小样本监测信息露天矿边坡变形预测模型对比分析

利用GM（1,1）,BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM（1,1）模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.     

基于改进ARMA模型在地铁基坑变形预测的应用研究

在基坑施工过程中为保证地铁及其周边建筑物的安全,地铁基坑的变形预测变得越来越重要。ARMA模型作为一种时间序列分析模型,在地铁基坑监测序列中常常表现出较大的趋势项,降低了ARMA的预测精度。基于BP神经网络良好的拟合能力,提取基坑监测序列的趋势项,将剩余项建立ARMA模型,对基坑监测序列进行高精度的变形预测。改进ARMA模型提高了原有ARMA模型的预测精度,为地铁基坑的预测分析提供了较好的技术参考。     

基于GA-灰色神经网络的沥青路面使用性能预测

为准确预估我国沥青路面使用性能的变化趋势,在传统灰色预测模型GM(1,1)的基础之上,提出了无偏GM(1,1)模型和滑动GM(1,1)模型,并通过遗传算法(GA)优化后的BP神经网络对传统、无偏与滑动GM(1,1)模型进行了组合,得到了兼顾灰色理论、遗传算法和BP神经网络优点的GA-灰色神经网络组合预测模型,并以具体实例验证了该模型的有效性。结果表明:传统GM(1,1)模型的平均相对误差为4.67%,无偏GM(1,1)模型的平均相对误差为4.64%,滑动GM(1,1)模型的平均相对误差为4.63%,灰色神经网络组合模型的平均相对误差为2.41%,而GA-灰色神经网络组合模型平均相对误差仅为0.54%,证明所提出的组合模型预测精度较高,误差较小,可作为制定路面养护计划的依据。     

基于灰色模型的铁路客流预测方法

在GM(1,1)预测模型基础上,构建2个不同的预测模型——GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型,采用Matlab建模,并将模型应用到铁路客流量预测,分析对中小样本振荡序列的预测效果。实例证明,GM(1,1)幂模型和对原始数据进行缓冲算子处理的GM(1,1)模型的应用范围和预测精度都优于灰色GM(1,1)模型,是非线性铁路客流量预测的一种有效方法,有助于制定铁路运输计划。     

基于改进新陈代谢GM(1,1)的ZPW-2000A型轨道电路故障预测

ZPW-2000A型无绝缘移频轨道电路在我国铁路线路上应用广泛,随着铁路线路向高速化、重载化的方向发展,传统的电务"故障修"及"定时修"在保证线路安全、提高运营效率及经济性等方面劣态日显.引入PHM理论,通过改进GM(1,1)模型实现ZPW-2000A轨道电路的故障预测.首先,为选取更优的预测模型,分别对传统GM(1,1)进行两次改进,即新陈代谢GM(1,1)模型与改进新陈代谢GM(1,1)模型.其次,引入预测步长思想,进一步提高模型预测精度.基于兰州西站轨道电路测试数据的算法验证表明改进新陈代谢GM(1,1)间接多步预测模型的预测结果最优.最后,通过实例验证了该模型在轨道电路故障预测中的有效性.     

基于改进灰色马尔科夫模型的地铁客流预测

基于灰色理论和马尔科夫理论,建立传统的灰色预测模型和灰色马尔科夫预测模型,对西安地铁客流量的数据进行分析预测;然后对原始数据序列滑动平均处理,再用无偏GM(1,1)模型拟合系统的发展变化趋势,将修正后得到的模型与马尔科夫模型进行结合,提出改进的灰色马尔科夫模型预测方法。利用改进后的新模型对地铁客流的预测结果与传统的灰色马尔科夫模型进行对比。结果表明,改进后的灰色马尔科夫模型预测精度有显著提高。     

基于多模式灰色模型的地铁全网客流预测研究

地铁全网客流量预测对轨道线网规模确定及线路规划建设具有指导性作用,为准确预测地铁全网客流量,选取GM(1,1)均值模型、GM(1,1)差分模型和灰色Verhulst模型对重庆地铁全网客流量进行预测,采用平均相对误差、均方差比值和关联度三个指标对模型进行检验。结果表明:GM(1,1)均值模型预测结果与实际数据最接近,预测性能优于差分模型和Verhulst模型,为重庆地铁全网客流预测提供新思路,为重庆地铁规划建设提供理论依据。     

灰色系统理论对LEG船货舱温度的预测

应用灰色系统理论中GM(1,1)预测模型的原理和方法对LEG船货舱温度预测进行了计算,结果表明该GM(1,1)预测模型计算简单、结果可靠,此模型可应用于船舶各种设备的运行状态预测、故障诊断。     

残差修正DGM模型在公路客运量预测中的应用

针对GM(1,1)模型预测条件的局限性,提出一种新的公路客运量预测模型--残差修正DGM模型,并利用该模型和GM(1,1)模型对1999年全国公路客运量进行预测,结果表明所建模型较之GM(1,1)模型有更高的预测精度.     

福州市道路交通事故灰色预测模型的构建与实现

分析了GM(1,1) 模型和Verhulst模型的特点和适用场合,针对福州市道路交通事故呈现S形状态的波动过程,建立了灰色Verhulst预测模型.对福州市1995～2004年的道路交通事故进行实例分析,verhlst预测模型和GM(1,1)预测模型的平均相对误差分别为11.9%和33.0%,可见Verhulst模型的预测精度明显优于GM(1,1)模型.     

区域物流量预测的灰色GM(1,1)模型应用

介绍了灰色预测模型以及灰色预测模型在物流量预测中的应用.建立了基于灰色预测理论的GM(1,1)模型,叙述了运用GM(1,1)模型进行预测的详细步骤,并以某省物流量预测为例进行了实际应用.最后用级比检验和残差检验的方法对预测进行了检验,证明了预测的可信性.     

危岩变形的灰色预测方法及应用

危岩是山区常见的地质病害之一,危岩变形监测预测是危岩防灾减灾的重要基础。将灰色预测理论应用于危岩变形监测,建立了危岩变形灰色预测模型及残差修正灰色预测模型。以重庆南川甑子危岩为例,以实测危岩累计位移值为原始数据,建立了GM(1,1)灰色预测模型及残差修正预测模型。经精度检验,小误差频率P=1,后验差比值C=0.160243,模型精度等级达到较高水平,比常规危岩预测方法更具有可靠度。     

危岩变形的灰色预测方法及应用

危岩是山区常见的地质病害之一,危岩变形监测预测是危岩防灾减灾的重要基础。将灰色预测理论应用于危岩变形监测,建立了危岩变形灰色预测模型及残差修正灰色预测模型。以重庆南川甑子危岩为例,以实测危岩累计位移值为原始数据,建立了GM(1,1)灰色预测模型及残差修正预测模型。经精度检验,小误差频率P=1,后验差比值C=0.160243,模型精度等级达到较高水平,比常规危岩预测方法更具有可靠度。     

基于灰色理论的铁路客货运量预测研究

运用灰色系统理论,以全国铁路1996-2005年客货运量数据为基础,建立了基于改进的灰色理论的影子响应GM(1,1)模型,Dynamic GM(1,1)模型,修饰型残差GM(1,1)预测模型.并采用后验差检验对三种模型的拟合精度进行了检验,从而给出了每一条铁路干线所适合的最佳预测模型,使得决策者能够灵活地根据具体问题选择相应的预测模型,避免了单一模型对不同铁路干线预测结果出现波动和失真的不足.同时用等维灰数递补法预测2007年的客货运量.进而对管理决策人员作出科学,合理的决策提供了理论依据.     

基于改进残差GM(1,1)混合模型的大跨度RC拱桥线形预测研究

针对大跨度钢筋混凝土拱桥的线形预测与控制问题，提出了一种由Logistic函数加权改进的残差GM(1,1)线形预测模型，以大跨度钢筋混凝土拱桥工程为背景，对线形控制预抬值进行了预测分析。研究结果表明：改进残差GM(1,1)模型预测预抬值结果较为逼近实测预抬值，除个别拱圈节段外，相对误差低于10%,而理论预抬值结果偏低；由改进残差GM(1,1)模型预测得到的成桥线形与实测成桥线形、设计成桥线形拟合良好，验证了该预测方法的科学性。     

城市轨道交通客流灰色预测法应用

在介绍灰色系统理论的基础上,叙述运用GM(1,1)预测模型进行预测的详细步骤,讨论灰色预测模型在城市轨道交通客流量预测中的应用。并通过具体数据对未来时期的客流量进行预测,通过精度检验证明预测结果是可信的,从而证明GM(1,1)预测模型应用于城市轨道交通客流预测是完全可行的。     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于改进新陈代谢GM(1,1)模型的短期风速预测算法

基于新陈代谢GM(1,1)模型,提出了改进的新陈代谢GM(1,1)模型,其主体思路即尽可能用最新的信息代替陈旧的信息,在预测的精确度与预测的收敛性之间达到最佳的平衡.文中算例对基于GM(1,1)模型、新陈代谢GM(1,1)模型及改进的新陈代谢GM(1,1)模型的风速预测结果进行了仿真分析,预测结果证明了所提出方法的有效性.     

基于灰色二阶模型的深基坑变形监测分析

以在建车库基坑边坡支护结构的变形监测为例,获取其竖直方向的动态数据,建立灰色GM(2,1)模型,对该车库基坑边坡支护结构进行沉降预测,并对所建模型进行精度检验,结果显示GM(2,1)模型在基坑边坡支护结构沉降变形分析中具有较强作用。     

基于SSA优化BP神经网络在基坑地表变形预测中的应用研究

针对BP神经网络在基坑地表变形预测过程中容易产生局部最优的权阈值、影响预测结果精度的问题,提出基于麻雀搜索算法SSA(Sparrow Search Algorithm)优化BP(Back Propagation)神经网络预测模型,提取出BP神经网络的全局最优权阈值。通过工程实例应用分析,验证了基于麻雀搜索算法优化的BP神经网络能够提高基坑地表变形的预测精度,SSA优化后的BP神经网络模型能够被用于基坑地表变形预测。