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。     

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。     

公路货物运输量灰色马尔可夫预测模型

为了提高公路货物运输量的预测精度,结合灰色系统和马尔可夫链的特点,建立公路货物运输量灰色马尔可夫预测模型.在实例应用中,建立运输量GM(1,1)灰色预测模型,在获得预测值和残差检验的基础上,将原始数据序列划分为4个状态,计算状态转移概率,利用灰区间中位数建立货运量灰色马尔可夫预测模型,对货运量和货运周转量进行预测.将其预测结果与GM(1,1)灰色模型的预测结果比对,结果表明,灰色马尔可夫预测模型可以用于公路货物运输量预测,且其预测精度高于GM(1,1)灰色模型.     

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.     

城市货运量的灰色Verhulst预测模型

以研究城市货运量的预测方法为目的,为了提高城市货运量预测模型的预测精度,分析了GM(1,1)和Ver-hulst预测模型的特点,发现Verhulst预测模型更适用于城市货运量的预测,采用灰色Verhulst预测模型对城市货运量进行预测,通过比较GM(1,1)和Verhulst预测模型的结果可知后者具有较高的精度和可靠性,最后通过实例说明预测方法的可行性,为实际决策提供理论参考。     

道路交通事故灰色Verhulst预测模型

为提高道路交通事故灰色预测模型的预测精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。针对近年来中国道路交通事故表现为具有饱和状态的S形过程,建立交通事故Verhulst预测模型。Verhulst预测模型和GM(1,1)预测模型预测的2004年交通事故死亡人数分别为10.87万人和11.72万人,相对误差分别为1.49%和9.43%,可见Verhulst模型的预测精度明显优于GM(1,1)模型。     

用灰色马尔可夫模型预测水上交通事故量

灰色GM(1,1)是一种水上交通事故量预测模型．这种模型不适合长期的、随机和波动性较大的数据序列预测．马尔可夫模型适合描述随机波动性较大的预测问题．本文将两模型结合,形成一个灰色马尔可夫预测模型．按特定的状态划分方法,先用灰色GM(1,1)预测模型进行预测,再用马尔可夫模型预测结果进行优化,使预测精度大大提高．文中给出两个例子,算例证明了谊模型的诸多优点．     

基于灰色-马尔科夫链理论的公路客运量预测

客运量预测是公路网规划不可缺少的环节,是公路经济效益计算的重要基础。以四川省公路客运量为例,利用灰色系统理论,建立GM（1,1）预测模型,并将灰色GM（1,1）预测模型与马尔科夫链状态转移矩阵相结合,进一步提高预测结果的精度。从计算效果上分析,该方法求得的结果与其他方法相比,与实际值偏差较小,预测效果较好。     

优化的分数阶GM(1,1)模型在桥梁线形控制中的应用

针对传统灰色预测模型用于大跨径刚构桥梁预拱度预测会出现过拟合现象和预测精度不高的问题,将分数阶算子GM(1,1)模型引入大跨径桥梁预拱度预测,并建立了一种基于牛顿二次插值的分数阶GM(1,1)新模型,实现了对传统GM(1,1)模型的阶数和背景值的双重优化.为了检验模型性能,将文中模型与传统GM(1,1)模型、分数阶GM(1,1)进行对比分析.通过实例验证,优化得到的分数阶GM(1,1)的预测平均相对误差为3.1％,相比传统的G M(1,1)减小了9％,预测精度进一步得到提高.新模型具有一定的实用性,且精度较高,对于同类型的桥梁施工控制有一定的参考价值.     

基于最优初始条件和动态辨识参数的灰色时程数据预测

在传统的灰色预测模型中,白化微分方程的初始条件和辨识参数一旦确定便不再改变,这不太适合于动态及长期的数据预测．针对这种情况,提出了一种能动态选择最优初始条件及相应辨识参数的新型灰色GM(1,1)预测模型．该模型先对每个预测初始值都用GM(1,1)进行预测,并计算平均相对预测误差,使平均相对预测误差最小的那个观测值即为微分方程的最优初始条件．然后将用此初始条件预测的新信息数据替换原来最老的那个数据,算出新的参数,即动态求解辨识参数．将此模型用于时程数据的预测中,取得了较好的预测效果．