基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

灰色理论与时序模型的发动机状态监测分析

针对目前发动机磨损状态监测中磨粒数量预测方法存在的问题,提出了基于灰色理论与时序模型相结合的预测方法,建立了灰色时序组合模型.通过灰色GM（1,1）模型模拟数据宏观变化趋势,并用时序AR（P）模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型在发动机状态监测中具有更好的预报效果.     

基于小波与灰色方法的半球谐振陀螺寿命预测

半球谐振陀螺具有成本高、批量小的特点,为了在不进行1:1实验的情况下评估其性能和寿命,提出基于小波分析与灰色关联度的残差修正GM(1,1)寿命预测方法。将小波变换引入半球谐振陀螺寿命预测中,利用2种紧支撑标准正交小波对半球谐振陀螺的漂移数据降噪处理以削弱序列的随机性,使用残差修正GM(1,1)模型对4个型号不同的半球谐振陀螺进行多周期数据预测,结合灰色关联分析方法得到半球谐振陀螺的预测寿命。实验结果显示,残差修正GM(1,1)对半球谐振陀螺预处理后漂移数据的预测精度高于GM(1,1)预测方法,表明该预测方法的正确性和有效性。     

基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

基于灰色-马尔可夫模型的粮食产量预测

文中首先用1976年到1995年的桐城县冬小麦单产,建立灰色GM（1,1）模型,再用随机过程理论的马尔可夫模型获得GM（1,1）模型在已知年份里的偏差规律（即偏差的转移概率矩阵）,并且依照此规律对GM（1,1）模型结果进行修正,将由GM（1,1）模型预测的一个具体数值,修正成为区间和概率组成的预测范围,增加预测的可靠性。最后用灰色-马尔可夫模型外推预测1996年到2000年共5年的小麦单产。实验说明灰色-马尔可夫模型大大提高了预测精度,将预测结果表示为预测范围,更为准确地反映出粮食产量的走势。     

灰色-周期外延模型的动态关联规则元规则挖掘

提出了一种把灰色-周期外延模型应用到动态关联规则元规则挖掘中并提高元规则预测精度的方法。该方法首先对动态关联规则元规则支持度计数建立GM(1,1)模型;然后对建模时产生的残差序列建立周期外延模型并且提取最优周期;其次将周期外延模型作为GM(1,1)模型的残差补偿,把GM(1,1)模型以及周期外延模型得到的结果进行叠加得到最终的预测模型。最后通过实验证明了该方法有较高的预测精度。     

地区生产总值灰色关联预测模型群的研究

生产总值是受多种因素制约的处于动态变化的灰色系统。本文针对多种影响因素,运用灰色关联分析方法确定主因素变量,从而建立灰色关联预测模型GM（1,N）和GM（0,N）,并将预测结果与GM（1,1）模型进行协调综合,这样得到的数据更加合理,也大大提高了预测结果的可信度和应用价值。     

基于灰色模型和自适应过滤的网络流量预测

提出一种新的网络流量预测方法。该方法根据网络流量历史值用灰色模型GM（1,1）进行预测,并用自适应过滤法对GM（1,1）预测时产生的残差进行修正,从而达到较高的预测精度。该方法综合了GM（1,1）预测所需原始数据少、方法简单等特点,具有较高的应用价值。实验结果表明,该方法是有效可行的。     

改进的G M(1,1)模型及其应用

分析GM（1,1）模型的缺陷,即背景值构造和初始值确定的不足,建立加权背景值和具有修正项的初始值,背景值权值和初始值修正项采用具有全局寻优能力的模式搜索法求解,实例证明模式搜索法优化的灰色GM（1,1）模型提高了预测精度。利用改进后的GM（1,1）模型对网络流量进行预测分析,结果显示改进的GM（1,1）模型优于普通灰色预测模型。     

和田绿洲蒸发能力预测的多因素GM(1,3)模型

在灰关联分析的基础上，找出了影响和田绿洲蒸发能力变化的主要影响因子为平均气温与相对湿度。根据灰色GM（1，N）建模原理，对和田绿洲蒸发能力建立了GM（1，3）预测模型，经检验模型预测结果较好，同时也说明了GM（1，N）模型在中长期水文预报中的适用性。     

基于粒子群优化的灰色预测方法

对灰色预测算法进行了研究。在GM(1,1)模型中,发展系数a和灰色作用量u是两个关键的参数,对系统的性能有较大的影响。传统的方法使用最小二乘法来求解,不仅计算复杂,而且预测结果的误差也较大。论文对此进行了研究,并提出了一种改进的灰色预测算法PSOGP。PSOGP的主体仍使用GM(1,1)模型,但在求解相关参数时,PSOGP使用了粒子群优化算法。仿真试验表明,与经典的GM(1,1)模型相比,PSOGP算法的预测精度得到了较大的提高。     

An accurate signal estimator using a novel smart adaptive grey model SAGM(1,1)

Grey system theory has been developed for almost 30 years and has obtained many great successes in practical real-life applications. However, conventional grey models show some limitations which affect directly to the model applicability as well as prediction accuracy. Hence, the aim of this paper is a proposition of a novel grey model named ‘Smart Adaptive Grey Model’ – SAGM(1,1) in order to overcome the disadvantages existing in the original grey model – GM(1,1). The proposed model was developed from the GM(1,1) model with three remarkable improvements. The first one is a use of two smartly additive factors to convert any raw data into a grey sequence which satisfies both the raw data checking condition and quasi-smooth condition to perform the grey estimation. The second one is a modification in calculating the background series which affect to the grey model accuracy. And the final improvement is a modification in computing the model output by using a so-called error correcting accumulation (ECA) to eliminate the residual prediction errors. As a result, the SAGM(1,1) model can be applied easily to any practical prediction problem and achieve higher prediction accuracy comparing with the conventional GM(1,1) model. Numerical simulations have been carried out to verify the proposed model.     

一个无偏灰色马尔可夫铁路货运量预测模型

科学的货运量预测对铁路发展战略的制定具有十分重要的意义.针对传统的灰色预测模型存在固有偏差,在增长率较大和数据异常波动时预测精度低,将无偏灰色理论和马尔可夫链引入预测模型,提出无偏灰色马尔可夫链预测铁路货运量的预测模型.结合实例证明了该模型预测结果更加准确可靠,具有一定的可行性和有效性.     

灰色GM(1,1)模型优化研究进展综述

灰色预测技术是灰色系统理论的重要分支之一。 分别从灰生成技术、边值条件的改进、背景值的改进、模型参数估计方法改进、残差序列的优化、综合优化6个方面对近年来灰色预测模型中的GM(1,1)模型优化研究现状进行了比较全面的介绍,同时也对灰色GM(1,1)预测模型未来的发展方向提出了一些建议。     

修正的优化无偏GM(1,1)模型在瓦斯事故预测中的应用

针对无偏GM(1,1)模型可能因个别异常点导致预测误差很大甚至失效的问题,建立了修正的优化无偏GM(1,1)模型。该模型剔除了异常点,并用一次插值法得到的新数据代替异常点,最后对拟合、预测值作残差修正。将该模型用于煤矿瓦斯事故遇难人数预测,结果表明,修正的优化无偏GM(1,1)模型大幅提高了煤矿瓦斯事故遇难人数的拟合及预测精度,后验差精度检验等级为好,其预测值的相对误差绝对值为0.070 4,仅为优化前的40.8%。     

改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。     

Short-term freeway traffic parameter prediction: Application of grey system theory models

Intelligent transportation systems applications require accurate and robust prediction of traffic parameters such as speed, travel time, and flow. However, traffic exhibits sudden shifts due to various factors such as weather, accidents, driving characteristics, and demand surges, which adversely affect the performance of the prediction models. This paper studies possible applications and accuracy levels of three Grey System theory models for short-term traffic speed and travel time predictions: first order single variable Grey model (GM(1,1)), GM(1,1) with Fourier error corrections (EFGM), and the Grey Verhulst model with Fourier error corrections (EFGVM). Grey models are tested on datasets from California and Virginia. They are compared to nonlinear time series models. Grey models are found to be simple, adaptive, able to deal better with abrupt parameter changes, and not requiring many data points for prediction updates. Based on the sample data used, Grey models consistently demonstrate lower prediction errors over all the time series improving the accuracy on average about 50% in Root Mean Squared Errors and Mean Absolute Percent Errors.     

GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。