仿真研究.结果表明该方法可以准确、有效地进行在线故障检测.     

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。     

基于优化的非等间距灰色模型对健康的预测

针对通过有限的不等时间间隔的健康数据预测未来健康情况难度较大，传统的非等间距灰色预测模型在应用中精度偏低的问题，本文提出一种优化的非等间距灰色马尔科夫预测模型。首先，该模型通过数据预处理和优化预测流程降低数据突变对预测结果造成的影响；其次，设计最佳权重系数来优化模型的构建；最后，采用灰色和马尔科夫修正相结合的策略对残差进行修正。经过实例和对比分析，结果表明，该优化模型具有更高的预测精度，从而可以相对准确地预测短期健康情况。     

A novel dynamic progress forecasting approach for construction projects

In this paper, we propose a novel construction project progress forecasting approach which combines the grey dynamic prediction model and the residual modified model to forecast the current progress during the construction phase. Firstly, four typical S-curves simplified from various sigmoid curves are proposed and fitted to the grey dynamic prediction model. For higher prediction accuracy, three different residual modified models are taken to amend the initial prediction value which was derived from the above step. The mean absolute percentage error (MAPE) and standard deviation of the estimate of Y (SDY) are used to assess the accuracy of the composite results. The better residual modified prediction model is adopted to combine the grey dynamic prediction model to form the novel progress forecasting approach. Then, practical completed construction cases are provided for testing the prediction ability of the proposed progress forecasting approach. Results show that the forecasting approach proposed to forecast construction progress during construction phase is able to get better prediction accuracy almost within 10% whether typical S-curves or practical cases. The new approach relatively provides an accurate, simple and stable method for predicting construction progress in comparison with the previous traditional forecasting methods.     

污水处理过程COD指标集成软测量模型

针对污水处理过程中水质参数COD指标难以在线检测的问题,提出一种基于分布式改进BP神经网络和灰色预测的COD指标集成软测量模型。为反映污水处理过程的不同工况,采用满意聚类算法对数据样本进行聚类处理,将数据样本划分为若干个子样本集,利用改进BP神经网络方法分别为每个子样本集建立预测模型,计算当前输入数据与各个聚类中心的欧式距离,将欧式距离较小的部分预测模型的输出进行综合,得到分布式神经网络的COD指标预估值;为反映COD指标的时间相关性,基于COD指标历史数据采用改进灰色预测建模方法计算得到当前时刻COD指标的预估值;采用动态加权方法将获得两个COD指标预估值进行加权集成。仿真实验表明,集成软测量模型具有较好的预测性能,可以满足污水处理过程COD指标实时检测的精度要求。     

基于灰色神经网络和自适应网络过滤的流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。在灰色神经网络研究的基础上,提出一种新的网络预测方法,通过自适应过滤法对灰色神经组合模型时产生的残差进行修正,从而达到比较精确的效果。实验结果表明,该方法有效可行。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性.针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型.该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对...     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。     

灰色关联模型关联序结果的稳定性检验方法及应用

针对目前灰色关联理论中模型结果检验方法的不足,提出一种对相近性灰色关联模型关联序结果稳定性检验的方法.首先,以序列间对应观测点的数值差异作为构造序列间量级大小变化的最简单元,用以表征和定义序列间的相近性灰色关联度;其次,引入信息熵的基本思想,基于序列间量级大小变化的最简单元构建信息灰熵作为相近性视角下序列间关系稳定程度的度量标准;然后,通过将研究对象的行为序列平均划分为不同阶段来计算在不同阶段变化下序列间相近性灰色关联度的变动值,以动态关联数值与信息灰熵共同构造相近性灰色关联模型的稳定性检验系数,通过比较检验系数大小最终确定模型间结果的稳定程度;最后,选取几种常见的相近性灰色关联模型对2016年～2021年南京市主要大气污染物进行影响因素分析,根据计算得到的检验系数对各模型的分析结果进行验证和筛选.