动态金黄模型在变形预测中的应用,管管理学年

2019-08-17 03:47栏目:奥门新萄京娱乐场
TAG:

原标题:【管理学年鉴】面向灾害应急物资需求的灰色异构数据预测建模方法

目前,国内外各种大型工程(如地铁、大坝、深基坑等)都需要安全监测,在进行工程质量数据预报时,使用较多的有统计模型、确定模型及混合模型。当原始数据较多时,这些方法都能获取不错的预测效果;但对于短序列数据,由于原始信息少,规律性不强,常规模型显得无能为力,此时动态灰色预测模型是解决此类问题的有效手段。

曾波,孟伟,刘思峰,李川,崔杰.面向灾害应急物资需求的灰色异构数据预测建模方法[J].中国管理科学,2015,23(08):84-91.

动态灰色预测模型是灰色系统理论的重要内容之一,该模型可以用来进行长期预测,具有所需信息量少,计算简单,模型预测精度高等优点。长期预测时,模型需要及时补充新信息来反映系统的真实变化,或在无新信息的情况下引入灰信息来淡化灰平面的灰度,从而提高长期预测的精度,称之为动态灰色预测模型。本文结合广州地铁变形监测数据详细分析和研究了两种动态灰色预测模型在此类问题中的应用。

当自然灾害发生之后,如何将有限的人力和物力资源实时有效地进行配置和调度是提高救援效率的关键,而紧急条件下对应急物资需求种类和数量的快速预测则是提高自然灾害应急救援质量的前提。由于自然灾害的非常规性、突发性和不确定性,在较短时间内难以采集到精确的大样本统计数据,而常常通过多源信息集结方法获得一些具有灰色不确定性特征的小样本数据序列。因此,应用该文理论研究成果,构建基于灰色异构数据序列的自然灾害应急物资需求预测模型,实现应急物资需求的实时预测。

2 灰色预测模型

该文应用灰色系统建模技术对灰色异构数据预测建模方法展开研究。首先,基于“核”和“灰度”对灰色异构数据进行规范化处理;其次,建立灰色异构数据“核”序列的DMG(1,1)模型,并以“核”为基础,根据灰度不减公理,以灰色异构数据序列中最大灰度值所对应的信息域作为预测结果之信息域,推导并构建了灰色异构数据预测模型;最后,将该模型应用于某地震帐篷需求量的预测。

灰色预测模型又称GM(GrayModel)模型,GM模型是一个近似的差分微分方程模型,具有微分、差分、指数兼容等性质,模型参数可调,结构随时间而变,突破了一般建模要求数据多,难以得到“微分”性质的局限[1]。利用GM模型可对所研究系统进行全局观察、分析及预测。根据预测因子的数目可细分为一阶多元预测模型GM(1,N)和一阶一元预测模型GM(1,1),实际中应用的较多的是GM(1,1)模型,下文主要讨论GM(1,1)的建立及其应用。讨论灰色模型之前,我们需要构造序列算子来生成灰色序列。

传统灰色预测模型是区间灰数或离散灰数预测模型的特殊情况,当建模序列中的元素从区间灰数白化为实数时,区间灰数预测模型就演变为传统的灰色预测模型;进一步地,当灰色异构数据预测模型中元素全部由区间灰数组成时,则灰色异构数据预测模型就变成相应的区间灰数预测模型,可见灰色异构数据序列预测模型是既有灰色预测模型的推广和拓展,但由于目前人们还无法处理灰色异构数据序列的预测问题,因此只能将“灰色异构”信息进行“同质化”处理,将灰色异构数据简化为灰色同构数据后建立预测模型。该过程将丢失部分已知信息,这有悖于灰色系统“信息充分利用”的思想。因此,该文试图对灰色异构数据序列预测模型的建模理论和方法展开研究,以期建立更具普适性和通用性的统一灰色系统预测模型,并实现对重大自然灾害应急物资需求的快速预测,从而为救援部门制定相关措施提供决策参考。灰数的“核”,是在充分考虑已知信息的条件下,最有可能代表区间灰数“白化值”的实数,因此,该文通过灰色异构数据的“核”序列来建立预测模型,通过灰度来拓展“核”的可能性边界,是合理有效的。当新信息不断补充完善时,灰色异构数据预测模型即转变为传统的DMG(1,1)模型。该文通过研究灰色异构数据预测建模方法,对解决自然灾害应急资源的需求预测问题具有积极作用。

2.1 序列算子与灰色序列生成

(摘编人:曾波)

灰色系统是通过对原始数据的挖掘、整理来寻求其变化规律的,这是一种寻找数据现实规律的途径,我们称之为灰色序列生成。灰色系统理论认为,尽管系统表象复杂,数据离乱,但它总是有整体功能的,因此必然蕴含某种内在的规律。一切灰色序列都能通过某种生成弱化其随机性, 显现其规律性。

资料来源:《中国管理学年鉴2016》返回搜狐,查看更多

冲击扰动系统的大量存在,导致了定量预测结果与人们直观定性分析结论大相径庭的现象经常发生。因此,寻求定量预测与定性分析的结合点,设法排除系统行为数据所受到的冲击干扰,还数据以本来面目,从而提高预测的命中率,乃是预测工作的首要问题。按上述步骤重新建立GM(1,1),预测新值,如此递补,文献[4]称此种方法为灰数递补动态预测模型。

责任编辑:

此种模型中加入新的信息并非真值,而是来自模型预测,不断更新的灰数会淡化模型的灰度。若建模过程中,可以随时更新数据,加入最新真实信息(简称新息),则同样可按上述方法建立动态预测模型,文献[2]称之为新陈代谢灰色预测模型。

从预测角度来看,新陈代谢灰色预测模型是最理想的动态预测模型。随着系统的发展,老数据的信息意义将逐步降低,在不断补充新信息的同时,及时地去掉老新息,建模序列更能反映系统在目前的特征。尤其是系统随着量变的积累,发生质的飞跃或突变时,与过去的系统相比,已是面目全非。去掉已根本不可能反映系统目前特征的老数据,显然是合理的。此外,不断地进行新陈代谢,还可以避免随着信息的增加,建模运算量不断增加的问题。

版权声明:本文由奥门新萄京娱乐场发布于奥门新萄京娱乐场,转载请注明出处:动态金黄模型在变形预测中的应用,管管理学年