基于马尔科夫残差修正的瓦斯浓度预测

针对采用灰色神经网络预测瓦斯浓度时部分预测值精度不高的问题,提出用马尔科夫模型对三阶灰色神经网络模型预测结果进行修正的方法;介绍了灰色神经网络模型的建立和马尔科夫修正残差方法,并采用该方法对某煤矿不同时间、不同地点的瓦斯浓度进行分析预测。实际应用结果表明,经马尔科夫残差修正后的瓦斯浓度预测值与实测值的最大相对误差从14%减小到6%,修正后的瓦斯浓度变化曲线更接近实际瓦斯浓度变化趋势。     

基于残差灰色马尔科夫模型的危险天气影响范围预测

在通航飞行过程中可能遇到的情况里,最为普遍可能遭遇的就是降雨天气,降雨导致的危险天气对于飞行安全也是一个需要重视的隐患.为了保障通用航空器顺利安全地抵达目的地,对于危险天气的预测也是需要重视的环节.文章通过对一小时内降雨范围的边界最大最小值处理,借助残差灰色马尔科夫预测模型,通过少量数据,对危险天气范围进行预测.     

基于残差灰色Markov模型的土地荒漠化预测

土地荒漠化问题是内蒙古科左后旗生态环境保护重大攻坚任务。卫星遥感监测是目前实现土地荒漠化监测最有效的模式之一。论文通过高分辨率遥感卫星拍摄的内蒙古通辽市科左后旗的多光谱土地荒漠化图像,结合矢量成果数据,综合运用3S技术、数学和计算机科学的各种工具,提出了残差灰色马尔科夫链模型,对研究区未来十年土地荒漠化进行动态预测,得到具有参考价值的土地荒漠化相关数据。实验结果表明,改进的残差灰色马尔科夫链模型相比于灰色模型,预测结果更加精确,可以为今后土地荒漠化治理提供指导及科学依据。     

基于灰色马尔科夫模型的青岛市粮食产量预测

由于粮食产量系统是一个复杂的巨系统,具有随机性、非线性、动态性等特点,传统的单一预测方法很难对其发展动态作出准确的中长期预测,预测精度较低。为解决上述问题,尝试将灰色GM(1,1)模型与马尔科夫模型结合起来,对青岛市粮食产量进行预测,首先建立青岛市粮食产量GM(1,1)模型,然后用马尔科夫模型对预测值进行修正,预测结果表明灰色马尔科夫模型比单一的灰色预测模型精度提高,平均相对误差比灰色预测模型减少了8.58%,经检验模型精度等级为优。研究表明:灰色马尔科夫模型能发挥灰色系统对长期趋势预测精确的优势,又能发挥马尔科夫预测模型对波动性数据准确预测的优势,对于波动性较大的时间序列的中长期预测,具有较强的优势,预测精度较高。     

基于修正灰色马尔科夫模型的煤自燃预测

煤自燃系统是一个复杂的巨系统,具有规律性、非线性和随机波动性特点,因此在煤自燃预警系统中利用单一的灰色预测方法很难对其动态发展趋势做出准确的预测.针对上述问题,提出一种将灰色模型和马尔科夫模型相结合对煤自燃进行预测的方法.首先建立煤自燃的GM(1,1)模型,其次以GM(1,1)模型预测值为基础进行马尔科夫预测,然后用平均残差修正预测值.仿真结果表明,灰色马尔科夫模型比灰色模型预测精度明显提高,平均误差减少2.24％,为煤层优化检测提供了依据.     

基于GCN-GRU的瓦斯浓度时空分布预测

在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果。针对上述问题,提出一种基于图卷积神经网络（GCN）和门控循环单元（GRU）的瓦斯浓度时空分布预测模型。首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模。然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU。最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果。试验结果表明：(1) GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均（HA）模型和支持向量回归（SVR）模型。(2) GCN-GRU模型的均方根误差较HA模型、...     

基于灰色理论和统计学比较的煤矿瓦斯浓度预测研究

通过对基于统计理论和基于灰色系统理论的时间序列预测技术在矿井瓦斯浓度预测中的应用的比较研究,分别对实验结果进行了误差分析。充分说明了在对井下具体测点瓦斯浓度预测方面,不同时间序列预测技术具有不同的适应性,选取误差最小,最接近描述瓦斯浓度实测数据的模型对该测点进行预测会取得最为准确的预测效果。     

基于灰色马尔科夫链的小排量汽车销量预测研究

近两年来,我国小排量汽车的销量受到政策、价格等各种原因的影响呈现出波动的形势。为了较为准确的对小排量汽车销量进行预测,本文建立了相应的灰色马尔科夫链预测模型。首先通过灰色GM(1,1)模型获得两年来我国小排量汽车销量的基本走势,然后采用灰色马尔科夫链在GM(1,1)模型基础上进行修正,最后得到最终的预测模型。该模型有效整合了GM(1,1)模型处理光滑序列的有效性和灰色马尔科夫链处理随机序列的有效性。通过对2013年10月、11月、12月的销量数据进行测试,该模型具有较高的预测精度。     

基于组合赋权幂指数灰色模型的穿煤层隧道瓦斯预测

为了解决传统煤矿及隧道瓦斯浓度灰色预测模型难以作出动态预测的问题,提出了一种改进的灰色预测模型并提高预测精度。在传统灰色预测模型的灰色作用量为常量的基础上,推导出灰色作用量为幂指数型的改进灰色瓦斯浓度预测模型;提出了加权不同灰色作用量的幂指数型灰色瓦斯浓度预测模型;以都四轨道交通映秀一号隧道瓦斯监控数据为实例,利用该算法预测瓦斯浓度,该算法预测得到的均方根误差最大降低2.829%,平均绝对误最大降低1.207%,并与传统灰色隧道瓦斯预测模型进行对比,实验揭示,该算法可提高瓦斯浓度预测精度,具有较好的预测效果,对矿山瓦斯预警具有一定借鉴意义。     

基于RBF神经网络的余氯浓度预测模型研究

余氯浓度是衡量供水管网水质的一个重要指标,采用混沌理论、模型校正等传统方法不能准确反映余氯浓度变化规律。根据RBF神经网络快速收敛和全局优化的特点,基于时间序列法,建立RBF神经网络余氯浓度预测模型。采用Matlab中的Newrbe函数进行函数逼近,结合某管网水质模拟控制系统提供的样本数据进行仿真计算,最终获得的余氯浓度预测值和实测值十分吻合。结果表明:RBF神经网络预测模型具有一定的工程实用价值。     

基于加权马尔可夫链的主动用户行为预测模型

建立有效的用户行为预测模型,准确地预测用户的上网行为,是当前网络主动管理地关键,传统的Markov模型是一种简单而有效的预测模型,但它存在测准确率低、预测覆盖率低以及存储复杂度高等缺点.提出了基于加权马尔可夫链模型,通过分析用户行为特征和最优状态分类的方法,预测网络用户行为.最后通过实验结果表明了该模型的可行性和实用性...     

基于改进马尔可夫链的航线预测算法

在交通领域,研究分析旅客的出行目的地会产生很多商业价值。针对旅客出行目的地的不确定性造成研究困难的问题,现有方法利用熵衡量移动的不确定性来描述个体的出行特性,并同时考虑个体轨迹的时空相关性,并不能达到理想的预测精度,因此,提出了基于改进马尔可夫链的航线预测算法来对旅客的出行目的地进行预测。首先对旅客历史出行的距离分布、地点分布和时间规律特性进行了分析;然后又分析了人类移动对历史行为和当前地点的依赖性;最后将旅客的常住地特性和新航线的探索概率加入到转移矩阵的计算中,提出并实现了改进的马尔可夫链航线预测算法,进而对旅客的下一次出行进行预测。实验结果显示,该模型可以达到66.4%的平均预测精度。研究成果可以应用在航空领域的用户出行分析中,使航空公司更好地了解和预测旅客的出行,提供个性化的出行服务。     

基于分数阶神经网络的瓦斯涌出量预测

针对现有的煤与瓦斯涌出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合BP的局部搜索能力和分数阶算法快速的全局搜索能力,提出了一种基于分数阶神经网络的新预测模型,用于非线性瓦斯涌出量的动态预测。经训练和实验结果表明:该模型较其他模型具有更好的滤波效果、更强的抗干扰能力、更快的收敛速度、更高的收敛精度等特点,能够达到准确指导实践的要求。     

基于马尔可夫链与服务质量的网络可用性

针对网络可用性在不同网络业务中的服务质量（QoS）存在差异,且与性能花费相互制约的问题,引入了马尔可夫链理论,在定义了基于业务开销最小的服务能力匹配度的基础上构建了基于马尔可夫链和QoS指标的网络可用性（MCQNA）评价模型。首先,从最能反映网络可用特征的QoS指标出发,兼顾性能开销,同时定义了代价函数,并且给出了状态转移矩阵;然后,通过平稳状态与网络可用性关系的分析,求解出平稳分布并作为QoS运行开销的动态权重,实现了以业务运行代价最小为特点的网络可用性评判。仿真结果表明,所提模型构建的遍历性转移矩阵存在平稳分布,对网络可用性评判是可行的。该模型能针对不同业务的QoS标准,且有效针对具体业务衡量网络的可用性。     

基于嵌入式马尔可夫链的网络防火墙性能建模与分析

提出了一种基于嵌入式马尔可夫链的解析排队模型来分析和研究基于一定准则的防火墙在面对正常流量和DoS攻击时的性能。基于这种排队模型,得到了一组关于防火墙特征和性能的指标计算方法,这对防火墙的设计来说具有重要意义。同时还提出了一种易于实现的算法来得到这种马尔可夫链模型的状态概率,对防火墙的状态和性能也作了深入的分析。最后通过实验分析验证了提出的解析模型的有效性。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。     

基于K-Means聚类的瓦斯浓度预测

提出一种基于K-Means聚类的非线性时间序列预测模型。利用混沌时间序列短期可以预测的特点,对选取的某两处煤矿构建了瓦斯浓度预测模型。采用关联积分方法确定相空间时间延迟τ和相空间嵌入维数m。然后在重构相空间中,运用基于K-Means聚类的加权一阶局域法构建煤矿瓦斯浓度的预测模型。结果表明：在预测间隔1min的数据时,使用200个连续的数据进行训练,预测效果较好,误差达到最小值0.0341;在预测间隔多分钟的数据时,使用200个15min间隔的数据进行训练,预测效果较好,误差达到最小值0.0437,可见该瓦斯浓度时序在间隔15min后又恢复了初始的混沌性。     

独立成分分析在瓦斯浓度预测中的应用研究

为提高含噪声瓦斯浓度数据的预测精度,提出了一种基于独立成分分析(ICA)和k-最近邻(kNN)法的反向传播人工神经网络(BP-ANN)预测模型。利用滑动时间窗算法产生训练样本矩阵,采用ICA方法估计训练样本矩阵中的独立成分,用不含噪声的独立成分重新构建训练集;运用k-NN法减小训练集规模,引入混合距离测度函数降低训练过程的计算复杂度。实验结果表明,该预测模型较普通BP-ANN模型有效减小了瓦斯浓度预测误差和训练时间。