基于新维灰色马尔科夫模型的股价预测算法

灰色预测适合于时间短、数据量少、波动不大的系统对象，但是对于系统对象的中长期预测，采用任何形式的GM（1，1）模型，预测结果往往会偏高或偏低，而马尔柯夫链理论适用于预测随机波动大的动态过程。通过结合灰色预测和马尔柯夫链理论的特点，并利用新信息优先的思想，提出了一种新维无偏灰色马尔柯夫预测模型，用无偏GM（1，1）模型拟合系统的发展变化趋势，并以此为基础进行了马尔柯夫预测，在每一步预测中，不断推陈出新，更新原始数据。实验结果表明，与一般的灰色马尔柯夫预测模型相比，预测准确度尤其是中长期预测准度得到了较大提高。     

基于灰色马尔科夫链的用电量预测模型分析及应用研究

准确预测用电量是电力系统运行和规划的基础,是电力企业制定配售计划、经营战略和策略的基础。用电量受到产业结构、经济发展、居民收入水平和国家政策的影响,是一个灰色系统。针对我国供电量进行预测,首先采用灰色模型GM(1,1)进行预测,利用初步预测结果的相对误差构建马尔可夫转移矩阵,对灰色模型得出的预测值进行马尔可夫修正,经实例验证,预测精度可以进一步大幅提高。     

基于马尔科夫链改进无偏灰色Verhulst的中长期负荷预测模型

在传统灰色Verhulst模型的基础上,提出无偏灰色Verhulst-markov模型,通过无偏灰色Verhulst模型,更好地解决了数据量偏少和受特定负荷数据类型的影响,同时,通过马尔科夫链进行状态估计,提高预测的误差精度。算例结果表明:无偏灰色Verhulst-markov模型在中长期负荷预测中具有较高的预测精度。 更多还原     

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.     

改进型灰色马尔科夫模型在径流预测中的应用

随着径流量预测重要性的凸显,径流预测模型不断涌现.针对单一径流预测的局限性及一般的耦合径流预测精度不高的问题,应用数据加载法提出了GM(1,1)的修正模型,并对模型进行残差修正,提出了改进型的灰色马尔科夫耦合预测模型,进一步提高了径流预测的精度,区间预测成果更具科学性和实用价值,并将预测模型具体应用于三门峡水库入库年径流预测,预测成果可靠度高.     

基于灰色马尔科夫模型预测金融波动

引入灰色模型和符号时间序列分析方法,与马尔科夫模型方法相结合,提出了一种新的预测金融波动的方法。首先将波动序列符号化,然后建立灰色马尔科夫模型,不仅能减小影响预测精度的误差,而且能利用马尔科夫模型来调整误差,使结果更加精准。采用上海证券交易所综合指数2007--2010年间隔为5分钟的高频数据为样本,对已实现波动序列进行实证分析,成功预测了下一时点波动值所处的区间,并验证了该方法的可行性和有效性。     

灰色系统理论在基坑变形观测中的应用

建筑施工中,变形观测是监测建筑物是否安全的重要环节,将灰色系统理论应用于建筑物变形观测的数据分析,结合工程实例,可进行变形预测结果的分析和检验,进而证实建筑物位移变形分析中采用灰色GM(1,1)预测方法的可行性。达到了指导生产,防止安全事故发生目的。     

基于灰色马尔科夫链的道路交通死亡率预测

道路交通事故死亡率是反映道路交通安全的重要指标,为了对其进行准确预测,将灰色系统理论与马尔科夫链结合起来,构建了灰色马尔科夫预测模型,并将该模型与GM（1,1）模型进行比较分析.结果表明,灰色马尔科夫链模型能更好地预测道路交通事故死亡率.     

改进的灰色马尔可夫模型在股票分析中的应用

针对经典马尔可夫方法进行预测需要掌握大量数据和原始的灰色GM（1,1）的指数形特征的问题,采用带波动的多项式代替灰色GM（1,1）模型中的指数形曲线,改进了现有的灰色GM（1,1）马尔呵夫模型．利用改进后的灰色马尔可夫模型对股票价格、上证综合指数进行预测,并与经典的灰色GM（1,1）模型和原始的马尔可夫链模型和灰色GM（1,1）马尔可夫链模型3种方法的预测值进行了比较,得到的股票价格与上证指数的预测值精度优于其他3种方法．     

灰色马尔科夫模型对煤自然发火预测的研究

传统灰色模型GM(1,1)对于随机波动性较大的数据序列拟合较差,预测精度较低,为了弥补这一缺陷,更准确预测煤层自然发火的趋势与危险性,将GM(1,1)模型和马尔科夫模型有机结合,构建了灰色马尔科夫模型。用灰色马尔科夫模型对柴里煤矿实测CO发生量进行预测,与传统GM(1,1)模型的预测结果比较,灰色马尔科夫模型的拟合精度更好,平均相对误差更小,简便、实用,能够为矿井煤自燃火灾的防治工作提供科学的理论依据。     

改进灰色模型在中长期电力负荷预测中的应用

针对中长期电力系统负荷预测,在前人已有成果的基础之上,对普通灰色模型进行了改进.一方面对历史数据进行二次平滑处理,大大消除了干扰因素;另一方面利用带有马尔可夫链符号估计的残差修正技术对未来残差的符号进行预测以修正灰色模型的预测结果.以某地区多年以来的历史数据为基础,建立了数学模型,通过实际数据计算表明:改进后的灰色负荷预测方法可以应用于电力系统中长期负荷预测,而且较普通灰色预测模型在预测精度上有着明显的提高,尤其是对于较远时间的负荷预测有着较为理想的预测精度,表明了该种方法的有效性和实用性.     

灰色加权模型在深基坑变形预测中的应用

深基坑的变形及其预测是工程建设中经常遇到的重要问题,论文对加权灰色模型应用于该领域作了探讨。在进行加权模型理论计算的基础上,以深基坑实际变形监测资料为基础,利用原始模型结果作为比较基础,对加权模型进行了变形预测计算。对比结果表明,时距权重模型的原点误差相对于原始模型大为减少,模型的预测精度也得到了很大的提高,加权模型可以很好的应用于基坑变形的预测与分析。     

灰色-线性回归组合模型在预测中的应用

针对现阶段灰色经济预测方法在实际应用时的千变万化的情况，结合实际调查和预测经验，提出了一种基于灰色理论和线性回归理论的模型——灰色线性回归模型。给出了灰色-线性回归模型算法的基本思想和计算步骤，并举例说明如何用该模型解决实际问题。结果表明灰色-线性回归模型用于预测是有效的和可行的。     

自适应卡尔曼滤波在地铁监测中的应用

目的通过滤波后的数据对比,验证自适应卡尔曼滤波在处理地铁变形监测数据工作中优于经典卡尔曼滤波.方法分别应用经典卡尔曼滤波和自适应卡尔曼滤波建立动态处理数据模型,对地铁变形监测数据进行处理,并与人工实测值进行对比.结果使用经典卡尔曼滤波处理后,数据精度提高38%,使用自适应卡尔曼滤波处理后,数据精度提高55%.结论自适应卡尔曼滤波与经典卡尔曼滤波相比,自适应卡尔曼滤波剔除噪声效果强与经典卡尔曼滤波,并且自适应卡尔曼滤波后数据整体变化平稳,与实测值吻合性较好,自适应卡尔曼滤波在处理沈阳地铁一号线监测数据中,优于经典卡尔曼滤波.     

马尔科夫模型在企业人力资源供给预测中的应用

基于马尔科夫过程,建立了企业人力资源供给预测模型,通过具体历史数据的收集,找出组织过去人事变动的规律,由此推断未来的人事变动趋势。以某电厂作为模型的实际应用案例对算法进行了验证。     

基于灰色模型的滑坡变形预测

详细讨论了灰色模型GM（1,1）与基于权的一阶一元灰色预测模型pGM（1,1）的基本内容及建模过程,并成功地将两模型应用于三峡库区某滑坡水平位移监测的预测预报,相应地用MATLAB编写了灰色系统预测程序,便于实际应用,实践证明,灰色预测模型在滑坡预测预报中具有较高的应用价值．     

灰色模型在建筑物沉降分析中的应用

介绍了灰色模型建立的过程,结合实例进行了建模和预测.实例分析表明,利用灰色模型分析沉降数据的结果符合精度的要求,证实了灰色模型在建筑物沉降变形分析中的可行性.     

模型预测技术在桥梁健康监测中的应用

针对钱江四桥实时健康监测系统的监测数据,采用AR模型、ARMA模型以及灰色系统的GM(1,1)等随机模型,进行数学建模,并对各模型进行了不同步长的预测研究. 结果表明,当采用合适的数学模型参数后,预测和实际监测结果十分吻合.各个模型进行比较后发现,灰色模型只需要少量原始信息,而且它的短步长预测效果优于时间序列模型;灰色模型和时间序列模型的预测误差都会随预测步长的加大而增大．     

马尔科夫模型在商品房需求预测中的应用

随着我国经济的发展 ,房地产业正成为新的经济增长点 ,对于开发企业来说 ,取得较大的投资收益和投资风险性较小是他们迫切关心和急待解决的问题 ,本文针对我国房地产市场发育不很完善这一特点 ,利用马尔科夫模型对房产市场的需求进行了定量预测 ,对开发商的投资决策提供了理论上的支持。     

相关向量机理论在大坝变形监测模型中的方法研究

建立有效的大坝变形监测模型可以反映大坝运行情况.相关向量机(RVM)具有良好的泛化能力,且适于解决非线性问题,尤其是高维数情况.在RVM理论的基础上,建立大坝变形监测模型,并以此研究其优化改进模型.改进思路如下:利用马尔科夫链适于解决监测数据波动大的优势处理模型残差;同时如何选择核参数会严重影响RVM模型的精度,采用一种改进的粒子群算法寻优核参数.通过实例比较多种优化模型发现,基于RVM理论建立模型的优化方法可大大提高预测的泛化能力及精度.