导读:本文包含了残差修正模型论文开题报告文献综述及选题提纲参考文献，主要关键词:残差修正,灰色预测,GM(1,1)模型
残差修正模型论文文献综述
邢晏,冯长焕[1]（2019）在《基于GM(1,1)模型残差修正的经济预测》一文中研究指出为提高我国国内生产总值GDP总量预测精度,更好地为宏观经济政策提供参考信息,在传统灰色GM(1,1)预测模型的基础上,进行残差修正,建立GM(1,1)残差改进模型。经过实证分析,结果表明:GM(1,1)残差改进模型具有较好的可行性与精确性。(本文来源于《渭南师范学院学报》期刊2019年11期）
付川,刘刚,赵忠德,郝迎鹏,刘四洋[2]（2019）在《基于残差修正的冬季天然气日负荷预测模型》一文中研究指出在考虑冬季天然气相邻日负荷进行连续多日负荷预测时,由于模型本身误差及气象预报误差的存在,将在迭代预测中产生误差累积,造成预测精度降低。基于小波神经网络(WNN)建立初步日负荷预测模型,以温度为标准将数据集分为"日常温度"和"极端温度",分别引入BP神经网络,作为残差修正模型以降低误差累积对连续多日负荷预测的影响,建立适用于北京供暖季天然气负荷短期预测模型。实验结果表明,经残差修正后北京市的天然气日负荷预测平均绝对误差由5.21%降低至2.98%,取得较好的预测效果。通过对比分析,残差修正网络能有效修正极端气象条件负荷预测值以降低连续多日负荷预测中的误差累积现象,从而提升模型整体精度,对商业天然气日负荷预测具有较高应用价值。(本文来源于《油气田地面工程》期刊2019年10期）
陈佳琪,宋冀龙[3]（2019）在《残差修正GM(1,1)模型在房屋建筑施工面积预测中的应用》一文中研究指出房屋建筑施工面积可以有效反映建筑业的现实状况,对房屋建筑施工面积的预测结果可以为政府、企业在未来的策略方案提供更加有效的参考。采用传统GM(1,1)模型和改进后的残差修正GM(1,1)模型分别对房屋建筑面积统计数据进行预测,通过两种模型预测的结果,可以得出改进后的残差修正GM(1,1)模型可以在一定程度上减少误差,可以更有效地对房屋建筑面积进行预测。(本文来源于《科技创新与应用》期刊2019年27期）
冯子帆,成枢,董娟[4]（2019）在《残差修正的GM(1,1)模型在滑坡位移预测中的应用》一文中研究指出根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。(本文来源于《地理空间信息》期刊2019年09期）
蒲晓妮,赵睿,王江荣[5]（2019）在《基于Fourier级数残差修正的灰色Verhulst模型及应用》一文中研究指出针对大坝变形呈"S"型过程,变形监测时间序列数据具有量少、贫信息的特点,采用了灰色Verhulst模型来拟合预测大坝变形。为了提高模型的预测精度,在已知拟合残差序列的基础上建立了Fourier级数模型,并对建模以外的残差进行预测,以此修正大坝变形的预测值,取得理想效果。(本文来源于《自动化与仪器仪表》期刊2019年08期）
张炳彩[6]（2019）在《基于残差修正GM(1,1)模型的银川市空气质量预测分析》一文中研究指出选取2013～2017年影响银川市环境空气质量的六种主要污染物浓度值,建立GM(1,1)预测模型,对精度检验结果为基本合格和不合格模型进行残差修正,得到了残差修正GM(1,1)预测模型,其精度检验为优。2018～2020年污染物浓度预测值显示CO和O_3浓度值有增加的趋势,建议相应部门做好预防CO和O_3浓度值增加的措施。(本文来源于《绿色科技》期刊2019年12期）
汤俊,毛文飞[7]（2019）在《多尺度ARMA残差修正模型震前电离层TEC异常探测》一文中研究指出为提高电离层总电子含量(total electronic content, TEC)扰动探测参考背景值的预测精度,提出了多尺度自回归移动平均(autoregressive moving average, ARMA)残差修正模型。通过对比该方法、ARMA模型、四分位距法(inter quartile range,IQR)及滑动时窗法对TEC背景值的预测精度,结果显示修正模型预测的TEC背景值平均相对精度为89.78%,分别比ARMA模型、IQR及滑动时窗法高5.18%、1.41%和1.42%,且预测值的残差绝对值小于等于3.0 TECU的百分比为91.67%,明显优于其他3种方法,说明修正模型探测震前TEC异常是可行的。利用该方法探测2013-04-20芦山县Mw7.0级地震震前电离层TEC扰动情况,验证了该方法的有效性。实验结果表明,震前第9天和第13天电离层明显的正异常和震前第1～4天明显的负异常极可能是孕育地震引起的,且正异常主要出现在08:00-10:00 UT,而负异常主要集中在0:00-14:00 UT。(本文来源于《武汉大学学报(信息科学版)》期刊2019年06期）
袁磊,王胤丞,赵松,金志超[8]（2019）在《GM(1,1)残差修正模型在上海市艾滋病预测研究中的应用》一文中研究指出目的预测并分析上海市艾滋病发病率及死亡率变化趋势,探讨GM(1,1)残差修正模型适用性,并提出对策建议。方法利用GM(1,1)残差修正模型对上海市2010—2016年艾滋病发病率和死亡率数据拟合并进行动态预测。结果艾滋病发病率和死亡率两个指标都经过叁次残差修正建模后模型精度优秀,发病率的最优模型为Y(t)=0.555 158e0.212 069(t-1)-0.208 477,死亡率的最优模型为Y(t)=0.040 238e0.191 838(t-1)-0.024 662;利用模型预测2017—2020年上海市艾滋病发病率分别为2.786 8/10万、3.099 7/10万、3.886 2/10万和4.381 6/10万,预测2017—2020年艾滋病死亡率分别为0.208 0/10万、0.226 7/10万、0.271 6/10万和0.298 4/10万。结论2017—2020年上海市艾滋病发病率和死亡率将会持续上升,应该引起相关部门高度重视,加强预防管理,控制艾滋病疾病流行传播。(本文来源于《中国艾滋病性病》期刊2019年01期）
徐刚年,高全亭,解俊海,王有志,王来永[9]（2019）在《改进不等时距权重的灰色残差组合修正模型及其应用》一文中研究指出为提高传统不等时距灰色模型(TUTGM)的预测精度,提出了一种改进不等时距权重的灰色残差组合修正模型(IUTWGMRCC)。首先在传统不等时距灰色模型中引入时距权重分配系数,按照累加生成和累减还原过程的生成序列不同,构建了4种不同的预测模型,并依据相似度准则确定最优拟合序列和预测值;然后采用正弦函数和谐波变化生成的周期序列函数修正残差序列,进一步提高模型的预测精度;最后对建筑物3个观测点的沉降量进行预测。结果表明,累减还原过程引入不等时距权重的灰色模型预测精度最高,经残差组合修正后,预测结果的后验差比分别为0.04、0.11和0.05,精度等级为1级。(本文来源于《测绘通报》期刊2019年01期）
谷艳华,雷玉琼[10]（2018）在《基于修正残差的G-Markov模型的河南省小麦产量预测》一文中研究指出粮食产量是一个非平稳的时间序列,结合经典灰色理论和Markov模型所产生的修正残差的G-Markov模型,能较好地对非稳定时间序列的状态转移行为进行预测.以河南省小麦产量预测为例,在传统GM(1,1)模型的基础上,对其预测值与实际值的残差序列进行Markov模型预测,更好地发挥了两个模型的优势.经检验证明,修正残差的G-Markov模型在小麦产量预测方面比传统的灰色GM(1,1)模型具有更高的精确度.(本文来源于《河南科技学院学报(自然科学版)》期刊2018年06期）
残差修正模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在考虑冬季天然气相邻日负荷进行连续多日负荷预测时,由于模型本身误差及气象预报误差的存在,将在迭代预测中产生误差累积,造成预测精度降低。基于小波神经网络(WNN)建立初步日负荷预测模型,以温度为标准将数据集分为"日常温度"和"极端温度",分别引入BP神经网络,作为残差修正模型以降低误差累积对连续多日负荷预测的影响,建立适用于北京供暖季天然气负荷短期预测模型。实验结果表明,经残差修正后北京市的天然气日负荷预测平均绝对误差由5.21%降低至2.98%,取得较好的预测效果。通过对比分析,残差修正网络能有效修正极端气象条件负荷预测值以降低连续多日负荷预测中的误差累积现象,从而提升模型整体精度,对商业天然气日负荷预测具有较高应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
残差修正模型论文参考文献
[1].邢晏,冯长焕.基于GM(1,1)模型残差修正的经济预测[J].渭南师范学院学报.2019
[2].付川,刘刚,赵忠德,郝迎鹏,刘四洋.基于残差修正的冬季天然气日负荷预测模型[J].油气田地面工程.2019
[3].陈佳琪,宋冀龙.残差修正GM(1,1)模型在房屋建筑施工面积预测中的应用[J].科技创新与应用.2019
[4].冯子帆,成枢,董娟.残差修正的GM(1,1)模型在滑坡位移预测中的应用[J].地理空间信息.2019
[5].蒲晓妮,赵睿,王江荣.基于Fourier级数残差修正的灰色Verhulst模型及应用[J].自动化与仪器仪表.2019
[6].张炳彩.基于残差修正GM(1,1)模型的银川市空气质量预测分析[J].绿色科技.2019
[7].汤俊,毛文飞.多尺度ARMA残差修正模型震前电离层TEC异常探测[J].武汉大学学报(信息科学版).2019
[8].袁磊,王胤丞,赵松,金志超.GM(1,1)残差修正模型在上海市艾滋病预测研究中的应用[J].中国艾滋病性病.2019
[9].徐刚年,高全亭,解俊海,王有志,王来永.改进不等时距权重的灰色残差组合修正模型及其应用[J].测绘通报.2019
[10].谷艳华,雷玉琼.基于修正残差的G-Markov模型的河南省小麦产量预测[J].河南科技学院学报(自然科学版).2018