灰色预测模型在高层建筑物沉降预测中的应用研究

详细讨论了一阶一元灰色预测模型GM(1，1)的基本内容及建模过程，并成功地将GM(1，1)模型应用于高层建筑物沉降监测的预测预报，相应地编写了基于MATLAB的灰色系统沉降预测程序，便于实际应用。实践证明，灰色预测模型GM(1，1)在沉降预测中具有较高的应用价值。     

基于最小二乘配置法的优化GM（1,1）预测模型及其应用

针对灰色GM(1,1)预测模型预测结果精度低、模型缺乏稳定性的问题,基于最小二乘配置理论的GM（1,1)预测优化模型,首先通过使得生成序列新预测值的误差在最小二乘意义下最小,选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值;然后将优化的GM(1,1)模型和最小二乘配置理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建优化的灰色最小二乘配置预测模型;最后通过对建筑物的沉降数据进行定量分析与预报,与其他模型进行对比分析。     

灰线性加权非等距GM(1,1)形变预测模型

结合加权非等距GM(1,1)模型与线性回归理论,构建灰线性加权非等距GM(1,1)预测模型,并给出对模型预测精度起决定性作用的灰指数v和参数m的优化方法。与加权非等距GM(1,1)模型和线性回归预测模型相比,灰线性加权非等距GM(1,1)预测模型的精度更高,预测有效时间更长,模型的稳定性更好。优化v和m后,灰线性加权非等距GM(1,1)预测模型的实用性、稳定性进一步提高。     

变形监测灰色预测模型对比及替代方法研究

将变形监测灰色预测模型分为传统GM(1,1)模型及其改进模型、非齐次灰色模型、GM(1,1)幂模型及其改进模型3种类型,以Origin拟合函数Exp2PModl、Exponential和SRichards2作为3类灰色预测模型的替代方法,基于理论研究和实例验证对比分析3类灰色预测模型及其替代方法。结果表明,3类灰色预测模型在拟合函数、有无极限值、适合等时距或非等时距建模和适用范围等方面存在显著差异,需要根据变形监测数据特征选择合适的灰色预测模型类别;与3类灰色预测模型相比,Origin拟合函数在参数求解和建模数据要求上更具优势,而且可以得到相当甚至更高的拟合或预测精度,除需要编程实现的特殊优化目标外,完全可以代替灰色预测模型用于变形监测。     

改进的最优非负变权组合模型及其应用

根据GM(1,1) 、BP神经网络、卡尔曼滤波的特点,建立以灰色关联度最大为准则的最优非负变权组合预测模型,在一定程度上抑制了误差“放大”的效应。与以误差平方和最小为准则的变权组合模型、各最优加权组合模型、各单一模型进行对比分析,结果表明,本文模型预测精度最高。     

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型.具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度;接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值;然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度;最后,建立根据GM(1,1)模型改进的灰色多重修正模型.以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比.精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好.     

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。     

顾及降雨及库水位因素的滑坡时滞分析与预测——以三峡库区新铺滑坡为例

降雨及库水位涨落是引起库岸滑坡形变失稳的主要诱发因素,但滑坡位移速率对此类诱发因素的响应具有一定的滞后性,影响人类对滑坡所处运动状态的判断与预测。针对常规预测模型中未考虑时滞效应的问题,利用三峡库区新铺滑坡的GNSS位移监测数据、奉节气象站降雨数据以及三峡库区库水位涨落数据,通过对监测区内9个GNSS监测点的位移速率序列与降雨量、库水位高程序列进行时滞互相关分析,确定时滞参数,进而应用多变量灰色系统理论方法,建立了时滞GM(1,3)预测模型,并对滑坡位移速率进行预测验证。结果表明:三峡库区新铺滑坡位移速率与降雨量显著相关,对降雨量的响应滞后时间约为5 d,滑体中后部受降雨影响比前缘更明显;位移速率与库水位高程高度相关,对三峡库区库水位涨落的响应滞后时间约为31 d,滑坡前缘受库水位涨落影响更明显,且离长江越近,滞后时间越短;利用加入时滞参数的时滞GM(1,3)模型进行预测,模型拟合优度达到0.702,相比GM(1,1)模型和未顾及时滞因素的GM(1,3)模型,预测精度分别提升了53.8%和58.3%,平均绝对误差百分比分别降低了7.19%和7.47%,在滑坡位移速率预测及库岸滑坡防灾减灾领域具有一定的工程应用价值。     

GM(1,1)幂模型的改进及其在沉降预测中的应用

GM(1,1)幂模型可用于趋于稳定或具有S型变化趋势的沉降预测,但其存在灰色建模的固有缺陷、非等间隔数据的不适用性和参数求解复杂性等不足之处。结合幂函数变换与无偏GM(1,1)模型和非等间隔无偏GM(1,1)模型,建立了无偏GM(1,1)幂模型和非等间隔无偏GM(1,1)幂模型。基于Matlab程序,以拟合结果的平均相对误差最小作为优化目标,提出参数的优化求解方法,同时提出采用Origin拟合函数SRichards2的替代方法。实例分析结果显示,两种方法拟合效果相当,均可用于沉降预测。结合两者的应用效果和建模特点,建议人工处理数据时采用Origin拟合函数SRichards2;对于有特殊优化目标的情况或自动化监测设计时,可采用无偏GM(1,1)幂模型或非等间隔无偏GM(1,1)幂模型。     

基于综合优化GM（1,1）的形变预测模型

通过对传统GM(1,1)模型的初始条件进行优化,利用复化的Simpson数值积分公式构造背景值,以及对残差序列进行修正,建立优化的GM(1,1)模型,并给出优化模型的精度评价方法和标准。以小浪底大坝的变形实测数据为例,进行基于传统GM(1,1)预测模型和优化GM(1,1)预测模型的计算比较。结果表明,基于优化的GM(1,1)预测模型精度更高。     

灰色马尔柯夫预测模型及其在渔获量预测中的应用

为海洋、江河渔获量的短期和长期预测提供一种预测精度较好的预测方法，将灰色ＧＭ（１，１）预测和马尔柯夫概率矩阵预测两者结合起来，通过它们的优点互补，使灰色马尔柯夫预测模型对渔获量的预测结果更科学、更精确。并用灰色马尔柯夫预测模型，预测山东省黄姑鱼的年渔获量。结果是令人满意的。     

多序列残差辨识应用于城市“三废”排放量预测

本文把城市废水、废气、废渣排放量视作有相互联系的灰色系统,建立起城市三废排放量的多序列残差辨识预测模型,并应用于一个实例预测。     

�ϲɿ������������GM-MarkovԤ��ģ���о�

?о???????????????????????????????????????GM-arkov????????????????????PSO?????GM??1??1???????????????????????????????????е???????????н??????????????????????????????????????????????GM-arkov?????GM(1,1????????????б????????????????GM-arkov????????????????????GM??1??1????     

The application of a Grey Markov Model to forecasting annual maximum water levels at hydrological stations

Compared with traditional real-time forecasting,this paper proposes a Grey Markov Model(GMM) to forecast the maximum water levels at hydrological stations in the estuary area.The GMM combines the Grey System and Markov theory into a higher precision model.The GMM takes advantage of the Grey System to predict the trend values and uses the Markov theory to forecast fluctuation values,and thus gives forecast results involving two aspects of information.The procedure for forecasting annul maximum water levels with the GMM contains five main steps:1) establish the GM(1,1) model based on the data series;2) estimate the trend values;3) establish a Markov Model based on relative error series;4) modify the relative errors caused in step 2,and then obtain the relative errors of the second order estimation;5) compare the results with measured data and estimate the accuracy.The historical water level records(from 1960 to 1992) at Yuqiao Hydrological Station in the estuary area of the Haihe River near Tianjin,China are utilized to calibrate and verify the proposed model according to the above steps.Every 25 years’ data are regarded as a hydro-sequence.Eight groups of simulated results show reasonable agreement between the predicted values and the measured data.The GMM is also applied to the 10 other hydrological stations in the same estuary.The forecast results for all of the hydrological stations are good or acceptable.The feasibility and effectiveness of this new forecasting model have been proved in this paper.     

GPS Block IIR(M)����ԭ�����Ӳ�Ԥ���о�

?????????????????￡????ú?????????GPS Block IIR??M??????????????????????о??????????GM(1??1)??AR(p)??????????1???????????????1 ns????????10??????????????10 ns??????????????ζ??????GM??1??1???????????????????????IGS(the International GPS Service for Geodynamics)??????????7 ns??????     

�˼�ģ��������GM(1,1) ����Ԥ�⽨ģ

????GM(1,1)?????????????????????????????????????????GM(1,1)?????????????????????????GM(1,1) ??????GM(1,1)??PGM(1,1)?????GM(1,1)????????????б???????????????????????GM(1,1)????????????     

中国海洋渔业人力资源结构的灰色分析及其预测

用灰色关联和灰色预测的方法，对我国沿海省市海洋渔业人力资源的结构和现状进行了分析，并对2000～2005年的人力资源发展状况进行了预测。结果认为，对海洋渔业劳动力影响最大的因素是海洋捕捞专业的劳动力，其次是海洋兼业劳动力，再次是海洋养殖和后勤专业的劳动力，这一人力资源的组成结构对可持续渔业的发展要求不尽合理。通过分别建立灰色模型GM（1，1），预测到2000～2005年从事海洋渔业的劳动力人数将达到291.9～343.8万人，海洋捕捞的劳动力人数为128.5～149.2万人，海洋养殖的劳动力人数为54.3～77.9万人，海洋后勤的劳动力人数为29.1～35.4万人，海洋兼业的劳动力人数为81.3～87.9万人。     

���ڻ������ӵĻ�ɫģ���ڵؿ��α�Ԥ���е�Ӧ��

?????????е???α????????????????λ?????????????????????????????????λ?仯???ɡ?????????????????ж?????????????????????????????α?λ?????н??е??????????GM(1,1)?????????????????????÷??????????????????????÷??????????????GM(1,1)?????????????Ч???????????????