多因子过程分析及SCGMmu（1,h）预测模型

解决“贫”信息、多因子预测问题，通常有很大的难度．文中基于多因子过程分析构造了SCGmu(1,h)预测模型．理论证明和示例表明，该模型计算量少，拟合和预测效果相当好．     

系统云SCGM（1,h）模型仿真及应用

ＳＣＧＭ（１,ｈ）模型,即ｈ个关联因子的系统云灰色模型,自１９９０年问世以来获得了显著的应用效果,研究ＳＣＧＭ（１,ｈ）模型算法设计,并应用ＳＣＧＭ（１,４）模型预测我国农,林,牧渔各业总产量,模型拟合误差小于１．７％,体一ＳＧＣＭ（１,ｈ）模型用于关联多因子系统预测个有突出的优越性。     

SCGM(1，1)简化模型及应用

在ＳＣＧＭ（１,h)模型的基础上给出了ＳＣＧＭ（１,１）简化模型,所给模型的计算量少,因而建模速度快,特别适用于快动态过程,作为示例,文中将此模型应用于我国研究生人数预测,获得了较高的拟合精度和预测精度。     

牛顿插值法的灰色GM(1,1)模型在桥梁荷载试验中应用

由于传统的灰色GM(1,1)模型预测精度不高,以牛顿插值法函数对初始序列背景值进行优化提出了改进模型。以武汉市某等截面连续钢箱梁桥现场荷载试验为工程依托,通过分级加载实测挠度与理论计算挠度差值为初始数据列,来预测下一级加载实测挠度。基于牛顿插值法灰色GM(1,1)改进模型与原始模型预测的数据平均相对误差减小了2.4%,预测第六级加载弹性挠度值减小2%。结果表明,基于牛顿插值法对初始序列背景值优化的改进模型在大型桥梁荷载试验中预测下一级实测挠度值的精度高、可靠性好。     

与任意图(m,r)-正交的(g,f)-因子分解

设G是一个图,用y(G)和E(G)表示它的顶点集和边集,并设g(x)和f(x)是定义在V(G)上的两个整数值函数,且对C每个x∈V(G),有5/2r-1≤g(x)≤f(x),则图G的一个支撑子图,称为G的一个(g,f)-因子,如果对每个x∈V(G),有g(x)≤d,(x)≤f(x)．图G的(g,f)-因子分解是指E(G)能划分成边不交的(g,f)-因子,设F=|F1,F2,…,Fm|和H分别是图G的因子分解和子图,若对所有1≤i≤m有|E(H)∩E(Fi)|=r,则称,和H(m,r)-正交．本文证明：若G是一个(mg m-1,mf-m 1)-图,H是G中任一有mr条边的子图,则G有一个(g,f)-因子分解与H(m,r)-正交。     

反向累加生成及灰色GOM(1,1)模型

相对于传统的累加生成提出了反向累加生成的定义，给出了灰色GOM（1，1）模型，为灰色建模提供了新的生成方法。     

结肠癌中hTERT、p21(WAF1/CIP1)的表达及二者相关性研究

目的　探讨hTERT和 p2 1(WAF1/CIP1) (以下简称p2 1)在结肠癌发病中的作用及其相互关系。方法　采用原位杂交和SABC免疫组化技术 ,分别检测 45例结肠癌、10例结肠腺瘤及 10例正常结肠组织中hTERT和 p2 1的表达。结果　hTERT、p2 1阳性反应不仅见于结肠癌 (阳性率分别为 88.9%、46.7% ) ,而且也见于结肠腺瘤 (阳性率分别为 50 .0 %、10 .0 % ) ;结肠癌中hTERT阳性率在晚临床分期 (C +D)病例中增高 (P <0 .0 5) ,而p2 1阳性率在低分化癌及晚临床分期 (C +D)病例中降低 (P <0 .0 5) ;结肠癌中hTERT表达与p2 1表达有相关性 (P <0 .0 5)。结论　hTERT表达和p2 1缺乏均与结肠癌发生有关 ,其表达变化可用于评估结肠癌的生物学行为和判定预后 ,且hTERT较 p2 1更具参考价值     

基于灰色SCGM(1,1)_b模型的道路交通事故短期预测分析

在综合研究已有经验的基础上,将灰色系统的SCGM(1,1)b模型应用于全国道路交通事故短期预测研究.通过对比验证,预测结果较为理想,表明该模型可以作为交通事故预测的一种有效手段,可为交通管理部门提供可靠的决策依据.     

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.     

基于灰色系统的高速公路沥青路面综合使用性能预测

以京沪高速公路(河北段)沥青路面使用性能评价为例进行研究。分析了影响沥青路面使用性能的主要因素。选取了2007～2011年路面使用性能各项指标数据和交通量,建立了GM(1,N)模型,预测了京沪高速公路(河北段)2012～2016年沥青路面使用性能各分项指标,误差检验表明,预测精度较高。通过预防性养护前沥青路面单项指标衰变曲线分析,得到了沥青路面综合使用性能指标,为确定预防性养护时机提供了依据。     

道路交通事故预测中的灰色预测GM(1,1)模型

针对交通事故发生的特点，探讨了灰色模型GM(1，1)在道路交通事故预测中的具体应用，介绍分析道路交通事故的灰色性的基础上，建立了基于灰色预测理论的GM(1，1)模型，并用其分别对道路交通事故的死亡人数、交通事故量进行了预测，其结果是可信的。GM(1，1)模型是最常用的一种灰色模型，它对于“不确定问题”的研究的主要意义是通过信息覆盖，构造生成序列的手段来寻求现实现象中存在的规律，可以相对减少对历史数据的依赖性和“少数据建模”的特点。它尤其适合于交通事故预测这样“小样本”的随机不确定问题。     

�������ģ�͵������˼�ָ��������Ԥ��

分析原油价格对油轮运价指数的影响关系,并预测油轮运价指数发展变化趋势.本文通过Granger因果关联分析,原油价格是油轮运价指数的3阶Granger因.因此,建立了3阶ARCH模型对油轮运价指数进行了预测,预测精度在8%之内.根据油轮运价指数的自身非线性变化趋势,建立了三层BP神经网络模型预测油轮运价指数的发展趋势,精度在3%以内.为进一步提高模型的预测精度,结合ARCH预测模型和BP神经网络预测模型的特点,通过预测误差最小化模型,确定组合权重,建立了新的组合预测模型对未来油轮运价指数进行分析预测,模型的精度控制在2%以内,预测精度显著提高.此研究对油轮运价指数的预测提供了较好的方法.     

基于改进的GM（1，1）模型的公路里程预测

分析了传统GM(1,1)模型在公路网里程预测中存在的问题,利用残差改进了GM(1,1)模型,运用马尔可夫状态转移矩阵判断残差预测值在k≥n时的符号,提高了预测精度.对广西省公路网里程进行了预测分析,结果表明该法具有较高的实用性.     

双环网络DL（N,h）（h｜N）的最短路径算法

对双环网络DL（N,h)（满足最大公因数g(N,h)=h)进行了分析,证明了这类双环网络中最短路径形式唯一且可用简单的数学表达来描述,给出了最短路径的公式,在此基础上,给出了一个求最短路径的简便算法,讨论了该类网络的直径等有关问题,证明了两点间的平均距离等于直径的一半。     

基于模糊神经网络的GM（1，1）模型

在分析GM（1,1）模型建模机理的基础上,提出GM（1,1）模型中参数a,b的一种新算法一模糊神经网络算法,把模糊神经网络应用于灰色系统GM（1,1）模型的建模过程,得到模糊神经网络GM（1,1）模型,并将其运用于民航客运量的预测,结果表明改进后的模型有较好的拟合及预测精度。     

基于用地的停车需求预测模型研究

停车问题已经成为制约城市发展的一大瓶颈,为了给城市停车场配建提供基础依据,并有效缓解城市停车设施的供需矛盾,以停车生成率模型为基础,通过对停车用地类型进行详细分类、对停车时段进行详细划分,建立了分时段用地结构预测模型。然后将该模型应用到实际项目中,通过与机动车OD预测法的预测结果相对比,验证了分时段用地结构预测模型的可行性与实用性,对促进城市交通的可持续发展具有重要意义。     

一种新的预测模型及其应用

在传统累加的GM(1,1)模型基础上,提出了一种新的基于混广义累加生成的GM(1,1)预测模型.给出了混广义累加生成的定义,并在此基础上建立了新模型,研究了该模型的参数辨识和模型的求解算法.给出了预测应用实例,比较分析了该模型和其他几种模型的预测精度,结果表明该模型的预测效果是最优的.     

具有峰值识别的神经网络模型对水沙过程的预报

在经典BP神经网络模型的基础上,增设误差修正系数,实现网络误差修正权重倾向于输出样本的较大值.同时提出了一种计算输入输出向量的归一化公式.在此基础上建立了具有洪峰识别的BP网络预报模型.该模型能根据实测资料模拟和预报不同特征年的流量或含沙量过程.采用建立的模型,对宜昌水文站典型年实测流量过程及含沙量过程进行了预测检验,其结果与实测值吻合较好,对峰值的预报较经典BP模型有所提高.     

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.