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.     

塔里木河流域径流量预测分析

因径流量预测中伴随着随机性、灰信息性的特点,传统的数学模型难以解决复杂的非结构化问题。在参与塔河流域多个水文控制站点径流量预测的基础上,探讨了GM(1,1)与BP算法在径流量预测中的有效性及存在的一些问题。首先用灰色关联理论对相关序列的灰色绝对、相对、综合关联度进行了分析;然后建立了GM(1,1)模型,讨论了在原始序列准光滑条件满足、1-AGO准指数规律满足条件下GM(1,1)模型模拟随机振荡序列的局限;最后建立了神经网络模型,应用BP算法训练网络权矩阵和偏置,对径流量的历史演变进行了仿真模拟,对预留年份的径流量作了预测检验。     

基于 RAGA 的 GM(1,1)-RBF 组合需水预测模型

建立了基于实码加速遗传算法（real coded accelerating genetic algorithm, RAGA）的灰色 (grey model,GM(1,1)) 径向基函数 (radial basis function, RBF) 神经网络预测模型。该模型克服了传统 GM(1,1) 模型存在明显系统误差和容易陷入局部最优的缺点 , 具有 GM(1,1) 模型对数据确定性方面把握的优点 , 同时融合了人工神经网络在不确定因素预测方面的优势。 运用该模型对山西工业需水量进行预测 , 预测表明该模型相比单个传统模型具有相对较高的预测精度,验证了 GM(1,1)-RBF 组合模型在中长期需水预测应用中的合理性,对相关政策的制定有一定参考价值。     

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。     

灰色理论及神经网络组合模型在水质预测中的应用

利用灰色理论和神经网络的组合式模型实现了对原水水质的预测。它分析了水质数据的影响因素多,水质变化的非线性等特点,同时考虑灰色理论的单变量预测优势以及神经网络能有效处理数据的非线性、模糊信息的特点,提出使用灰色理论模型GM(1,1)对水质数据进行建模,再使用BP神经网络对实际值和预测值的残差进行建模,最后叠加上述两个模型,实现灰色神经网络组合式水质预测模型。通过对某水厂水质的预测值和实际值的比较,表明该模型对水质有较高的预测精度。     

基于GM和BP网络的年均流量组合预测模型

以岷江紫坪铺测站1937～2004年的实测流量资料为依据,运用灰色拓扑预测方法,在建模过程中将GM(1,1)模型、无偏GM(1,1)模型以及GM(1,1)改进模型与BP神经网络进行优化组合,建立年均流量组合预测模型.本文采用1995～2004年的年均流量资料对模型进行检验,结果表明,预测相对误差值较为合理,可以作为年均流量预测的有效方法.     

灰色季节性指数模型与神经网络模型在蒸发预测中的应用

在原GM(1,l)模型基础上采用滑动平均法进行季节因素修正,建立了灰色季节性指数模型,并将该模型与神经网络模型运用在海拉尔市季蒸发量预测中。计算结果表明,修正后的模型与神经网络模型在拟合既含趋势变动,又含季节因素的时间序列预测中,比普通GM(1,1)模型具有更好的适应性,具有较好的效果。     

灰色遗传神经网络模型对居民年需水量预测

根据居民年生活用水的特点,提出一种灰色遗传神经网络组合模型。该模型首先通过遗传算法(GA)对λ取值进行选优,并运用灰色加权模型对年需水量进行一级预测,后通过BP模型对年需水量进行二级预测。以A市S区年居民生活年需水量为例,将2007~2013年生活年需水量作为原始数据并选择合适指标对2014年需水量进行预测。结果表明,组合模型相比灰色神经网络模型精度提高0.84个百分点,比GM(1,1)模型提高了3.08个百分点。     

变形预测的一种最优线性组合模型

介绍了灰色GM(1,1)、时间序列和非线性组合模型的基本概念,讨论了最优线性组合模型的定义及其权系数的求解方法。结合某大坝变形监测数据,建立了基于灰色与时间序列的非线性组合模型和最优线性组合模型,以及基于灰色、时间序列与非线性组合的最优线性组合模型,并把这3种组合模型的预测结果与GM(1,1)、时间序列模型进行比较。结果表明,融合GM(1,1)、时间序列与非线性灰色时间序列组合的最优线性组合模型的预测效果明显好于另两种模型,其预测误差小于1 mm。     

城市用水量预测中的多变量灰色预测模型

当观测资料的数据量少,而又存在多个相互影响或关联的变量时,常用的灰色预测模型GM(1,1)不能全面考虑多个变量。采用自适应MGM(1,n)模型———多变量灰色预测模型,较好地解决了这一问题。MGM(1,n)模型是GM(1,1)模型在n元多变量情况下的推广,通过联立求解n个n元微分方程,使模型中的参数能够反映实际工程或社会系统中多个变量间相互影响、相互制约的关系。以杭州市用水量统计资料为研究对象,运用灰色理论建立MGM(1,n)模型,获得了较好的预测效果。