基于灰色灾变原理的互联网用户人数预测模型

为了解决传统的GM(1,1)模型在互联网发展预测中存在的历史数据跳变的问题,本文根据灰色灾变原理,基于互联网发展迅速、预测周期短等特点,介绍了一种将GM(1,1)模型与一元线性回归模型结合起来的方法。使用1997年10月至2005年1月的数据,建立了我国互联网用户人数的预测模型,并进行了检验,证明该方法在实际应用中取得了很好的预测效果。     

基于GM(1,1)和Elman模型的露天矿山边坡位移预测

为对露天矿山边坡的变形趋势作出了科学的分析与预测,将GM(1,1)灰色模型与Elman神经网络模型结合,选取露天矿山实测位移数据进行了分析,并对两种预测模型方法进行比较。通过预测结果数据得出:两种模型均可对边坡位移进行较精确的预测,灰色GM(1,1)模型较为简洁,Elman神经网络模型预测值相对于灰色GM(1,1)模型预测值更加接近实际监测位移数据相对误差较小。两种预测模型均能基于现有数据对之后的发展规律作出预测,从而为露天矿山企业安全措施的制定提供重要参考依据。     

城市水资源利用建模分析研究

本文以北京市为例,分别应用无偏灰色GM(1,1)预测模型和非线性预测模型对北京市的用水量进行了预测,由于单个的预测方法缺乏普遍性,所以本文采用无偏灰色GM(1,1)预测模型及非线性预测模型的加权组合模型,对北京市的用水量进行了预测,预测结果显示,与北京实际用水量相比,无偏灰色GM(1,1)预测模型的预测结果的误差平方和较小,而平均绝对误差较大;非线性预测模型的预测结果的误差平方和较大,但平均绝对误差较小。加权组合模型可以平衡以上两种预测模型的优缺点,其预测结果的平均绝对误差和误差平方和均介于两种模型之间,使得结果更加精确可靠,此方法可以用于城市用水量的短期和长期预测中。     

基因表达式编程在矿山地表变形预测中的应用研究

根据基因表达式编程方法,利用其强大的数据挖掘和函数发现能力建立矿山地表变形预测模型,将模型预测结果与传统的GM(1,1)预测模型预测结果对比分析,实验表明,基于GEP算法矿山地表变形预测模型的预测精度也优于传统的GM(1,1)预测模型。     

一种基于改进GM(1,1)模型的短期电力负荷预测算法研究

针对已有GM(1,1)灰色预测模型在数据波动、突变、转折等不确定情况下预测精度较差的问题,本文提出一种基于关联系数分析的分段多方案优选组合短期电力负荷预测模型.基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,通过对预测日的灰关联分段和优选组合,避免由于初始条件选择不当而将误差引入模型并随之被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响.经南方电网广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显的提高,完全可满足该地区短期电力负荷预测的实际要求.     

应用数据对数化灰色系统GM（1,1）模型的探讨：图书馆书刊经费的预测

本文介绍了灰色系统GM(1,1)模型的预测方法,并应用数据对数化灰色系统GM(1,1)模型,通过实例对1992年的中文期刊订购经费进行外推预测,结果表明:应用数据对数化灰色系统GM(1,1)模型的拟合与外推效果好,是一个最佳的外推预测模型。     

GM(1,1)扩展方法在经济增长预测中的应用及检验

介绍了一种GM(1,1)模型与线性回归组合预测方法,使用该方法建立了西安市国内生产总值(GDP)预测模型,计算了西安市2001~2003年GDP总值,对比检验了单独使用GM(1,1)模型和线性回归模型与该模型的精度。检验结果表明,该方法较好地克服了单独使用GM(1,1)模型和线性回归模型的缺陷,在实际预测中取得了好的效果。     

基于GM(1,1)模型的软件缺陷数预测

本文主要研究运用GM(1,1)模型对软件缺陷数进行预测。首先是列举建立软件缺陷数预测模型的灰色理论;其次建立了基于GM(1,1)模型的软件缺陷数预测模型;最后是运用建立的模型对ISS软件缺陷数进行预测,效果很好。     

基于GM(1,1)模型的北京市GDP预测

GM(1,1)模型是目前应用比较广泛的灰色预测模型。本文根据北京市经济发展现状,建立了基于GM(1,1)模型的北京市GDP预测模型,通过对模型预测数据的检验得知,该模型具有较高精度,可以较好的预测北京市GDP情况。因此利用该模型对北京市未来三年的GDP进行预测,进而为北京市相关部门制定政策提供参考。     

灰色模型在图书馆管理研究预测中的应用

介绍了灰色GM(1,1)模型,利用1998~2004年图书馆管理研究文献量的统计数据,建立了文献总量和两个主要专题文献量的灰色GM(1,1)预测模型。经检验,该模型全部合格,并利用灰色GM(1,1)模型对图书馆管理研究的发展趋势进行了拟合预测。     

基于GM(1,1)模型的学科创新力预测

首先以情报学为例,通过关键词综合评价,得出情报学近18年的6组学科创新力值,并分别用GM(1,1)全模型、GM(1,1)部分模型、GM(1,1)新信息模型和GM(1,1)新陈代谢模型对学科创新力的6组值进行模拟,通过分析比较,得出GM(1,1)新陈代谢模型具有较高精度,然后选取该模型对情报学学科创新力进行预测。接着计算图书馆学近12年的4组学科创新力数据,建立图书馆学学科创新力GM(1,1)新陈代谢模型,用该模型对图书馆学创新力进行预测。最后将图书馆学与情报学学科创新力进行比较和分析,得出情报学和图书馆学不同的学科特点和发展趋势。     

基于GM(1,1)-Markov模型的商品销售额预测

文章研究安踏公司的商品销售额的预测问题,依据商品销售额的灰色特征及随机性特点,将GM(1,1)模型与Markov链模型相结合,建立GM(1,1)-Markov耦合模型,应用该模型对安踏以半年为期的商品销售额进行实例预测。对GM(1,1)模型进行了精度检验,检验结果表明GM(1,1)有较高的预测精度。在此基础上引入Markov链进行预测值修正,其中,GM(1,1)模型预测的平均相对误差为7.67%,而通过Markov链模型进行优化后,GM(1,1)模型平均相对误差为3.71%。说明,经Markov链优化的GM(1,1)模型的预测精度优于GM(1,1)模型,更具实用性。     

基于GM(1,1)模型的中国用水量预测

本文立足于当前中国水资源短缺的情况,利用从从中国水利部查得2005年至2011年全国用水量,建立GM(1,1)预测模型对2030年的中国用水量进行预测,为制定有效的中国水战略提供依据。     

基于灰色系统理论的经济预测模型研究

分析了灰色系统理论用于经济预测的可行性,介绍了灰色系统理论的两种模型:灰色GM(1,1)模型和动态等维GM(1,1)模型,并介绍了包括"未知数据法"在内的各种模型检验方法,通过一个实例将上述模型用于预测并对结果进行检验.结果表明,灰色系统理论可以用于经济预测且动态等维GM(1,1)模型比传统的GM(1,1)模型预测精度高,预测结果更可靠.     

甘肃省能源消费碳排放强度及减排潜力分析

选取能源消费中主要能源消费品种,系统测算甘肃省1996-2011年能源消费碳排放总量、碳排放强度;运用灰色预测模型GM(1,1)预测2012—2020年甘肃省能源消费碳排放强度,分析甘肃省能源消费碳排放减排潜力,提出甘肃省实现节能减排、走低碳经济发展道路的对策建议。     

基于MLR、GM(1,1)和PCA-BP三种模型的连云港建设用地需求量预测研究

建设用地需求量预测对合理规划建设用地规模以及有效控制建设用地数量具有重要意义。本文应用多元线性回归模型(MLR)、GM(1,1)灰色系统模型和基于主成分分析的BP神经网络模型(PCA-BP)建立3种预测模型对2020年连云港的建设用地需求量进行预测。结果表明:3种模型的预测精度均较高,其中PCA-BP神经网络模型预测的平均绝对误差(MAE)、误差均方根(RMSE)以及平均相对误差(MRE)在3种模型中均最小,预测精确度最高,多元线性回归模型次之,灰色GM(1,1)模型略低;根据精度评价结果最终确定以3种模型预测结果的平均值作为2020年连云港建设用地需求量的预测值,得出预测结果为189506.02 hm~2。     

基于灰色GM(1,1)模型的高校餐饮盈亏趋势预测

本文针对高校食堂餐饮管理盈亏预测的需求,引入了灰色系统理论的概念,详细阐述了GM(1,1)模型的建立过程,并在传统GM(1,1)模型的基础上加入等维信息提高预测模型的精确性,最终将建立的模型应用到高校食堂餐饮的盈亏预测中。     

GM（1,1）灰色预测法理论及matlab语言程序

本文通过对GM(1,1)灰色水质预测法研究进展的相关介绍,分析了GM(1,1)灰色水质预测法模型理论研究,并实现了GM (1,1)灰色模型的matlab程序化。     

基于GM(1,1)模型的铁路客流量预测

客流量预测是铁路运输组织工作的重要基础,是铁路部门制定运输方案和列车开行计划的重要依据。本文建立了铁路客流GM(1,1)模型,利用1999年至2010年全国铁路客运量数据,通过Matlab实现了GM(1,1)模型和一元线性模型,并比较两个模型的预测效果。结果表明,GM(1,1)模型预测效果优于一元线性回归模型,其平均相对误差减小约0.2511%。最后,对全国未来五年的铁路客流量进行预测,为管理人员做出合理决策提供了支持。     

铁路春运客流量预测

春节运输的组织历年都是铁路局的一大难题,所以合理的掌握并了解我国历年的春运情况,可以对未来的客运组织工作起到很大的帮助。本文以2009年至2019年的客运量为基础,建立灰色预测模型,通过用灰色数列模型GM(1,1)预测方法对未来5年内的春运客流量进行预测。