灰色神经网络组合模型及在滑坡预测中的应用

提出将灰色GM(1,1)预测模型与神经网络预测模型结合起来,建立灰色神经网络预测模型,对滑坡变形位移进行预测.此方法为串联型灰色神经网络组合模型,是指用神经网络识别灰色GM(1,1)所得的预测值和实测值之间的未知关系,去修正灰色系统所得的预测值.实例表明:此种预测模型预测精度高、所需样本少、有效以及在滑坡预测中有着良好的应用前景.     

基于灰色GA-LM-BP模型的CODMn预测

针对灰色GM(1,1)模型拟合误差较大和LM-BP神经网络泛化能力不强的问题,提出了灰色GA-LM-BP模型,该模型采用灰色GM(1,1)模型预测数据并得到其残差,利用LM-BP神经网络对残差进行拟合、测试、预测后,对灰色GM(1,1)模型的数据预测值进行修正从而得到较合理的预测值,并运用遗传算法对LM-BP神经网络的初始权值和阈值进行优化。运用该模型对伦河孝感段的COD Mn进行了预测,预测误差不超过2.33%,表明模型的预测数据是合理的,可用于COD Mn的预测和水质预警预报。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

基于神经网络误差修正灰色模型的基坑位移预测

一般情况下,基坑工程位移的发展趋势可以分为3种类型,传统GM(1,1)模型由于模拟曲线为指数曲线,因此只适合于第1类趋势的位移时间序列建模。在无偏GM(1,1)模型的基础上建立修正曲线型无偏灰色预测模型和生长曲线型无偏灰色预测模型,适合于第2、3类趋势的位移时间序列建模。结合神经网络的非线性描述能力以及无偏灰色预测模型的趋势预测能力建立神经网络误差修正灰色模型。基坑位移预测实例应用结果显示,神经网络误差修正灰色模型能很好地描述基坑位移的非线性发展。     

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型.应用实例的计算结果表明,该模型可提高水质预测精度.     

应用灰色GM(1.1)模型及其改进模型预测渭河天水段水质

利用灰色GM(1.1)模型、残差修正GM(1.1)模型预测2004至2010年渭河对天水段水质污染物时发现,二者对于某些污染物预测精度不高,而且残差修正GM(1.1)模型预测精度未必一定高于GM(1.1)模型。在这种情形下,应用新陈代谢GM(1.1)模型,预测未来五年渭河水质的变化及其水质污染物突变的时刻。分析结果表明:新陈代谢GM(1.1)模型有助于提高预测精度和预测的可靠性。     

气象干旱组合预测模型研究及其应用

为提高干旱预测精度,克服单一预测模型的不足,在分析灰色理论和遗传神经网络模型特点的基础上,构建了气象干旱的多尺度组合预测模型。该模型首先提取灾变序列,利用GM(1,1)模型进行拟合和预测,然后采用遗传神经网络对拟合值进行修正,得到训练好的网络结构,最后修正GM(1,1)模型的预测值。利用郑州市1951—2012年月降水数据进行的干旱预测结果表明:针对不同尺度的灾变序列,组合预测模型的预测效果优于GM(1,1)模型和遗传神经网络模型,且模型的平稳性较好。     

灰色GM(1,N)自记忆神经网络组合预测模型研究

水文要素的预测具有不确定性,为了提高水文要素预测精度,将水文要素的多个相关因素在建模时加以考虑。本文通过建立考虑多个相关因素的灰色GM(1,N)自记忆模型,并与BP神经网络建立组合预测模型。利用新疆墨玉县年蒸发量实测资料,建立灰色GM(1,5)自记忆神经网络组合模型。研究表明:该组合模型拟合和预测效果较满意。     

GM(0,N)模型在湿地面积预测中的应用——以莫莫格湿地为例

预测未来年度湿地面积,对研究湿地生境变化趋势、保护湿地有重要作用。建立灰度GM(0,N)模型旨在提供一种简便的方法,预测湿地水面面积大小。首先应用灰色关联度分析模型,量化确定了对湿地面积影响程度较大的相关因素,分别是:莫莫格湿地年降水量、嫩江径流量、洮儿河径流量。利用这三个相关因素建立了GM(0,N)预测模型,对莫莫格湿地面积进行了模拟预测。为了提高精度,对GM(0,N)模型进行了修正。利用残差和后验差检验方法对模型作了可靠度分析,检测结果显示:修正的GM(0,N)模型平均相对误差9.1%,后验差检验等级为1级,多元线性回归模型平均相对误差15.5%,说明灰度预测模型对于莫莫格湿地水面面积预测具有一定优势。     

不同模型在南宁市年降水量预测中的应用比较

以南宁市1961—2015年降水量资料为基础,通过建立灰色GM(1,1)模型、滑动平均改进的GM(1,1)模型以及改进的BP神经网络模型来对南宁市年降水量进行预测研究。结果表明,以上模型均适用于南宁市的年降水量预测,模型精度分别达到了92.2%、96.6%和95.1%。其中以改进的灰色模型与BP神经网络模型预测效果最佳,平均相对误差均控制在了5%以内,充分表明预测模型的适用性与合理性。该研究为城市降水量预测提供了一种新途径,对城市水资源合理规划具有一定的指导意义。     

灰色季节性指数模型在蒸发预测中的应用

应用季节性指数法对GM(1,1)模型进行了改进,建立了灰色季节性指数模型,并将该模型应用于民勤绿洲季蒸发量预测中。计算结果表明,该模型在原始时间序列波动较大时,比普通GM(1,1)模型具有更好的适应性。     

改进的GM(1,1)模型在城市需水量预测中的应用

基本GM(1,1)模型未充分利用新信息,且背景值构造不合理,对变化非平稳的数据序列预测精度较低,为此,本文采用重构背景值和等维递补原理对基本GM(1,1)模型进行改进,建立重构背景值的GM(1,1)等维递补模型,并运用改进模型预测北方某市需水量,结果表明,改进模型预测精度更高,为需水量的预测提供了一种新方法.     

多元线性回归与GM（1，1）模型耦合预测城市用水量

合理预测城市用水量对于城市的发展有着极其重要的意义。本文首先应用多元回归的方法，采取向前选择变量法进行优选，得到相对最优的回归预测模型。然后利用灰色GM（1，1）模型，预测出规划年每个变量的值，代入多元回归模型，这样充分利用了两种模型的优点，预测精度高，结果更为合理可靠。     

ARIMA模型在田东县年降雨量预测中的应用

介绍了自回归移动平均模型ARIMA（p,d,q）的原理和建模方法。根据田东县近年来年降雨量特征,建立了ARIMA（1,1,12）预测模型进行分析预测,并与灰色预测模型GM（1,1）的预测结果进行对比,对比的结果是ARIMA模型的预测精度比灰色预测模型的精度明显提高。     

贵州省工业需水量预测研究

等维灰色递补模型以灰色模型为建模基础,引入贵州工业用水量历史数值,选择合适的数据序列,建立预测精度较好的GM(1,1)预测模型,从而构建灰色递补GM(1,1)预测模型。该模型预测精度等级为"好",故预测需水量具有可靠性和参考价值。灰色递补模型显著地减小了后验差比值C,弥补了灰色模型的不足,可为城市中长期供水规划提供方法选择。     

EMD-GM(1,1)模型及在大坝变形预测中的应用

大坝水平位移影响因素复杂,形成的数据序列一般不具有单调性,但灰色GM(1,1)模型只有在数据序列具有单调性时才能得到比较好的结果。针对这种情况,详细讨论了EMD-GM(1,1)模型的基本内容及建模过程。EMD-GM(1,1)模型利用EMD的自适应性,自动地从目标序列提取出若干个独立的内在模式分量（IMF）,剩余余项则具有单调性,然后采用GM(1,1)模型对余项进行拟合,并使用适宜的方法对各IMF分量进行拟合,最后通过加权平均求出最终值。仿真试验表明,EMD-GM(1,1)模型由于考虑了白噪声对模型的影响,提高了灰区间的白色度,预测效果比传统的GM (1,1)模型效果好。因此,在大坝变形的预测预报中EMD-GM(1,1)模型比GM (1,1)模型具有更高的应用价值。     

以速率为参量的GM(1,1)滑坡时间预报模型研究

以摩擦学和灰色系统为理论基础,建立了以速率为参量的滑坡GM(1,1)时间预报模型,推导出滑坡时间预报公式,结合黄茨滑坡、新滩滑坡进行了预报分析,并与传统的以位移为参量的GM(1,1)、Verhulst预报模型预报结果进行对比。结果表明:以速率为参量的GM(1,1)滑坡预报模型能够提前预报滑坡;与传统的以位移为参量的GM(1,1)相比,预报时间更接近滑坡实际发生时间;与传统的以位移为参量的Verhulst模型相比,以速率为参量的GM(1,1)模型不仅能够提前预报滑坡,而且能够更加准确地反映滑坡的位移变化趋势。因此,建议采用以速率为参量的GM(1,1)滑坡时间预报模型对滑坡进行预报分析。     

基于GM（1，1）的残差修正模型及应用

为了提高GM（1，1）模型的预测精度，对GM（1，1）模型进行预测，得到残差序列，然后用残差序列建模对原模型进行修正，得到GM（1，1）的残差修正模型，将其应用到扬压力的预测中，结果表明模型精度大大提高。     

利用GM（1,1）模型对地下水恢复进行预测分析

沧州市区关停深层自备井后,深层地下水恢复取得了明显的效果。本文采用色系统中GM（1,1）模型对第Ⅴ含水组地下水埋深进行预测。