主梁变形预报的改进非等间隔权重灰色修正模型

针对斜拉体系加固张拉施工阶段主梁变形难以预报,传统非等间隔灰色模型在其应用中存在精度低的问题,提出了一种马尔科夫链残差修正的改进非等间隔权重灰色主梁变形预测模型。首先,该模型将主梁变形量和索力差分别看作传统非等间隔灰色模型中的原始数据列和时间差,考虑在累加生成和累减还原过程中是否引入权重分配系数,构建了4种不同的非等间隔权重灰色预测模型,并依据相似度准则确定相应的最优权重分配系数和最佳计算模型,提高预测精度;然后,采用马尔可夫链法反映出主梁变形残差序列的随机波动特征,从而对改进非等间隔权重灰色模型的预测值进行修正,较好地弥补了单一预测模型预测精度偏低的不足,进一步提高模型的预测精度;最后,通过该模型对斜拉体系加固主梁变形进行预测。研究表明,相对传统非等间隔灰色模型,在模型累减过程中引入权重分配系数后的模型相对误差平均值降低0.47%;采用马尔可夫链法对预测结果进行修正后,相对误差平均值降低10.32%,能显著提高预测模型的精度;与马尔科夫链修正后的传统模型相比,经累减还原优化后的修正模型相对误差平均值降低3.50%,预测精度更高,能够较好地反映出了斜拉体系加固主梁变形的发展趋势;该模型的核心理论是灰色系统理论,对实测数据并无特殊要求和限制,同样适应于其他工程领域的变形预测问题。     

基于改进灰色GM(1,1)模型的天然气负荷预测

构建三种改进的灰色预测模型,提高传统预测方法的精度。以北京市2007—2015年天然气负荷量作为原始数据建立模型,并用2016年数据进行结果检验。依次对三种改进灰色GM(1,1)模型分析和比较,选出最佳的改进模型与新陈代谢模型结合,替换旧数据、填补新数据,依次建模,构建北京市2017—2020年天然气负荷量预测模型。结果表明,组合后的模型可降低原始数据对预测系统的干扰,预测精度符合实际要求,且精度远高于传统的灰色模型,能真实反映未来天然气年负荷量的发展趋势,预测结果具有可靠性和实用性。同时,也为燃气市场的规划和调控提供参考。     

基于灰色神经网络的火灾事故预测

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色神经网络火灾事故预测模型。依据我国2003-2012年火灾事故统计数据,分别选用GM(1,1)模型和灰色神经网络模型对2003-2010年数据（火灾起数）进行拟合,对2011年、2012年数据进行（火灾起数）预测。结果表明,灰色神经网络火灾事故预测模型具有灰色系统贫乏数据建模和神经网络高度非线性映射能力的优点,有效地解决了传统火灾事故预测中误差大稳定性差的缺陷,提高了预测精度,在火灾事故预测中具有一定的实用价值。     

基于改进灰色模型的短期电力负荷预测

针对短期电力负荷预测的特点,提出了更适合负荷预测模型,对传统灰色预测模型的局限性进行了改进。采用三点平滑处理削弱了个别不理想数据对整个数据序列的影响,对GM(1,1)模型进行了残值修正,建立了针对后验差检验不合格情况下的新的GM(1,1)模型。通过实证分析与相对误差的比较,该模型具有良好的适应性,可大大提高预测的精度。     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于改进灰色马尔可夫模型的实证分析——以上海入境旅客人数预测为例

通过级比检验和马氏检验分别测试上海入境旅客人数的原始数据,原始数据满足级比检验且具有马氏性,然后用传统GM(1,1)模型与初始值校正GM(1,1)模型分别来预测。结果表明,在相对误差、后验差比值与精度三方面对比,初始值校正GM(1,1)模型得到的效果更好。再将初始值校正GM(1,1)模型与加权马尔可夫模型组合成改进灰色马尔可夫模型,结果显示,预测结果的平均相对误差比初始值校正GM(1,1)模型要小,结果更精确。因此,使用改进灰色马尔可夫模型对上海2018—2020年的入境旅客人数预测,结果为:887.63万,900.42万和913.39万人次。     

基于灰色系统理论的雷达探测距离预测方法

空中目标雷达探测距离的预测是基于检飞数据的雷达网探测能力分析中一个非常关键的环节.对小样本、贫信息的不确定性系统,采用一般预测方法很难满足预测精度的要求,为此使用灰色预测模型中的新陈代谢模型和Verhulst模型进行预测.新陈代谢模型在预测过程中不断剔除已不能反映系统特征的老数据,Verhulst模型则主要对原始数据变化呈S形特点的序列进行预测.最后通过实例对这两种模型进行了检验.检验结果表明:新陈代谢模型预测精度最低达96.14%,Verhulst模型预测精度最低达95.44%.     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

基于马尔科夫链误差修正的光伏发电预测

为了提高光伏发电预测的精度,在传统BP神经网络预测模型的基础上,利用相似日算法和马尔科夫链理论对预测模型进行改进。其方法以得到的相似日数据作为预测模型的输入量,通过BP神经网络进行训练,得到初步的预测值,然后根据马尔科夫链模型得到的误差状态转移概率矩阵对预测误差进行修正,根据修正后的误差得到新的预测值。最后通过与传统算法得到的预测结果进行误差对比分析,结果表明,改进算法的预测精度高于传统算法,验证了该模型的有效性。     

改进GM(1,1)模型在特装修理费用预测中的应用

基于灰色系统GM（1，1）模型理论，用改进后的预测模型预测海军舰船特装修理费用，可充分开发并利用少量数据中的显信息和隐信息，避免复杂的相关关系，克服了原始数据的离散性，得到高精度的预测结果，以某型舰船特装修理费用为例，建立了预测模型，并进行了中短期预测，结果表明，其精度优于传统模型。     

基于缓冲算子和指数修正的优化灰色预测模型的中长期负荷预测

本文对传统的灰色预测模型进行了改进,一方面,为了强化原始数列的大致趋势,减弱异常值的影响,采用了弱化缓冲算子进行了处理;另一方面,也对指数a模型加以优化修正;数值试验表明,改进的灰色预测模型有效地改善了模型预测精度,并扩大模型适用范围,最后对某市2001-2010年间的电力负荷进行了预测.     

基于GM(1,1)和D-MECM的钟差预报方法

针对单一钟差预报模型在建模数据量较少时中长期预报精度不足的问题,提出了基于灰色模型和一阶差分修正指数曲线法的组合预报模型。首先基于少量数据建立灰色模型并预测未来一段时间的钟差数据,再将其作为一阶差分修正指数曲线模型的建模数据,进行钟差的中长期预报。仿真结果表明,组合预报模型能够基于少量历史数据对钟差进行高精度的中长期预报。采用卫星共视仪采集的精密钟差数据进行实验,并与单一二次多项式模型和灰色模型进行对比,结果显示:使用5h的钟差数据进行建模并预报未来48h钟差数据时,二次多项式模型和灰色模型的平均预报精度分别为285.06ns和91.11ns,而组合模型的平均预报精度可达29.48ns,相比于单一二次多项式模型和灰色模型,分别提高了89.66%和67.64%。     

灰色预测PID模型的建筑构件耐火试验炉控制系统

为解决建筑构件耐火试验炉中的温度、压力控制对象的惯性大、滞后强与复杂非线性等问题,同时使得建筑构件耐火试验炉中火灾模拟具有较高的精确性和样品温度测量具有较高的可靠性,设计了一种基于灰色预测PID模型的控制系统.文中对耐火试验炉火灾温度控制曲线进行公式化的描述,重点阐述了灰色预测的GM（1,1）模型的算法内容与检验要求,结合PID算法的优点设计出自调节超前控制的灰色预测PID算法控制原理结构.完整地给出了系统的硬件结构模块组成与软件功能层次图.通过实际的试验炉运行本系统表明,基于灰色预测PID模型开发的系统控制精度能够达到95.5%,提高了火灾模拟的品质和试验数据的可靠性.     

基于自适应精英蚁群算法的GM（1,1）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两参数对模型的预测精度有直接影响。在分析GM建模原理和参数对模型精度影响的基础上,提出了一种信息素浓度自适应调整的精英ACO算法与GM（1,1）融合预测模型,在不改变GM(1,1)模型表达形式前提下,使用了改进的ACO算法来求解模型的最优参数。试验结果表明：与传统的GM(1,1)模型相比,改进的ACO算法与GM（1,1）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具有优越性,是提升模型精度一种新思路。同时也说明了运用自适应精英策略改进蚁群算法提升算法全局寻优能力是合理的科学的。     

改进的灰色神经网络预测方法

针对GM（1,1）算法求解发展系数和灰色作用量时受背景值影响的问题,提出一种回避背景值的辨识参数求解方法,避开背景值试算选取的步骤或选取不当造成预测精度低的问题;针对GM（1,1）模型预测时初始条件为固定值影响预测精度的问题,提出一种构建变权初始值的方法,避免预测精度受固定初始值的影响;针对传统灰色神经网络样本类型单一的问题,提出一种新的组合预测模型结构,突破了传统模型只依靠单一浸润线历史数据预测的局限,建立了基于改进灰色神经网络的浸润线预测模型.通过工程验证,该模型短期内对浸润线高度的变化预测效果较好.     

修正三角模糊事故树算法在化工生产事故预测中的应用

基于传统三角模糊事故树预测模型存在因线性近似导致误差较大的不足,通过截集定理分析了误差的来源,根据表现定理给出了事故树顶上事件三角模糊数隶属度曲线绘制的改进算法。使用MATLAB软件编制程序,分别采用修正的和传统的三角模糊事故预测算法,针对油库静电积累事故进行预测,计算8个原因事件的模糊重要度。计算结果显示,与传统算法相比,修正算法8个基本事件的模糊重要度计算误差平均降低11.91%,表明修正算法极大地优化了传统算法的不足。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于灰色理论和Usher曲线的PHC管桩单桩竖向极限承载力预测

针对利用现行规范公式计算PHC管桩的竖向极限承载力值存在结果偏低的问题,根据竖向静载荷文献资料,基于灰色理论GM(1,1)模型和Usher曲线模型预测单桩的极限承载力,并采用MATLAB软件实现预测模型算法.工程实例分析表明:灰色预测模型的预测精度与竖向静载试验数据级数选取、预测距离有密切关系;Usher曲线模型对桩极限承载力的预测精度大大高于灰色模型,此结果可为类似工程地质条件下PHC管桩单桩竖向极限承载力的预测提供借鉴.