用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。论文提出采用时间序列ＡＲ模型进行趋势预测。将现场测得的非平稳振动序列通过ＡＲＩＭＡ模型和标准化处理,转化成标准正态平稳时间序列。模型参数估计使用了方法简单、参数估计无偏、精度高的最小二乘法。通过现场实测数据进行验证,计算结果表明ＡＲ模型能够很好地拟合振动信号时间序列并取得了一定的预测精度,可以达到预测要求。     

串联式组合模型在基坑监测中的应用

在传统模型基础上提出串联式组合模型,选择灰色模型对基坑监测数据的趋势项进行拟合,时间序列模型对监测数据的随机项进行拟合,发挥两者自身的特点,进行有机地组合预测分析。通过工程实例预测结果分析表明:串联式组合模型不仅能够预测出基坑的变形趋势,而且相对于时间序列模型、灰色模型有着较好的预测精度,体现出将串联式灰色时间序列组合模型应用于基坑监测的合理性和有效性。     

隧道地表沉降预测的时变参数灰序模型TGM-AR

在趋势项提取法中,针对逐步回归法比较烦琐及灰色模型预测精度低的缺点,结合灰色预报系统的灰色性和时变性,根据变形体的实际变形规律,将时变参数a(t),b(t)及灰色理论应用于时序模型建模中,提出并建立时变参数灰序模型TGM-AR.时变参数灰色模型用于提取趋势项部分,时序模型用于提取随机部分.将模型应用于隧道地表的沉降分析和预测,结果表明模型预报精度高,且趋势项的物理意义明确.     

灰色系统与时序组合模型在高层建筑沉降预测中的应用

将高层建筑沉降监测数据视为具有确定性趋势的非平稳时间序列，运用灰色GM(1，1)模型提取其中的趋势项，用AR(n)模型表示随机残差项，利用灰色-时序组合模型进行沉降预测．算例结果表明，该组合模型具有较高的预测精度，是一种简单、实用的高层建筑沉降预测方法．     

灰色模型在电力负荷预测中的应用

应用灰色系统理论分析了某电力系统电力负荷的动态变化趋势。并用灰色预测理论对该系统现有的年用电量时间数据序列进行处理,进而建立了GM(1,1)预测数学模型,最后提供了预测实例。     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于修正GM(1,1)模型的岩体边坡预测分析

岩体边坡是一个复杂的未知系统,灰色系统理论能较好地阐释其中某些规律.岩体边坡的监测和应力变形预测分析是一项意义重大的工作.针对强随机性的边坡监测时间序列,提出了考虑斜率修正的灰色GM(1,1)预测模型,提高了灰色模型的建模精度.同时,将该模型应用于锦屏一级水电站左岸高边坡中某部位岩体的应力发展趋势预测,发现该改进GM(1,1)模型适合于短期趋势预测,并揭示了该部位岩体的应力发展模式,为后续研究工作提供参考和研究基础.     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

基于时间序列模型的轨道质量指数预测研究

轨道质量指数(TQI)是反映区段轨道整体不平顺的一项重要指标,是一个具有随机性特征的时间序列。本文用灰色系统理论分析TQI序列与各单项指标间的关联度并预测某区段下一次检查的数值;运用ARMA模型对200 m单元区段的TQI序列数据进行研究,分析其变化趋势并对未来一段时间的TQI进行预测。算例分析表明,两个模型的预测精度有所提高,相对误差小于5%。