基于残差修正的非等时距GM(1,1)模型及其应用

针对很多预测案例中历史数据序列非等时距的特点,构建了非等时距的GM(1,1)预测模型,将序列的时间间隔作为乘子嵌入模型中,同时通过动态采用最新分量作为初始值、动态优化背景值和累积残差修正等方法,解决了非等时距预测模型长期预测精度不易控制的难题.将该模型应用于某发动机油液监测数据预测中,预测效果较好.     

优化的非等距GM(1,1)模型在基坑周边地表沉降预测中的应用

由于影响基坑沉降的因素较多,并且在实际工作中监测数据存在非等距的情况,通过传统的非等距GM(1,1)模型的建模原理分析了其预测精度低的原因,同时指出背景值是影响非等距GM(1,1)模型精度的关键因素之一.在此基础上,提出运用Newton插值法和Newton-Cotes求积公式优化背景值,结合工程实例,表明优化后的非等距GM(1,1)模型在沉降预测中的有效性.     

基于灰色神经网络的企业风险特征指标动态预测方法研究

根据企业风险特征指标预测问题的特点,提出将灰色系统GM(1,1)模型与神经网络结合建立一阶灰色神经网络预测模型,以实现系统预测的动态性及提高系统的预测精度.但该模型具有一定的局限性,从模型参数的角度给出了该模型只适用于具有"单调"性数据的证明,进而提出了三阶灰色神经网络预测模型,以适应预测数据"非单调"或摆动的情况.但随着系统建模过程中阶数的增加,预测精度会有所下降,因此应根据数据特点选择预测模型.最后,通过实证分析验证了上述模型及证明结论.     

变参数非等间距GM(1,1)模型及应用

在对非等间距序列建模时,考虑到序列本身的特点,结合GM(1,1)模型的建模过程,提出了一种对非等间距序列建立变参数GM(1,1)模型的方法,并将其应用于具体实例进行分析,计算结果表明本文提出的方法具有较高的精度,从而为解决非等间距序列的拟合及预测问题提供了一种比较好的思路.     

基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

基于SARIMA模型的铁路站点客流量预测研究

以我国某铁路站点作为研究对象,选取为期435天的某铁路局全部列车旅客乘车数据进行分析建模.在建立模型时首先将数据分为节假日与非节假日两种类型.对于非节假日数据选用包含周期性的SARIMA模型,对于节假日数据选用波动系数模型,通过两种模型组合对铁路站点客流量进行预测,得到了较好的预测效果.运用方法所得到的短期内铁路客流量变化的准确预测,能够为铁路部门合理安排调度、充分利用人力物力提供参考,有效避免了资源的浪费或因准备不足而造成的车站拥挤混乱.     

非等间隔灰色Verhulst模型的病态性再研究

继续对非等间隔灰色Verhulst模型病态性问题进一步深入研究,通过对模型线性化处理得出解的新形式,指出了非等间隔对解的影响程度,从矩阵条件数的角度分析并得到了模型线性化后存在病态性的主要原因是建模数据较大或呈现病态,并给出具体的改进措施.通过实例对比验证,对数据进行变换之后再建立线性化的非等间隔灰色Verhulst模型,其系数矩阵条件数和模型预测精度两方面均得到较大的改善即系数矩阵条件数达到良态且模型精度也比传统模型要高.本方法为其他灰色模型的病态性研究提供了一种参考.     

基于指数Laplace损失函数的回归估计鲁棒超限学习机

实际问题的数据集通常受到各种噪声的影响,超限学习机(extreme learning machine, ELM)对这类数据集进行学习时,表现出预测精度低、预测结果波动大.为了克服该缺陷,采用了能够削弱噪声影响的指数Laplace损失函数.该损失函数是建立在Gauss核函数基础上,具有可微、非凸、有界且能够趋近于Laplace函数的特点.将其引入到超限学习机中,提出了鲁棒超限学习机回归估计(exponential Laplace loss function based robust ELM for regression, ELRELM)模型.利用迭代重赋权算法求解模型的优化问题.在每次迭代中,噪声样本点被赋予较小的权值,能够有效地提高预测精度.真实数据集实验验证了所提出的模型相比较于对比算法具有更优的学习性能和鲁棒性.     

非等间距序列的灰色模型

在对原始数据序列的一次累加生成时 ,考虑序列的间距 ,提出了对非等间距序列建立 GM( 1,1)模型的基本理论和方法 .通过对算例进行的计算 ,表明本文提出的方法概念明确、计算方便、有较高的拟合和预测精度 .对解决各个领域中广泛存在的非等间距序列的建模拟合和预测问题提供了一种比较好的方法     

基于变权缓冲算子的灰色G(1,1)模型在地铁能耗预测中的应用

准确预测城市轨道交通系统能源消耗量对城市轨道交通建设规划、环境保护及节能减排具有重要意义.城市轨道交通系统能源消耗量逐年上升且呈指数型变化趋势,因而适合用灰色理论G(1,1)模型描述其变化规律.为了提高模型的预测精度,采用了变权缓冲算子对历史建模数据进行预处理.实例分析表明,经遗传算法权值优化的强化缓冲算子明显增强了建模数据的指数变化特征,提高了灰色G(1,1)模型的预测精度,使预测结果更贴近实际.