基于改进的GM（2，1，r）模型的棉包温湿度预测和补偿研究.docVIP

基于改进的GM（2，1，r）模型的棉包温湿度预测和补偿研究 　　摘要： 　　文中以GM（2，1，r）灰色模型为基础，以最小二乘法作为参数估算的方法，构造了棉包温湿度的预测和补偿模型。对真实采集的棉包温湿度数据进行仿真试验，比较和分析该模型仿真数据。从仿真试验表明了该模型可以较好地对棉包温湿度进行预测和补偿。 　　关键词：GM（2，1，r）；温湿度预测模型；最小二乘法；温湿度补偿 　　1 引言 　　我国是棉花种植和消费大国。一直以来，棉花在我国都是仅次于粮食的第二大农作物，是关系国计民生的重要战略物资。新疆以其独特的自然条件，成为我国最大的产棉基地，目前新疆棉区的棉花产量已超过全国总产量的一半，其中，2012年度该棉区达到了全国总产量的50.6%[1]。而棉花作为纺织工业原材料的使用地主要集中在东部沿海地区。这两个地区跨度很远，温湿度等自然环境条件相差很大。棉花在储存和长途运输过程中往往会发生品质变异甚至自燃等现象，造成损耗，影响安全。因此，对温湿度进行预测和补偿研究，是一个非常重要的课题。 　　目前数据预测和补偿有3种常用的原理：灰色模型GM主要适合小规模数据，对原始数据需求较少，对数据的特征也要求较少。基于马尔科夫链的模型适合大规模数据而且要求数据具有明显的特征。基于模糊数学模型则是从理论上去分析和处理，在实际应用中效果不佳 。由于温湿度的预测和补偿是局部的，而且仅能根据当前的有限数据来进行预测和补偿，因此在研究中采用灰色模型作为研究的理论依据[1]。 　　本文主要根据改进的灰色模型GM（2，1，r）模型对棉包的监测数据进行分析和处理，对缺少的温湿度数据实现动态补偿和对未来数据进行预测研究。本文的研究成果主要应用在对异常的温湿度变化监测和预报。 　　2 改进GM（2，1，r）模型的简介[2-3] 　　灰色模型是通过对原始数据进行加工，从中抽出数据特征，建立相应的灰色模型；然后根据模型来预测或补偿相应的数据。灰色模型的优点主要有：对原始数据规模要求较少，对原始数据分布规律要求低，而且原始数据特定性质对灰色模型影响也较少[4]。因此自诞生后，在数据预测和补偿方面有大量的应用和研究。当数据出现周期性摆动变化时，可以选择GM（2，1）模型、Verhulst模型。但是Verhulst模型对原始数据的分布规律有一定要求，需要原始数据有饱和的S形序列[4-6]，这限制了该模型的应用范围。通过以上分析，可以看出改进型的GM（2，1，r）是较好的选择。 　　GM（2，1，r）模型首先用X（1）表示采集原始数据的集合，按照等时间间隔有序排列。根据微积分的几何意义，从X（1） 序列进行累加构造积分序列X（2），再对X（1）进行一次累减构造微分序列X（0） ，从而可以建立X（2）、X（1）和X（0）的二阶微分方程。对这个白化微分方程离散化处理，就可以得到一个线性方程组。对这个线性方程组，则利用最小二乘法进行求解。再次求解微分方程的解，就得到了积分序列X（2）的表达式。对X（2）表达式进行微分处理，就可以得到X（1） 的表达式。然后根据X（1）表达式来计算要补偿或预测的数据。 　　2.1 数据序列构建 　　首先把原始数据按照时间有序排列，设为X（1）={ X（1） （1）， X（1） （2），…，X（1） （n）}。其中数据之间的间隔时间是相同的。 　　根据积分的几何意义，对X（1）进行一次累加，构造积分序列，这就得到了X（2）序列。X（2）定义如下： 　　X（2）={X（2）（1），X（2）（2），…，X（2）（n）}。其中 X（2）（k）=ΣX（1）（i） k=1，2，…，n。 （1） 　　再进一步根据X（2）序列构造紧邻序列Z（2）= {Z（2）（2），Z（2）（3），…，Z（2）（n）}，其中： 　　Z（2）（k）=rX（2）（k）+ （1-r）X（2）（k-1），k=2，3，…，n，r∈[0，1]。 （2） 　　根据微分的几何意义，再对X（1）进行一次减法，得到X（0）={ X（0）（2）， X（0）（3），…， X（0）（n）}。其中： 　　X（0）（k）= X（1）（k）- X（1）（k-1），k =2，3，…，n。 （3） 　　2.2 建立数据模型 　　根据GM模型的白化微分方程： 　　（4） 　　对公式（4）微分方程进行离散化后得到如下方程组： 　　X （0）（k）+a1X （1）（k）+a2Z （1）（k）=b，k=2，3，…，n。 （5） 　　使用最小二乘法，求解系数a1、a2、b。建立完整的微分方程。对公式移项，可以得到如下方程组： 　　X （0）（k）=-a1X （1）（k）-a2Z （2）（k）+b k=2，3，…，n。 （6） 　　令Y=[X （0）（2），X