季节指数及其在季节性监测资料分析和预报中的应用

基于灰色模型的诸多优点，作者选用GM(1，1)模型分析和预报形变监测序列。然而直接应用GM(1，1)灰色模型分析和预报具有季节性的监测序列时往往精度不高。因此，作者提出运用基于季节指数的“去季节波动”法与GM(1，1)混合建模，对监测资料进行分析与预报。基于均方差和平均绝对误差两个精度准则，作者对此方法与周期函数拟合模型进行了比较。结果表明，此方法提高了具有季节性波动监测序列的预报精度，且建模方法简便、快捷。     

级比离散灰色模型在卫星钟差预报中的应用

针对传统灰色模型(grey model,GM)的拟合序列不能反映出建模数据序列级比动态变化这一问题,提出以建模序列的级比序列为对象,建立了能够反映出建模序列级比变化趋势的离散灰色模型(discrect grey model,DGM),给出了该方法应用于卫星钟差预报的具体步骤。首先,对建模钟差序列生成对应的级比序列;然后,用DGM对级比序列建模并进行预报;最后,结合级比与钟差序列之间的关系,将级比预报结果还原得到相应的钟差预报值。采用iGMAS机构提供的事后精密钟差数据分别进行了单天和连续多天的预报试验,并与二次多项式模型(quadratic polynomial model,QPM)及GM预报结果进行对比分析。结果表明,在单天预报试验中,与QPM相比,所提方法得到的预报产品平均精度在北斗卫星导航系统(BeiDou navigation satellite system,BDS)卫星和全球定位系统(global positioning system,GPS)卫星中分别提升了54.71%、46.40%;与GM相比,所提方法得到的预报产品平均精度在BDS卫星和GPS卫星中分别提升了82.96%、67.81%。在连续多天预报试验中,与QPM相比,该方法得到的预报产品多天平均精度在BDS卫星和GPS卫星中分别提升了38.15%、37.09%;与GM相比,该方法得到的预报产品多天平均精度在BDS卫星和GPS卫星分别提升了57.43%、26.30%。     

非等时距GM(1,1)在变形预报中的应用

本文应用灰色理论建模原理,探讨了非等间距GM(1,1)模型的建模步骤;通过几种不同参数下的建模方式,利用MATLAB编程进行计算比较,着重分析影响非等间距GM(1,1)模型预报精度的因素,并探讨模型的改进方法。结果表明,对于较均匀的非等间距数据,灰色模型具有较高的预报精度。在间距间隔变化较大的情况下,灰色模型进行改进后也能得到比较满意的预报结果。     

GM(1,1)模型在沉降预报中的应用

本文提出采用灰色理论进行定量预报的方法。讨论GM(1，1)沉降预报模型的建立以及应用问题，并使用建立的预报模型对沉降控制点沉陷量进行预报。结果表明，用GM(1，1)模型进行预报具有理论的可行性和现实意义，说明灰色理论在地表沉降预报领域具有实用价值。     

基于GM(1,1)灰色模型卫星钟差短期预报的精度分析

为了提高GPS快速单点定位的精度,必须及时获得高精度的精密星历。基于卫星钟差变化的灰色特性,建立GPS卫星钟差GM(1,1)灰色模型,对卫星钟差进行短期预报。计算结果表明,灰色模型GM(1,1)用于卫星钟差短期预报,只需要使用少数几个历元的已知卫星钟差进行建模,不仅减少建模数据量,提高建模速度,而且预报精度较高,可以满足GPS快速单点定位的实际需要;并对卫星搭载的原子钟精度进行分析,得出基于灰色模型GM(1,1)分析的Rb钟的精度和稳定性要优于Cs钟。     

非等时空距GM(1,1)模型在建筑物沉降预测中的应用

以灰色理论为指导，GM（1，1）模型为基础，提出用最小二乘原理对灰色模型进行优化，大大提高非等时距GM（1，1）模型的预测精度，并对某海堤监测数据进行预报，检验结果表明预测值达到很好精度，由此证明，此方法有较大的应用价值。     

顾及钟差随机项的GPS卫星钟差预报

针对卫星钟差呈趋势项和随机项变化的特点,提出了基于GM(1,1)与自回归求和移动平均的组合预报模型。该模型首先采用GM(1,1)模型预报钟差的趋势项部分,然后利用ARIMA模型对GM(1,1)的模型残差序列进行建模和预报,最后将GM(1,1)和ARIMA模型的预报结果对应相加即得到钟差的最终预报值。此外,采用IGS公布的精密卫星钟差进行预报试验,通过与卫星钟差预报中常用的二次多项式模型和修正指数曲线法模型预报结果的对比分析,结果表明:该方法可以对GPS卫星钟差进行高精度的中短期预报。用12 h钟差建模时,预报未来6、12、24和48 h的平均预报精度分别为0.71、1.17、1.93和4.38 ns,相比于二次多项式模型的平均预报精度分别提高了29.70%、43.75%、67.62%和76.21%;相比于修正指数曲线法模型的平均预报精度分别提高了18.39%、33.90%、61.40%和70.49%。     

地震前兆观测序列灰色多维时序分析

灰色多维时序模型GM(1,N)能够综合考虑序列本身及其相关因子序列的影响。本文利用滤波精度迭代反馈的方法解决GM(1,N)建模过程中的维度优化问题,并且建立了GM(1,N)模型。通过实例表明,GM(1,N)对前兆序列的滤波分析及异常变化识别具有一定价值。     

时变参数灰色模型背景值重构及实现

针对时变参数灰色模型PGM(1,1)的背景值重构收敛速度及稳定性问题,该文运用积分的方法综合序列在Δt内不同变化趋势,导出背景值模型的准确表达式。实现了反映序列对新老信息偏爱程度的最优权值介于(0,1)内,且非不能越过某一阈值;给出了背景值重构模型最优解准确求取的具体算法步骤。基于MATLAB语言的实验结果表明:改进模型预测精度高,易于实现;所研究的带权灰色模型GM(1,n)背景值模型的重构及计算方法验证了PGM(1,1)模型重构及计算实现方法的有效性和实用性。     

基于模糊时间序列的变形预报模型及其应用

将模糊时间序列模型引入变形预报,并与灰色GM(1,1)、等维灰数、组合动态等模型进行了比较,计算结果表明,模糊时间序列模型各项精度评定指标优良,并且计算简单,非常实用。     

灰时序GM-AR模型在建筑物沉降变形预测中的应用

本文以现代高层建筑沉降变形预测为主要研究目的,讨论了灰色GM(1,1)模型和时序AR模型的特点和适用范围,从预测的角度对灰色和时序模型进行了比较和分析;提出了基于优化灰参数α、u的GM(1,1)模型和AR组合模型预测高层建筑物沉降变形的新方法;将变形量分解成具有确定性的趋势项和具有不确定性的随机项,建立GM-AR模型分别对趋势项和随机项进行预测,应用结果表明,该方法使预测结果更为可靠、准确。     

灰色自记忆模型的高层建筑物沉降分析

针对GM(1,1)模型对非线性数据的沉降趋势及其波动特征无法进行准确地预测,而灰色残差模型和灰色马尔科夫模型又无法解决这个问题,提出了灰色自记忆预测模型。该模型利用了自记忆原理考虑过去和现在对未来的影响的记忆性特点,克服了GM(1,1)模型对初值比较敏感、预测精度低等局限性,提高了对波动性数据的预测能力。通过实例验证表明了灰色自记忆模型的可靠性和可行性。     

改进的GM(1,1)模型在公路隧道沉降预测中的应用

根据灰色系统理论,可以将公路隧道的沉降过程看做一个灰色系统。本文对传统的GM(1,1)模型中的初始值、背景值进行改进,得到改进的GM(1,1)模型,并将其应用到公路隧道的沉降预测中。通过实例验证,改进的GM(1,1)模型的模拟和预测精度比传统的GM(1,1)模型有显著提高。     

灰色自回归模型的建筑物沉降预测探讨

在建筑物施工及运营期间,掌握建筑物变形规律并及时预测其变形趋势在保障建筑物的安全使用方面发挥着重要作用。由于单一的灰色GM(1,1)模型预测精度不高,本文提出了一种预测模型——灰色自回归组合模型,该模型结合了灰色GM(1,1)模型和自回归模型的优点。为验证该模型预测精度优于灰色GM(1,1)模型,本文通过某工程实例中的2个变形观测点的观测数据进行建模,结果表明,组合模型的预测精度高于单一灰色GM(1,1)模型。     

基于时间序列分析和灰色理论的建筑物沉降预测模型研究

基于时间序列分析方法建立建筑物沉降预测模型,其中通过二次移动平均法提取出沉降监测序列中的趋势项,并在此基础上采用灰色系统理论动态GM（1,1）模型进行趋势项预测。实际算例结果表明,该模型能够较好地预测沉降变化的发展趋势,并具有较高的预测精度,证明了该预测模型具有一定的可行性和有效性。     

灰色GM(1,1)模型在高铁线下工程沉降变形预测中的应用

讨论了GM(1,1)预报模型的建立及应用问题,并通过对贵广铁路某高架桥沉降变形数据进行研究,结果表明,利用GM(1,1)建模进行预报具有理论的可行性和现实意义,说明灰色理论在线下工程沉降变形监测中具有实用价值。     

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。     

GM-BP 组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。     

利用最小一乘法改进的灰色模型的导航卫星钟差预报

在卫星钟差波动较大的情况下，为了克服基于最小二乘法估计灰色模型参数对卫星钟差预报精度的不足，本文利用最小一乘法对传统灰色模型进行了改进。在建模的过程中，采用以误差绝对值之和最小为优化原则，针对目标函数不可微的特点，运用线性规划的方法对灰色预报模型的模型参数进行了估计。此外，将改进后的预报模型应用到卫星钟差波动较大情况下钟差的预报中，并将预报结果与传统灰色模型的预报结果进行了对比分析。结果表明：在卫星钟差波动较大的情况下，该方法相比传统灰色模型的预报结果有显著改善，为高精度的卫星钟差预报提供了一种新思路。