基于小波分析的灰色GM(1,1)模型道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容,针对灰色GM(1,1)预测模型对波动性较大道路交通事故序列预测精度较低的缺点,引入小波分析理论,在小波分析理论的基础上建立灰色GM(1,1)预测模型.通过小波分析将某省2002-2009年道路交通事故起数分解成多层近似平稳的数据序列,然后对低频重构序列建立GM(1,1)模型进行预测.仿真结果表明,方法的预测结果比直接用灰色GM(1,1)模型更拟合原始数据,预测效果更好.预测结果可以为交通部门科学监管和制定决策提供一定的指导.     

北京市道路交通事故致死率的分析与预测

根据北京市道路交通事故的统计资料,以交通事故致死率为指标,对北京市目前道路交通安全情况进行评价.并基于灰色预测理论,建立北京市道路交通事故死亡人数的灰色GM(1,1)预测模型.预测结果显示,北京市未来几年道路交通事故死亡人数虽处于下降趋势,但死亡人数仍在千人左右,平均每起事故死亡人数仍处于上升趋势,道路交通事故致死率仍然偏高.道路交通管理部门应加大惩治道路交通违法行为力度,以控制道路交通事故的严重后果.     

基于残差修正灰色预测模型的北京市道路交通事故预测分析

社会机动车使用量的增加带来的道路交通安全问题日益突出.对北京市道路交通事故预测进行了研究.采用灰色GM(1,1)预测模型对北京市城市道路交通事故进行了预测,并根据预测结果精度等级进行了残差修正,得出了具有科学性的预测结果.此外,通过灰色关联度分析对北京市交通事故的各相关因素进行了比较,为交通管理部门有效地控制交通事故的发生提供参考.     

安徽省道路交通事故影响因素分析及其预测研究

以安徽省道路交通安全状况为研究对象,探讨分析安徽省道路交通事故致因要素及未来发展趋势.首先利用灰色关联度法分析道路交通事故数与相关致因要素之间的关联度,得出人口因素是主导因素,其次为环境因素,包括社会经济环境和道路环境.在此基础上,运用灰色GM(1,1)及其残差改进模型,对事故起数及其主导因素进行预测研究,结果证明灰色预测可以很好地预测人口发展趋势,但对事故起数这样波动较大的数据更适宜残差修正模型.     

应用PSO-改进GM(1,1)模型预测油田产量

准确预测油田产量对油田开发调整部署有重要意义.依据油田产量变化特征与油田产量数据丰富的特点,引入产量变化系数修正传统灰色模型,并运用中心差商改进了传统灰导数离散过程,减小灰导数离散误差,再结合PSO算法,最终建立了PSO-改进GM(1,1)模型.运用PSO-改进GM(1,1)模型进行油田产量预测,对比传统灰色模型与PSO-改进GM(1,1)模型的产量预测结果可知,与传统灰色模型预测结果相比,应用PSO-改进GM(1,1)模型进行油田产量预测具有更高的准确性.     

高速公路交通事故灰色Verhulst预测模型

在分析我国高速公路交通事故历史数据的基础上,引入灰色Verhulst预测理论,建立了高速公路交通事故灰色Verhulst预测模型.通过对2000～2007年我国高速公路交通事故死亡人数进行实例分析,发现灰色Verhulst模型的预测精度高于GM(1,1)模型.结果表明,灰色Verhulst模型的预测结果较好的反映了高速公路交通事故的发展趋势,该模型用于高速公路交通事故预测是可行的.     

灰色预测GM(1,1)模型的改进及应用

应用自动寻优定权的方法和最小二乘法,研究了灰色系统理论中灰色预测GM(1,1)模型的预测公式的形成过程,发现灰色预测GM(1,1)模型在形成预测公式时对背景值和初始值的规定是不尽合理的,且现有的改进方法对灰色预测GM(1,1)模型的改进还不尽完善.为了提高灰色预测GM(1,1)模型的预测精度,提出并使用自动寻优定权对背景值进行选择,基于最小二乘法原理对灰色预测GM(1,1)模型的初始值进行改进.实例结果表明,提出的改进方法是有效和完善的,对灰色预测GM(1,1)模型的预测精度也有较大的提高.     

改进GM(2,1)模型的MATLAB实现及其应用

针对经济预测,根据灰色模型GM(1,1)的应用介绍了灰色模型GM(2,1)的原理,并利用最小二乘法改进GM(2,1)算法及其预测步骤,用MATLAB实现了预测,用中国经济增长率数据做了仿真,对观测时间序列拟合出数学模型.     

NpGM(1,1)模型及其在新疆生产建设兵团城镇化水平预测中的应用

根据灰色系统理论的差异信息原理和新信息优先原理,从背景值和初始条件两个方面对GM(1,1)模型进行了改进,提出了更加符合灰色系统理论的特点的NpGM(1,1)模型.通过实例分析,发现NpGM(1,1)模型的模拟精度和预测精度都优于GM(1,1)模型.同时,利用NpGM(1,1)模型预测结果,提出了新疆生产建设兵团已进入城镇化的中前期发展阶段.     

上海未来短期客运量的预测分析——基于最小二乘法改进的GM(1,1)模型

客运量受诸多因素影响因此数据波动性大,并且具有小样本性及贫信息等特点.采用基于最小二乘法改进的GM(1,1)模型,对上海市的客运量进行短期预测.首先介绍了普通GM(1,1)模型的建立方法;然后通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性建立改进的新GM(1,1)模型;其次结合2005-201.4年数据建立预测模型;最后使用2014年数据对模型可靠性进行验证.结果表明该预测方法精度高误差小,改进的模型预测结果更加接近实际值.该模型为其他相关预测提供了理论依据,也便于上海市对未来交通运输的宏观调控.     

北京市水资源利用建模分析研究

以北京市为例,分别应用无偏灰色GM(1,1)模型和非线性模型对北京市2001年-2010年的用水量进行了建模,利用最优化方法,计算了上述两种模型的最优组合模型,通过三种模型分别计算了北京市2001年-2010年的水资源利用量,并与北京市2001年-2010年的实际用水量进行了对比,采用精度检验方法,分别对无偏灰色模型,非线性模型和组合模型进行了精度检验,计算结果表明,加权组合模型是三种模型中精度最高的模型,通过组合模型计算得出的用水量值与实际水资源利用量相比误差最小,由此得出,可以利用组合模型对北京市未来的水资源利用量进行预测,预测结果可为其他相关研究提供参考.     

灰色系统理论在粮食产量预测中的应用

应用灰色系统理论的基本原理,建立灰色预测模型,并以2010-2015年甘肃省的粮食产量为统计资料,运用GM(1,1)模型进行预测,取得了较好的预测效果.     

GM(1,1)模型适用域讨论及模型的改进

在已有灰色系统理论的基础上,讨论了GM(1,1)模型的适用域,明确界定了GM(1,1)模型的有效区域和禁区,并提出了GM(1,1)模型的一种改进形式——离散灰色预测DGM(1,1)模型.通过对我国经济增长的实证分析说明了该模型的有效性和可靠性.研究结果表明,提出的DGM(1,1)模型可作为灰色预测的一种精确模型,因此,为我国经济增长预测提供了一种新的方法,对当前我国经济的理性增长具有重要的指导意义.     

基于数据变换的优化GM(1,1)模型

本文研究了提高灰色GM(1,1)模型预测精度的问题.利用复合函数变换对原始数据序列经过一定处理的基础上同时优化模型的背景值和初始值的方法,获得了比改进单个模型条件更高预测精度的GM(1,1)模型,推广了灰色预测模型的适用范围.     

基于改进灰色GM(1,1)马尔柯夫模型的煤矿事故百万吨死亡率预测

煤矿安全事故预防和控制是煤矿安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.结合灰色预测GM(1,1)模型和马尔可夫链理论的优点,提出了一种改进的灰色马尔可夫GM(1,1)模型.利用改进的GM(1,1)模型进一步拟合煤矿人因失误事故的发展变化趋势,并以此为基础进行马尔柯夫预测,提高预测效果.以2000-2010年全国煤矿事故百万吨死亡率为例进行了预测分析,结果表明模型既能揭示煤矿人因失误事故百万吨死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性,并对煤矿人因失误安全事故的预测和控制有一定的实际意义.     

Forecasting energy demand using neural-network-based grey residual modification models

Grey forecasting models have taken an important role for forecasting energy demand, particularly the GM(1,1) model, because they are able to construct a forecasting model using a limited samples without statistical assumptions. To improve prediction accuracy of a GM(1,1) model, its predicted values are often adjusted by establishing a residual GM(1,1) model, which together form a grey residual modification model. Two main issues should be considered: the sign estimation for a predicted residual and the way the two models are constructed. Previous studies have concentrated on the former issue. However, since both models are usually established in the traditional manner, which is dependent on a specific parameter that is not easily determined, this paper focuses on the latter issue, incorporating the neural-network-based GM(1,1) model into a residual modification model to resolve the drawback. Prediction accuracies of the proposed neural-network-based prediction models were verified using real power and energy demand cases. Experimental results verify that the proposed prediction models perform well in comparison with original ones.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.