基于灰色动态模型群的需水预测研究

依据灰色系统理论,构造了一个由5个GM(1,1)模型组成的灰色动态模型群,并运用该模型对福建省泉州市用水量变化趋势进行了预测分析。研究表明,灰色动态模型群能够充分利用近期用水量信息预测未来用水量变化趋势;以模型群统计平均值作为最终预测值,避免了单一灰色模型容易利用不稳定信息的缺陷,使得预测精度更加准确,预测结果更为可信。     

CAD线图数据处理的GM(1,N)模型与方法

运用灰色系统理论，通过优化模型系数与背景取值建立了灰色多因素灰色动态GM（1，N）模型。该模型克服了现有GM（1，N）模型的不足，扩宽了GM（1，N）模型的应用范围。运用该模型的GM（1，2）、GM（1，3）线图处理实例表明该方法简单实用，值得在计算机辅助设计中推广应用。     

GM（1，1）模型在预测地下水位动态变化中的应用

近年来，三江平原井灌水稻面积逐年增大，加之人为浪费水资源现象严重，造成地下水资源的严重紧缺，许多地区出现“吊泵”和“漏斗”现象。针对这种情况，以创业农场作为研究基地，对其地下水位进行长期观测，运用灰色理论建立GM（1，1）模型，描述其地下水位动态变化趋势，并预测未来水位变化趋势，为今后该地区地下水资源的持续利用提供依据。     

基于灰色理论的云南省粮食产量预测

农业是国民经济的基础，粮食乃重中之重，粮食产量的准确预测对国家粮食安全及政府制定相应粮食生产政策具有重要的意义。该文运用灰色关联分析，从众多模糊因素中计算出云南粮食产量特有影响因子，依次为农业机械总动力、化肥施用量、农田有效灌溉面积和农村用电量，并对这些因子进行了GM（1，1）残差修正预测，把预测所得数据作为相关因素序列，以粮食产量作为系统特征序列，构建了粮食产量的灰色GM（1，N）预测模型。根据云南省1999—2015年的粮食生产相关数据，对云南省2020年的粮食产量数据进行预测，对2015年之前数据进行拟合，和实际产粮数据平均相对误差为1.92%，具有较高的精确度。通过分析预测成果，给出了确保云南省粮食产量稳固增长的对策和建议。      

预测水泥砒砂岩强度的Markov灰色残差模型

为了研究Markov-灰色残差GM(1,1)模型预测水泥固化砒砂岩抗压强度的精准度和适用性,先对抗压强度数据进行了一系列的处理,建立灰色GM(1,1)模型和灰色残差GM(1,1)模型,然后基于马尔克夫过程构建Markov-灰色残差GM(1,1)模型,并以此模型来估算水泥固化砒砂岩的抗压强度.结果表明,灰色残差GM(1,1)模型的检验精度得到了很大的提升且各项检验指标基本上都达到了1级,明显优于灰色GM(1,1)模型.马尔克夫过程便于确定残差修正值的正、负号,采用Markov-灰色残差GM(1,1)模型对不同水泥掺量下90 d龄期的水泥固化砒砂岩的抗压强度进行了预测,相对误差由原来的1.77%~4.01%降低至0.60%~2.36%,平均相对误差由2.63%减小至1.25%,模型的预测精度明显提高.该研究可以为水泥固化砒砂岩以及其他水泥基工程材料抗压强度的预测提供一种简易而可靠的新方法.     

GM预测模型的模糊-灰色优化方法

把灰色预测模型GM（1，1）的微分形式表达成差分格式以将GM模型拓广，再用模糊－灰色系统理论优化GM拓广模型、确定最优ω^*参数，以提高GM方法的精度。为使此方法具有充分理论依据和实际应用价值，从理论上对GM模糊－灰色优化方法进行了研究，并做了实际应用验证。     

基于串联型灰色神经网络新疆兵团农机总动力预测

为了准确了解兵团农机总动力的发展趋势,该文以兵团1989-2008年和2009-2011的农机总动力分别作为训练样本和检测样本,采用串联型灰色神经网络（SGNN）预测兵团农机总动力,并与灰色GM（1,1）模型法和BP神经网络法的预测结果进行比较分析。研究结果表明,SGNN模型对兵团农机总动力的预测精度明显高于灰色GM（1,1）模型法和BP神经网络法,可以作为兵团未来农机总动力发展预测及政策制定的有效方法和工具。     

地下水位动态变化预测中的MGM(1,n)模型

当观测资料的数据最少而又存在多个相互影响或关联的变量时，常用的灰色预测模型GM(1，1)不能全面考虑多个变最。为此，采用自适应MGM(1，n)模型一多变量灰色预测模型，较好地解决了这一问题。针对一些农区井灌水稻规模扩大而引起地下水资源紧缺的情况，以某井灌水稻地区地下水动态观测资料为研究对象，运用灰色理论建立MGM(1，1)模型，描述其地下水动态变化趋势，获得了较好的预测效果。     

城市工业用水量的灰色马尔可夫预测模型

灰色GM(1,1)是预测城市工业用水量的模型,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,但是马尔可夫模型适合描述随机波动性较大的预测问题.可以将这两种模型结合,构建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.最后以抚顺市为例,预测结果证明了该模型的优势.     

灰色新陈代谢GM（1,1）模型在参考作物腾发量预测中的应用研究

随着时间的发展,任何一个灰系统都会加入一些未来的扰动因素,对系统的发展产生影响。而常规灰色GM（1,1）预测模型在建模时,采用的是现实时刻t=n为止的过去的数据,没有考虑这些扰动因素。故离现实时刻越远,该模型的预测精度就越低。针对这种情况,提出了灰色新陈代谢GM（1,1）预测模型。并尝试用灰色新陈代谢GM（1,1）预测...     

灰色关联度组合模型在涝灾预测中的应用

传统灰色预测模型在涝灾预测中有较多应用,但其预测精度较低。为提高模型的预测精度,在传统灰色预测模型基础上加入灰色关联度分析,从灰色关联度的角度发现数据之间的依赖关系,运用灰色预测模型预测数据的发展走向。以沈阳市1960-2010年涝灾年份数据为依据,建立灰色关联度组合模型,应用结果表明,该模型比传统灰色预测模型效果好,为涝灾预测增添了新手段。     

黑龙江干流水质评价与预测

为探究黑龙江干流水质对居民生活和农业灌溉用水的影响,选择溶解氧、高锰酸盐指数、氨氮和p H四项监测指标作为研究对象,对漠河北极村、大兴安岭呼玛、黑河和伊春嘉荫四个断面过去一年每周水质监测数据进行预处理,运用物元综合评价模型,对黑龙江干流水质做出综合评价。然后根据监测结果,采用灰色预测模型对相应地区未来26周的各项监测指标进行预测。结果表明:漠河北极村、大兴安岭呼玛断面水质主要为Ⅰ类和Ⅱ类,黑河断面水质主要为Ⅱ类和Ⅲ类,伊春嘉荫断面水质主要呈Ⅰ类和Ⅲ类。漠河北极村、大兴安岭呼玛断面未来26周水质较好,黑河断面高锰酸盐浓度较高,伊春嘉荫断面高锰酸盐与氨氮浓度均较高。研究表明:黑龙江干流水质基本可以满足居民生活和农业灌溉用水需要,运用物元分析法和灰色预测模型对水质进行评价及预测是可行的。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

灰色预测模型粮食产量预测比较研究

鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后建立灰色GM(1,N)预测模型;应用同一原始数据和GM(1,1)预测模型进行了比较,证明GM(1,N)预测模型具有较高的预测精度,较好地拟合了粮食产量的发展趋势。     

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。