CN112257283A - 基于背景值和结构相容性组合优化的灰色预测模型方法 - Google Patents
基于背景值和结构相容性组合优化的灰色预测模型方法 Download PDFInfo
- Publication number
- CN112257283A CN112257283A CN202011184897.XA CN202011184897A CN112257283A CN 112257283 A CN112257283 A CN 112257283A CN 202011184897 A CN202011184897 A CN 202011184897A CN 112257283 A CN112257283 A CN 112257283A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction model
- cogm
- prediction
- background value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000005316 response function Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002087 whitening effect Effects 0.000 claims description 4
- 241000750676 Bacillus phage Gamma Species 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 8
- 238000010276 construction Methods 0.000 abstract description 4
- 239000003245 coal Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于背景值和结构相容性组合优化的灰色预测模型方法,包括依据背景值表达式几何意义,改进了预测模型背景值构造方法及背景值系数的选取;还包括模型结构上的改进,加入了灰色作用量,使模型具有结构相容性。本发明能有效减小模型拟合误差,提高模型泛化性,从而使模型预测精度得到较大的提高。
Description
技术领域
本发明涉及数据预测技术领域,具体涉及一种背景值与模型结构相容性组合优化的COGM(1,N)灰色预测模型方法。
背景技术
瓦斯防治是保障煤矿井下安全生产的关键因素,而对瓦斯浓度的准确预测是防治瓦斯事故的重要手段。传统的预测方法有上百种,其中瓦斯浓度预测较为常用的是单变量GM(1,1)灰色预测方法,但该方法预测精度受限于无法考虑井下其他相关因素对瓦斯浓度的影响。本发明将使用改进的多变量GM(1,N)灰色预测模型进行预测,GM(1,N)模型可考虑其他相关因素,提高预测精度。
然而现有的多变量GM(1,N)灰色预测模型存在很多缺陷,根据研究发现,其背景值估计误差及模型结构单一是导致该模型预测性能不稳定的重要因素,致使该模型在实际预测领域中应用并不广泛。本发明通过分析背景值函数的几何意义,结合积分几何面积公式,提出一种改进的背景值优化方法;在此基础上,在模型中加入了灰色作用量,对模型结构相容性进行了改进,提出一种新的基于背景值和结构相容性组合优化的灰色预测模型(Combinatorial Optimization of background value and structure compatibilityGrey prediction Model,COGM(1,N))。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提出了一种基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,能够有效提高模型拟合及预测精度,提升模型结构相容性及泛化能力。
为了实现上述目标,本发明采用如下技术方案:
基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,包括如下步骤:
设原始数据序列为:
设相关因素序列为:
式中X(1)(k)为原始数据序列X(0)(k)的一次累加序列,累加序列记为:
X(1)(k)=(X(1)(1),X(1)(2),...,X(1)(n));
式中λ为背景值系数,且k=1,2,...,n,0≤λ≤1;
步骤五,通过组合优化的COGM(1,N)灰色预测模型的灰微分方程计算矩阵B、Y,利用最小二乘法求出参数u=[a,b1,b2,...,bN,γ]T,其中a称为发展系数,bi称为驱动系数,γ称为灰色作用量,T表示矩阵的转置;
COGM(1,N)预测模型结构表达式如下:
灰微分方程计算式如下:
式中k=1,2,...,n,0≤λ≤1;矩阵B、Y与参数u通过下式计算:
u=(BTB)-1BTY;
灰微分方程的白化方程如下式:
离散化解得时间周期响应函数:
进而求得时间响应函数:
步骤七,计算模型平均拟合误差;根据步骤六求解出原始数据序列的预测值后,根据下式进行误差分析及判断COGM(1,N)预测模型的预测精度;
式中k=1,2,...,n。
前述的基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,其特征在于,步骤四中,背景值计算式中不确定常量λ的取值可以通过MATLAB数值分析确定,λ从0开始以精度0.01逐步增长,计算模型平均拟合误差ε,当λ=1时结束循环,最终选取使平均拟合误差ε最小时的λ值。
前述的基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,其特征在于,步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N=1,a·b·γ≠0时,COGM(1,N)模型可以简化为GM(1,1)模型,称其与GM(1,1)模型具有结构相容性。
前述的基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,其特征在于,步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N>1,a·b≠0,γ=0时,COGM(1,N)模型可以简化为GM(1,N)模型,称其与原GM(1,N)模型具有结构相容性。
本发明的有益之处在于:
本发明提出的基于背景值函数几何意义的背景值优化方案,构造了一个新的背景值表达式,减小了背景值构造时存在的误差,并采用MATLAB数值分析对背景值系数的取值进行优化,相较于传统灰色预测方法,本发明背景值系数的取值更灵活,减小了系统参数计算的误差,进而提高模型的预测精度。
本发明提出的模型结构基于结构相容性改进的优化方案,在模型中加入了灰色作用量,以反映自变量数据变换关系,相较于传统灰色预测模型,本发明改善了模型的结构相容性,提高模型的泛化能力,使模型预测性能得到显著提高。
附图说明
图1为本发明COGM(1,N)预测模型流程图;
图2为本发明背景值函数几何示意图;
图3为本发明与传统单变量、多变量灰色预测模型拟合结果曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
基于背景值优化和模型结构相容性改进组合优化的COGM(1,N)灰色预测模型方法,包括如下步骤:
设原始数据序列为:
设相关因素序列为:
式中X(1)(k)为原始数据序列X(0)(k)的一次累加序列,累加序列记为:
X(1)(k)=(X(1)(1),X(1)(2),...,X(1)(n));
式中k=1,2,...,n,0≤λ≤1;
步骤五,通过组合优化的COGM(1,N)灰色预测模型的灰微分方程计算矩阵B、Y,利用最小二乘法求出参数u=[a,b1,b2,...,bN,γ]T,COGM(1,N)预测模型结构表达式如下:
灰微分方程计算式如下:
式中k=1,2,...,n,0≤λ≤1;矩阵B、Y与参数u通过下式计算:
u=(BTB)-1BTY;
灰微分方程的白化方程如下式:
离散化解得时间周期响应函数:
进而求得时间响应函数:
步骤七,计算模型平均拟合误差;根据步骤六求解出原始数据序列的预测值后,根据下式进行误差分析及判断COGM(1,N)预测模型的预测精度;
式中k=1,2,...,n。
需进一步说明的步骤四中,背景值计算式中不确定常量λ的取值可以通过MATLAB数值分析确定,λ从0开始以精度0.01逐步增长,计算模型平均拟合误差ε,当λ=1时结束循环,最终选取使平均拟合误差ε最小时的λ值。
需进一步说明的步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N=1,a·b·γ≠0时,COGM(1,N)模型可以简化为GM(1,1)模型,称其与GM(1,1)模型具有结构相容性。
需进一步说明的步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N>1,a·b≠0,γ=0时,COGM(1,N)模型可以简化为GM(1,N)模型,称其与原GM(1,N)模型具有结构相容性。
背景值优化的理论证明
为了证明本发明在背景值表达式构造准确性上有明显提高,本发明从背景值函数误差方面进行证明。
称Z(1)=(Z(1)(2),Z(1)(3),...,Z(1)(n))为X(1)(k)改进后的背景值序列,且改进后的背景值表达式误差小于传统模型中的背景值表达式。
证明1:传统灰色预测模型中的背景值表达式为:
其几何意义可以表示为曲线在区间[k-1,k]与横轴间所围成的距离,如图2所示。从图中可以看出原始的紧邻均值Z(1)(k)采用所围梯形的面积来近似表示曲线的所围面积,由此可以看出背景值计算公式存在一定误差。
因此一定存在m>1,使得下式成立:
Sabcfd=m·Sabce
所以一定存在λ>0,使得下式成立:
由此可得:
根据定理1可知,改进后的背景值表达式误差小于传统灰色预测模型的背景值表达式。
模型结构相容性的证明
为了证明本发明所述的COGM(1,N)预测模型在模型结构泛化性能上有明显提高,本发明从模型结构相容性上进行证明。
定理2对于本发明所述的COGM(1,N)灰色预测模型与传统单变量GM(1,1)预测模型,当N=1,a·b·γ≠0时,本发明所述COGM(1,N)预测模型可以简化为GM(1,1)预测模型。
证明2:对于本发明所述的COGM(1,N)灰色预测模型,当N=1,a·b·γ≠0时,其模型结构表达式如下:
上式是传统单变量GM(1,1)预测模型结构表达式,也就是说当N=1,a·b·γ≠0时,本发明所述的COGM(1,N)预测模型可以简化为GM(1,1)预测模型,称其与GM(1,1)预测模型具有结构相容性。
根据定理2可知,本发明所述的COGM(1,N)预测模型与传统单变量GM(1,1)预测模型具有结构相容性,在模型结构泛化性能上有明显提高。
定理3对于本发明所述的COGM(1,N)灰色预测模型与传统多变量GM(1,N)预测模型,当N>1,a·b≠0,γ=0时,本发明所述COGM(1,N)预测模型可以简化为GM(1,N)模型。
证明3:对于本发明所述的COGM(1,N)灰色预测模型,当N>1,a·b≠0,γ=0时,其模型结构表达式如下:
上式是传统多变量GM(1,N)预测模型结构表达式,也就是说当N>1,a·b≠0,γ=0时,本发明所述的COGM(1,N)预测模型可以简化为GM(1,N)预测模型,称其与GM(1,N)预测模型具有结构相容性。
根据定理3可知,本发明所述的COGM(1,N)预测模型与传统多变量GM(1,N)预测模型具有结构相容性,在模型结构泛化性能上有明显提高。
为了证明本发明具有更小的平均拟合误差,能有效的提高模型预测精度,以寸草塔煤矿22301工作面瓦斯日均最大浓度作为研究对象,将本发明所提的COGM(1,N)预测模型与传统的单变量、多变量灰色预测模型(参见文献1:刘思峰,杨英杰,吴利丰等.灰色系统理论及其应用[M].第七版.北京:科学出版社,2014.)进行比较,根据平均拟合误差及预测精度来分析所述方法的优劣。
本发明所述COGM(1,N)预测模型方法的计算步骤:
采集寸草塔日均瓦斯最大浓度(%)的原始数据序列为:
采集寸草塔工作面风量(m3/min)、瓦斯抽放量(m3/min)、瓦斯涌出量(m3/min)的相关因素序列为:
Z(1)(k)通过下式进行计算:
矩阵B、Y与参数u=[a,b1,b2,...,bN,γ]T通过下式进行计算:
u=(BTB)-1BTY;
灰微分方程的白化方程如下式:
离散化解得时间周期响应函数:
进而求得时间响应函数:
本发明采用MATLAB仿真实验进行数值分析,解得当背景值系数λ=1时,取得模型平均拟合误差最小值ε=0.0337。
本发明所述组合优化COGM(1,N)预测模型与传统单变量、多变量预测模型进行拟合误差对比,用表1证明本发明所述模型能够明显减小误差。
表1 COGM(1,N)模型与传统模型预测模拟值结果对比
根据上表所示,本发明提出的组合优化COGM(1,N)预测模型平均拟合误差为0.034,传统单变量GM(1,1)预测模型的平均拟合误差为0.05,传统多变量GM(1,N)预测模型的平均拟合误差为0.38,因此本发明提出的组合优化COGM(1,N)预测模型方法误差更低,拟合精度提升较为明显,拟合效果对比结果参照图3所示。根据实验证明,该发明方法不仅适用于井下瓦斯浓度预测,还可以运用到众多预测领域中,具有良好的预测性能。
本发明提出的基于背景值函数几何意义的背景值优化方案,构造了一个新的背景值表达式,减小了背景值构造时存在的误差,并采用MATLAB数值分析对背景值系数的取值进行优化,相较于传统灰色预测方法,本发明背景值系数的取值更灵活,减小了系统参数计算的误差,进而提高模型的预测精度。
本发明提出的模型结构基于结构相容性改进的优化方案,在模型中加入了灰色作用量,以反映自变量数据变换关系,相较于传统灰色预测模型,本发明改善了模型的结构相容性,提高模型的泛化能力,使模型预测性能得到显著提高。
以上描述了本发明的基本原理,展示了本发明的主要特征及优点。且本发明不受限于上述实施例,任何采用等效替换方式所获得的的技术方案,均落在本发明的保护范围内。
Claims (4)
1.一种基于背景值和结构相容性组合优化的灰色预测模型方法(CombinatorialOptimization of background value and structure compatibility Grey predictionModel,COGM(1,N)),其特征在于,包括如下步骤:
步骤一,根据预测目标选取预测模型所采用的原始数据序列,此原始数据序列为一组非负递增或递减数据序列,记为X1 (0);
设原始数据序列为:
X1 (0)=(X1 (0)(1),X1 (0)(2),...,X1 (0)(n));
式中,X1 (0)(k)>0,k=1,2,...,n;
设相关因素序列为:
式中X(1)(k)为原始数据序列X(0)(k)的一次累加序列,累加序列记为:
X(1)(k)=(X(1)(1),X(1)(2),...,X(1)(n));
步骤四,采用改进的背景值计算公式计算一次累加序列X1 (1)(k)的背景值表达式Z(1)(k),Z(1)(k)通过下式进行计算:
Z(1)(k)=[X1 (1)(k)]λ×[X1 (1)(k-1)]1-λ;
式中λ为背景值系数,且k=1,2,...,n,0≤λ≤1;
步骤五,通过组合优化的COGM(1,N)灰色预测模型的灰微分方程计算数据矩阵B、Y,利用最小二乘法求出参数u=[a,b1,b2,...,bN,γ]T,其中a称为发展系数,bi称为驱动系数,γ称为灰色作用量,T表示矩阵的转置;
改进的COGM(1,N)预测模型结构表达式如下:
灰微分方程计算式如下:
式中k=1,2,...,n,0≤λ≤1;矩阵B、Y与参数u通过下式计算:
u=(BTB)-1BTY;
灰微分方程的白化方程如下式:
离散化解得时间周期响应函数:
进而求得时间响应函数:
步骤七,计算模型平均拟合误差;根据步骤六求解出原始数据序列的预测值后,根据下式进行误差分析及判断COGM(1,N)预测模型的预测精度;
式中k=1,2,...,n。
2.根据权利要求1所述的基于背景值和结构相容性组合优化的灰色预测模型方法,其特征在于,步骤四中,背景值Z(1)(k)=[X1 (1)(k)]λ×[X1 (1)(k-1)]1-λ计算式中不确定常量λ的取值可以通过MATLAB数值分析确定,λ从0开始以精度0.01逐步增长,计算模型平均拟合误差ε,当λ=1时结束循环,最终选取使平均拟合误差ε最小时的λ值。
3.根据权利要求1所述的基于背景值和结构相容性组合优化灰色预测模型方法,其特征在于,步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N=1,a·b·γ≠0时,COGM(1,N)模型可以简化为GM(1,1)模型,称其与GM(1,1)模型具有结构相容性。
4.根据权利要求1所述的基于背景值和结构相容性组合优化的灰色预测模型方法,其特征在于,步骤五中,根据COGM(1,N)预测模型结构表达式调整参数取值,当N>1,a·b≠0,γ=0时,COGM(1,N)模型可以简化为GM(1,N)模型,称其与原GM(1,N)模型具有结构相容性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184897.XA CN112257283B (zh) | 2020-10-30 | 2020-10-30 | 基于背景值和结构相容性组合优化的灰色预测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011184897.XA CN112257283B (zh) | 2020-10-30 | 2020-10-30 | 基于背景值和结构相容性组合优化的灰色预测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257283A true CN112257283A (zh) | 2021-01-22 |
CN112257283B CN112257283B (zh) | 2024-07-26 |
Family
ID=74268863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011184897.XA Active CN112257283B (zh) | 2020-10-30 | 2020-10-30 | 基于背景值和结构相容性组合优化的灰色预测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257283B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116698A (zh) * | 2013-01-23 | 2013-05-22 | 合肥工业大学 | 一种基于三次样条的gm(1,1)模型预测方法 |
CN103324821A (zh) * | 2013-01-23 | 2013-09-25 | 合肥工业大学 | 一种基于组合插值的gm(1,1)模型预测方法 |
CN104715298A (zh) * | 2015-04-10 | 2015-06-17 | 中国石油大学(华东) | 一种基于灰色系统理论的提高采收率潜力预测方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN107133376A (zh) * | 2017-03-27 | 2017-09-05 | 哈尔滨工程大学 | 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法 |
CN107871180A (zh) * | 2017-10-17 | 2018-04-03 | 淮阴工学院 | 基于牛顿‑柯特斯公式构造背景值的gm(1,1)模型预测方法 |
CN107918808A (zh) * | 2017-11-16 | 2018-04-17 | 淮阴工学院 | 基于反余弦函数与幂函数变换与背景值组合优化的灰色预测模型方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
CN110516835A (zh) * | 2019-07-05 | 2019-11-29 | 电子科技大学 | 一种基于人工鱼群算法的多变量灰色模型优化方法 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
-
2020
- 2020-10-30 CN CN202011184897.XA patent/CN112257283B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116698A (zh) * | 2013-01-23 | 2013-05-22 | 合肥工业大学 | 一种基于三次样条的gm(1,1)模型预测方法 |
CN103324821A (zh) * | 2013-01-23 | 2013-09-25 | 合肥工业大学 | 一种基于组合插值的gm(1,1)模型预测方法 |
CN104715298A (zh) * | 2015-04-10 | 2015-06-17 | 中国石油大学(华东) | 一种基于灰色系统理论的提高采收率潜力预测方法 |
CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
CN107133376A (zh) * | 2017-03-27 | 2017-09-05 | 哈尔滨工程大学 | 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法 |
CN107871180A (zh) * | 2017-10-17 | 2018-04-03 | 淮阴工学院 | 基于牛顿‑柯特斯公式构造背景值的gm(1,1)模型预测方法 |
CN107918808A (zh) * | 2017-11-16 | 2018-04-17 | 淮阴工学院 | 基于反余弦函数与幂函数变换与背景值组合优化的灰色预测模型方法 |
CN109447433A (zh) * | 2018-10-16 | 2019-03-08 | 国网四川省电力公司乐山供电公司 | 一种改进的灰色模型预测方法 |
CN110516835A (zh) * | 2019-07-05 | 2019-11-29 | 电子科技大学 | 一种基于人工鱼群算法的多变量灰色模型优化方法 |
CN111310990A (zh) * | 2020-02-07 | 2020-06-19 | 北京联合大学 | 一种基于改进灰色组合模型的轨道质量预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
丁松;党耀国;徐宁;崔杰;: "灰色Verhulst模型背景值优化及其应用", 控制与决策, no. 10, 2 July 2015 (2015-07-02) * |
沈艳;张丽玲;: "基于复合辛普森公式的GM(1, 1)模型背景值的优化", 应用科技, no. 04, 22 July 2016 (2016-07-22) * |
缪燕子等: "基于背景值和结构相容性改进的多维灰色预测模型", 《自动化学报》, vol. 48, no. 4, 15 January 2021 (2021-01-15), pages 1079 - 1090 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257283B (zh) | 2024-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268082B (zh) | 一种基于灰色线性回归的热误差建模方法 | |
CN104866923A (zh) | 一种钢铁企业高炉副产煤气发生量预测方法 | |
CN104615856B (zh) | 基于热风炉组的煤气消耗量预测模型建立方法及装置 | |
CN115115088A (zh) | 商业楼宇碳排放量动态监测预警方法、系统、终端及介质 | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
CN113919559A (zh) | 一种综合能源系统设备参数超短期预测方法及装置 | |
Guo et al. | Uncovering the overcapacity feature of China's industry and the environmental & health co-benefits from de-capacity | |
CN115115089A (zh) | 建筑碳排放量预测分析方法、系统、终端及介质 | |
CN111080481A (zh) | 一种基于马尔可夫链修正的电能替代潜力灰色分析方法 | |
CN102136037A (zh) | 基于主成分分析的灰色多因素MGM(1,n)模型的副产煤气发生量预测方法 | |
CN116957205A (zh) | 基于ceemd-ssa-elm的电力碳排放预测方法 | |
CN112257283A (zh) | 基于背景值和结构相容性组合优化的灰色预测模型方法 | |
CN118013875A (zh) | 一种基于weno-fct耦合算法的爆炸冲击波预测方法 | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN115907177A (zh) | 城市碳排放预测方法及系统 | |
CN117035155A (zh) | 一种水质预测方法 | |
CN113076623B (zh) | 一种火电机组燃煤发热量的动态估计方法及系统 | |
CN115392289A (zh) | 一种基于深度学习的微震信号时序数据预测方法 | |
Xie et al. | A decomposition-based encoder-decoder framework for multi-step prediction of burn-through point in sintering process | |
CN111063399A (zh) | 稳定同位素混模型在Pb来源贡献率应用方法、介质及设备 | |
CN118396782B (zh) | 基于wbs技术的洁净房施工优化方法 | |
Zhang et al. | Improved GM (1, N) model for equipment development cost prediction | |
CN114912335B (zh) | 一种基于缺失数据的煤气发生量预测方法 | |
CN113700455B (zh) | 气井生产全过程的控制方法及系统 | |
CN113077105B (zh) | 一种长假日负荷预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |