灰色Verhulst模型在水上交通事故预测中的应用

在分析我国水上交通事故历史数据的基础上,引入灰色Verhulst预测理论.由此建立了水上交通事故Verhulst模型,并分别利用该模型和灰色GM(1,1)模型对我国近几年水上交通事故进行了预测,发现该模型精度高,拟合度更优.该模型可用于对我国水上交通事故的预测.     

最优组合预测方法在内河港口吞吐量预测中的应用

港口吞吐量的预测是港口规划过程中最为基础也最为关键的一步,只有对港口吞吐量做出准确、稳定的预测,才能做出科学合理的港口发展规划。由于内河港吞吐量历史数据有限,文中采用GM(1,1)和Verhulst模型的最优组合模型对港口吞吐量进行预测。该组合模型充分利用GM(1,1)模型“少数据,短期预测准确”的优点,又针对GM(1,1)预测量的无限增大趋势,引入了Verhulst模型进行组合修正,进而提高预测值的准确、稳健性。     

灰色预测的拓扑选择在运量预测中的运用

运用灰色系统理论及GM模型拓朴选择,建立了相应的GM(1,1)模型,运用于运量预测,并以港口吞吐量与货物周转量的预测为例进行校验。结果表明,新息GM(1,1)模型,新陈代谢GM(1,1)模型与原始模型(全数据GM(1,1)模型)三者比较,新陈代谢GM(1,1)模型的精度最高,值得推荐在运量预测中采用。     

最优加权组合模型在水上交通事故预测中的应用

依据水上船舶交通事故数据,在建立GM（1,1）模型和灰色Verhulst模型的基础上,建立了水上船舶交通事故数的最优加权组合模型,并对各模型的预测精度进行了分析比较。结果表明,组合模型比单一模型有更高的预测精度。采用该组合模型是提高水上交通事故预测精度的有效方法。     

灰色马尔科夫组合模型对结构剩余寿命预测的研究

灰色马尔科夫组合模型是将灰色GM（1,1）模型与马尔科夫链有机地结合起来,利用各自优点并充分考虑大型结构整体变化趋势和局部波动的情况。通过对某桥梁结构的损伤系数进行预测分析并与GM（1,1）预测结果进行对比,该方法解决了GM（1,1）模型对波动性较大数据拟合较差,预测精度较低的缺陷。     

边坡变形时间序列预报的修正DMG模型

边坡系统的复杂性使得部分位移监测序列呈现出非线性分布特征,GM(1,1)模型、Verhulst模型有时不能解决上述时间位移序列的模拟问题,而DMG模型适合解决具有摆动发展趋势的序列问题,此时可以考虑采用DMG模型。边坡变形监测时间序列一般为非等时距序列,可采用Lagrange线性插值法进行等时距化处理。建立了DMG模型,通过联合使用残差修正模型的方法,使模拟的结果达到较高的精度。运用DMG、GM(1,1)和Verhulst模型对某高速公路边坡变形序列进行了模拟,通过对比分析验证了这种模型在边坡变形模拟预报方面应用的可行性。     

基于灰色模型GM(1,1)卸港量的预测研究

运用灰色系统理论,建立了基于GM(1,1)的山东省水产品卸港量的灰色预测模型,经检验,模型精度高,精度等级可达Ⅰ级。应用所建模型对2006-2010年的卸港量进行了预测,结果表明模型能很好地预测水产品卸港量。     

海滨吹填区软土地基固结沉降的预测研究

运用灰色理论建立地基沉降的非等时距的等维新息预测模型。采用胶州湾底海岸吹填区的地面沉降监测数据对预测模型进行检验,并与普通GM(1,1)模型的模拟结果进行比较,该模型的预测精度和计算精度均高于普通GM(1,1)模型,预测数据与实测数据的误差较小。本研究成果对类似的吹填区软土地基沉降监测具有一定参考价值。     

GM(1,1)模型在某滑坡中的应用

滑坡地质灾害的控制及影响因素往往是随机的变量,具有相当的模糊性和灰色不确定性。本文构造了滑坡时间预测(短期预测)的灰色GM(1,1)模型。通过对某一滑坡实例的监测资料分析研究,并且对观测数据进行灰色处理,运用GM(1,1)模型进行滑坡时间预测能取得较为满意的结果。     

灰色组合模型在港口集装箱吞吐量预测中的应用

文章尝试将两种独立的灰色模型预测方法，GM（1，1）模型与Verhulst模型结合起来考虑，形成一种新的灰色组合预测模型方法．为灰色模型应用于近期、中长期的预测提供了一个新的解决方案。     

组合预测在港口吞吐量预测中的应用研究

以某港口1996—2002年吞吐量为原始数据,按照“误差平方和最小”的准则,把一元线性回归模型和GM(1,1)模型组合起来,对某港口2004—2008年的吞吐量进行了组合预测。     

组合预测在港口吞吐量预测中的应用研究

以某港口1998~2004年吞吐量为原始数据,按照“误差平方和最小”的准则,把移动平均法和GM(1,1)模型组合起来,对某港口2006~2010年的港口吞吐量进行了组合预测。     

基于灰理论的港口吞吐量预测研究

港口吞吐量是港口建设的重要依据,有效预测港口吞吐量,才能使港口在海洋运输业中发挥重要作用。灰理论预测可以在少量信息、不完全数据的情况下,揭示港口吞吐量的发展变化特征,是研究港口吞吐量的有效工具。本文对上海港货物吞吐量进行研究的结果表明,应用灰理论对港口吞吐量建立灰色模型GM(1,1)进行短期预测,其结果有较高的实用价值。     

优化的新陈代谢GM(1,1)模型在港口吞吐量预测中的应用

针对常规GM(1,1)模型存在的不足,尝试用优化的新陈代谢GM(1,1)模型来进行预测,并加以比较。结论表明:优化的新陈代谢GM(1,1)模型能够明显地提高预测精度,增加预测的可靠程度,从而为港口的发展战略研究提供一定的技术支持。     

灰色GM（1，l）和Verhulst模型在吹填土地基沉降中的应用

在利用灰色GM（1,l）和Verhulst模型预测真空预压加固吹填土地基的最终沉降量时,建模序列直接影响预测结果的精度。结合某吹填土地基加固工程的沉降监测数据,探讨监测序列长度、建模序列长度对上述2种模型最终沉降量预测值及预测精度的影响,总结出不同模型预测地基最终沉降量时建模序列的选取规律。研究结果表明,上述2种模型预测地基最终沉降量的误差均小于1.0%,灰色GM（1,l）模型的适应性更好。     

利用改进的GM（1,1,λ）模型预测舰艇批量生产成本

在分析GM（1,1,λ）模型的建模机理的基础上,指出传统建模方法存在的不足,基于GM（1,1,λ）模型的还原数据模型与原始序列的第一点无关,提出一种可以完全利用全部已知信息的建模方法。同时给出基于遗传算法的GM（1,1,λ）优化模型,优化模型提高了灰色预测的精度。探讨了应用灰色理论建立舰艇批量生产成本预测模型的可行性,并给出了应用实例。     

舰船方位变化规律的灰预测方法研究

对方位序列进行预测对于潜艇作战具有重要的实际意义。应用灰色系统理论，以GM（1，1）模型，残差修正的GM（1，1），等维灰数递补残差修正GM（1，1）模型对目标序列进行预测，可有效克服目标方位序列的非线性和非稳定性，在信息较少的情况下达到精度较高的回归和预测效果。通过实例计算表明，上述计算可快速提供精度较高的较长时间间隔的目标方位，为潜艇作战提供有利信息。     

基于灰色系统理论GM(1,1)模型对到港外贸船舶数量的预测研究

以天津港多年到港外贸船舶数量统计分析为基础,采用灰色理论模型对到港外贸船舶数量进行比较分析和预测,揭示其内在规律。研究表明,灰色系统理论GM(1,1)预测的相对误差不超过6.9%;天津港外贸船舶数量在短期调整后,依然会保持较快增长势头,未来天津港外贸货物吞吐量增长依然可期。     

Application of the Grey topological method to predict the effects of ship pitching

Ship motion, with six degrees of freedom, is a complex stochastic process. Sea wind and waves are the primary influencing factors. Prediction of ship motion is significant for ship navigation. To eliminate errors, a path prediction model incorporating ship pitching was developed using the Gray topological method, after analyzing ship pitching motions. With the help of simple introduction to Gray system theory, we selected a group of threshold values. Based on an analysis of ship pitch angle sequences over 40 second intervals, a Grey metabolism GM（1,1） model was established according to the time-series which every threshold corresponded to. Forecasting future ship motion with the GM （1,1） model allowed drawing of the forecast curve with effective forecasting points. The precision of the test results show that the model is accurate, and the forecast results are reliable.