基于灰色理论的蓄电池容量预测

为进一步满足电力、通信、铁路、交通管理等系统对直流电源可靠性的要求,加强对蓄电池组的在线监测及容量预测评估,针对蓄电池容量存在随温度等外部条件而产生周期性变化的特点,提出了实时在线、新陈代谢GM(1,1)预测模型,研究了GM(1,1)模型的建模方法及误差精度检测与评定方法.计算机实际模拟证明,新陈代谢GM(1,1)预测模型能够明显地提高预测精度,增加预测可靠程度,从而实现蓄电池容量的早期预测评估.     

基于反余弦函数变换的优化GM(1,1)模型应用研究

研究了有关提高灰色GM(1,1)模型预测精度问题。在对原始数据序列进行标准化处理基础上,结合反余弦函数变换与灰色预测模型的新陈代谢思想建立优化GM (1,1)预测模型,并用实例验证了优化GM(1,1)模型比优化模型的单个条件能获得更高的预测精度。     

基于改进的灰色GM(1,1)模型能源消耗预测

在灰色GM(1,1)预测模型基础上,对GM(1,1)模型存在的建模偏差进行修正,使修正后的模型符合数据规律,提高预测精度.结合新陈代谢理论,建立基于新陈代谢的无偏GM(1,1)模型.该模型利用数据的新旧更替,能在不断补充新信息的同时,及时地去掉老信息,避免随着信息的增加,较旧的数据对模型的信息显著性下降的弊端.通过实证,该模型的预测精度优于GM(1,1)模型、无偏GM(1,1)模型以及新陈代谢GM(1,1)模型.     

基于动态自适应PSO算法的GM(1,1)融合预测模型

在GM(1,1)预测模型中,发展系数a和灰色作用量b是两个关键的参数,其对模型的预测精度有较大的影响.在分析GM建模原理和参数对模型精度影响的基础上,提出了一种基于动态自适应粒子群算法的灰色GM融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用改进的粒子群优化算法来求解模型的相关参数.实例分析表明:与传统的GM(1,1)模型相比,动态自适应粒子群优化算法与GM融合模型的预测精度在传统GM模型误差较大的情况下也能得到较好的预测效果,在适用性上比传统模型更具优势.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

基于新陈代谢灰色马尔科夫模型的芜湖港集装箱吞吐量预测

为提高内河港口规划的合理性,更加精确地预测内河港口集装箱吞吐量,先用安徽芜湖港近年集装箱吞吐量数据建立了灰色GM(1,1)预测模型,然后采用新陈代谢法实时更新预测数据,构建新陈代谢动态灰色GM(1,1)模型,再运用马尔科夫模型分别对两个模型的预测结果进行修正。对比预测结果发现,灰色GM(1,1)马尔科夫模型比灰色GM(1,1)模型平均相对误差降低43%,新陈代谢灰色GM(1,1)马尔科夫模型比新陈代谢灰色GM(1,1)模型平均相对误差降低45%。由此可得出,新陈代谢灰色GM(1,1)马尔科夫模型的结果具有更高的可信度。     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新 GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统 GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。
     

基于改进GM(1,1)模型的城市短时交通流预测研究

基于GM(1,1)模型的模拟或预测结果具有严格单调性,导致其难以实现对随机波动序列的有效模拟,而以累加序列模拟值作为累减还原参数的建模方式是导致GM(1,1)模型精度不理想的主要原因。为了提高GM(1,1)模型模拟及预测精度,在传统灰色预测模型建模基础上,提出了基于改进累减还原方法的新GM(1,1)模型,然后应用该模型对城市短时交通流进行了模拟和预测,并将结果与传统GM(1,1)模型进行了比较和分析,结果显示新模型具有更加良好的模拟及预测性能。     

短期人口增长预测模型

利用已知数据对不同维度的灰色GM(1,1)模型和不同维度新陈代谢GM(1,1)模型进行了精度对比.最终选取5维新陈代谢GM(1,1)模型来预测2011-2020年的我国人口数量.     

基于马尔科夫优化的灰色GM (1,1) 沉降预测模型及应用

针对灰色GM(1,1)模型在对随机波动较大的沉降数据序列进行预测时存在的不足,本文结合灰色理论模型和马尔科夫链理论,建立了一种基于马尔科夫修正的新维GM(1,1)沉降预测模型。首先,考虑监测数据的时效性,通过在原始数据列中不断补充新的沉降监测数据,采用新陈代谢的方法建立了新维GM(1,1)模型;随后采用马尔科夫链理论对新维GM(1,1)模型进行优化,根据模型预测时产生的相对误差范围对其进行状态区间划分,并构建了相应的状态转移概率矩阵,得到了基于马尔科夫优化的新维GM(1,1)预测模型;将本文中的模型应用于福州火车站南广场深基坑周边建筑物地表沉降预测中,并对不同模型的预测效果进行对比分析,结果表明：基于马尔科夫优化的灰色GM(1,1)模型的预测精度较传统灰色GM(1,1)模型有明显提高,验证了本文所提出的优化模型在基坑沉降分析与预测中的合理性。     

GM(1,1)模型背景值构造的不同方法与应用

GM(1,1)模型的误差主要来源于背景值和初始值,因此提出3种不同的背景值构造方法分别为:把背景值的固定权改为变权构造背景值的方法、将数据序列抽象为指数函数构造背景值的方法、将数据序列抽象为非齐次指数函数构造背景值的方法,并以X(n)为初始值和新陈代谢方法来建立GM(1,1)模型.通过工程实例检验这3种不同背景值构造方法建立的GM(1,1)模型的预测精度.计算结果表明,将数据序列抽象为非齐次指数函数构造背景值建立的模型预测精度较高,可为类似工程提供参考.     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

高铁中基于改进GM(1,1)马尔可夫模型的频谱预测策略

针对现有高铁环境中沿线网络复杂且频谱利用率低的问题,将具有人工智能特性的认知基站引入高铁无线通信,并提出一种新的改进灰色GM(1,1)马尔可夫模型对频谱进行预测.与其他方法不同,分别从主用户到来时间及其持续时间两方面进行预测,建立信道的占用/空闲模型.通过新陈代谢GM(1,1)对历史序列的1步预测结果进行对比,得到最佳历史序列个数,并对最佳序列预测值利用二次加权马尔可夫模型进行校正,该校正模型分别对各步长的转移概率和各概率的转移状态进行加权,使其更加适应真实的高铁无线通信场景.通过MATLAB实验仿真,将新的改进GM(1,1)马尔可夫模型与灰色关联度模型的拟合程度和1步预测精度进行对比.结果表明,就时间序列预测而言,该模型对历史序列的拟合程度及1步预测精度更高.因此,该模型能够有效进行频谱预测,提高预测性能.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

煤岩界面预测灰模型

为提高煤岩界面记忆截割检测的自动化水平，基于灰建模改进方法，采用相同的初始数据序列，建立经典GM（1，1）、新数据CM（1，1）、新陈代谢GM（1，1）三种煤岩界面预测模型，并分析其数据残差和相对误差。结果表明，三种模型的残差和相对误差均随预测步数的增加而增大，新陈代谢GM（1，1）模型的残差和相对误差最小，模型精度较高，适用于煤岩界面预测。     

一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

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%。     

基于灰色GM(1,4)模型的数控机床热误差补偿技术

为降低机床加工过程中温度场变化对机床加工精度的影响,分析了数控机床生产过程中热源组成及热误差产生机理,根据灰色关联度理论从原设定的8个温度测量点中计算选定4个机床温度关键测量点,建立了灰色GM(1,4)预测模型。该模型搭建了4个关键测温点的温度变化情况与机床热误差值之间的映射关系,能在生产过程通过获取关键点温度实时预测机床热误差值,再通过数控系统将预测值补偿到刀具进给位置,以此形成机床热误差补偿机制。最后,以精密卧式加工中心THM6380为实验对象,检验GM(1,4)模型预测结果与实际热误差值间的差距,拟合残差在±1μm以内,拟合效果良好。