关键词：证券分析师 统计模型 改进模型 盈余预测 相对准确性
一、引言
证券分析师是依法取得证券投资咨询执业资格，并在证券经营机构就业，主要就与证券市场相关的各种因素进行研究和分析，包括证券市场、证券品种的价值及变动趋势进行研究及预测，并向投资者证券研究报告、投资价值报告等服务的专业人员。盈利预测，是分析师工作的一个重要方面。作为目前最受关注的预测类信息，盈利预测信息通过反映企业在预测期间内可能达到的营业收入、利润总额、净利润、每股收益水平等，帮助投资者、债权人以及其他相关使用者评价企业未来现金流量的时间、金额、不确定性，从而做出合理的经济决策。相比于国外成熟的资本市场，我国的证券机构及其分析师行业仍然处于起步发展阶段，证券分析师的分析和预测能力和国际上资本市场发达的国家的证券分析师相比还有相当的差距。
本文从实证的角度检验我国证券分析师盈余预测的相对准确性及改进模型的准确性，不但有助于投资者更为科学地审视证券分析师的盈余预测，而且为证券分析师提供了结合统计模型进行盈余预测的思路。
二、文献回顾及问题的提出
一个公司的内在价值取决于其未来的盈利能力，而盈余预测揭示的正是这个问题，一个准确的盈余预测能够帮助资本市场上众多的投资者合理审视上市公司的价值并作出合理的判断。盈余预测一般来自以下三个途径：公司管理层、证券分析师和统计模型。我国盈余预测的来源主要是后两者。
检验证券分析师盈余预测与统计模型的相对准确性意在判断证券分析师预测的价值，除少数早期研究，国外大多数相关研究证明了证券分析师盈余预测的相对优势。且Brown等研究者认为分析师盈利预测较统计模型准确的原因主要有三类：一是分析师具有对新信息做出反应的适时性优势(timing advantage)；二是分析师具有卓越的股票分析能力；三是分析师具有信息资源优势。鉴于我国资本市场并不是很成熟且证券分析师的能力有限，上述结论是否在我国成立具有较大的现实意义
问题一：证券分析师作出的盈余预测与统计模型相比哪个更为准确？
虽然大多数研究表明分析师盈利预测较统计模型预测准确，但这并未就此否定统计模型预测的价值。不少研究者(Cheng、Fan&So，2003；Conroy& Harris，1987；Newbold、Zumwalt＆Kannan，1987)指出，分析师盈利预测并不能提供完整的预测信息，最理想的状态是分析师在盈利预测时能结合使用统计模型，由此可能获得更准确的预测数据。目前，我国还没有这方面的研究，如果证券分析师预测和统计模型预测的结合能够提高盈余预测的准确性，那无疑将提高投资者对上市公司更为准确的认识。
问题二：将证券分析师和统计模型相结合的改进模型是否能更有效地预测每股盈余？
三、研究设计
（一）样本选择
本文的证券分析师盈余预测数据及上市公司实际盈余数据均来自国泰安经济研究服务中心，我们选取了数据库中2009.1~2010.3所有券商对上市公司2009年12月31日每股盈余所作的预测数据，及1991~2009年上市公司的实际每股盈余数据。因为国泰安数据库中只记录了分析师对438个上市公司的盈余预测数据，所以我们只选取了这些公司的实际盈余数据，并且对于同一券商对同一公司的多次预测，我们只选取最后一次预测的数据，一共得到3776次。
（二）证券分析师与统计模型的准确性比较
这里的统计模型我们选用一次指数平滑法，并以年度数据和季度数据分别来预测2009年12月31日的每股盈余，称为年度统计模型和季度统计模型。
证券分析师与统计模型的相对准确性用证券分析师预测盈余的误差绝对值和统计模型预测盈余的误差绝对值的差值来表示，即RR=TFtf-AFaf。
其中AFaf是证券分析师盈余预测的绝对误差，AFaf=Aaf-RE，TFtf为统计模型盈余预测的绝对误差，公式为TFtf= Ttf-RE，RE为实际盈余。
由上述模型可知，当RR大于零时，统计模型的绝对误差大于证券分析师预测的绝对误差，即证券分析师的预测更为准确；当RR小于零时，证券分析师预测的绝对误差大于统计模型的绝对误差，即此时统计模型预测更为准确。在判定RR的正负性时，用T检验来测试其正负性的显著性。
（三）改进模型的准确性检验
我们将改进模型定义为证券分析师和统计模型的均值，即改进模型的预测值为Ggf=，则其绝对误差为GFgf=Ggf-RE。在检验模型的准确性时，我们依旧用两种模型（改进模型与上述表现最好的模型）的绝对误差的差值来判定。
由于存在年度模型和季度模型，所以这里的改进模型也有基于年度数据的年度改进模型和基于季度数据的季度改进模型。
四、实证分析
（一）数据描述
本文采用的预测数据来自国泰安经济服务中心，是99家券商对439家上市公司的每股盈余作出的预测，一共涉及3776次预测。
由于上市公司2009年的年度财务报表一般在次年4月份公布，所以我们选择盈余预测数据的区间为2009年1月份至2010年3月份，并且对于同一券商对同一上市公司作出的多次预测，我们只选取最后一次的数据。对15个月份的预测数据统计如表一。由表数据可知随着时间的推迟，分析师预测的平均误差越来越小，即准确性越来越高。这是因为随着会计截止日的到来，市场上的信息会越来越多，如季报、半年报的公布等，且证券分析师除了能获得市场上的公开信息外，还能通过所特有的渠道获得越来越多的私有信息，并根据信息及时修正前期的预测数据，使预测值更接近实际值。
（二）证券分析师与统计模型的准确性比较
关于证券分析师与统计模型预测的准确性比较，我们先将三个模型的绝对误差进行统计描述，如表二。由表数据可知，年度统计模型的绝对误差均值0.252远远大于分析师模型的绝对误差均值0.1392，且其标准差和中位数也大于分析师模型，表明年度统计模型的绝对误差分布较分析师预测的绝对误差分布分散。而基于季度数据预测的绝对误差均值0.1742虽然比分析师预测的绝对误差均值0.1392大，但其标准差较分析师模型的小，表明季度统计模型的绝对预测误差虽然大，但误差分布集中。对于年度统计模型和季度统计模型，不管从均值、中位数还是标准差的角度，季度统计模型都要优于年度统计模型。
要比较证券分析师与统计模型的相对准确性，我们还要对RR进行统计描述，看其是否显著大于零或小于零，结果如表三。表中的T检验是在a=0.1水平上的单侧检验。由结果知，RR1无论在均值还是中位数上，都显著大于零，表明年度统计模型的绝对误差显著大于分析师预测的绝对误差。而基于季度数据的RR2的均值和中位数也显著大于零，但由于其在均值和中位数上都比RR1有所减小，所以虽然季度统计模型的绝对误差显著大于分析师预测的绝对误差，但分析师预测在这儿的优势比与年度统计模型的优势小。
其中RR1表示的是年度统计模型与分析师模型的绝对误差的差值，RR2表示季度统计模型与分析师模型的绝对误差的差值。
（三）改进模型的准确性检验
这里的改进模型也分为两类，一是基于年度统计模型和分析师模型的年度改进模型，二是基于季度统计模型和分析师模型的季度改进模型。我们先对改进模型的绝对误差进行统计描述，并分别与分析师模型和统计模型进行比较，结果见表四。年度改进模型的均值和标准差相对于年度统计模型已大大减小，但相对于分析师模型还是未能超越。而季度改进模型在均值、标准差和中位数上都小于分析师模型和季度统计模型，作为改进模型，季度改进模型比年度改进模型更优。
由上文分析可知，分析师模型预测的准确性高于年度统计模型和季度统计模型，所以接下来我们要分析年度改进模型与分析师模型、季度改进模型与分析师模型的相对准确性，RR3、RR4的统计描述结果如表五。T检验是a=0.1水平上的单侧检验。可知AA3中的均值和中位数显著大于零，表明年度改进模型的绝对误差显著大于分析师模型的绝对误差，即分析师预测的准确性显著高于年度改进模型。而RR4中的均值和中位数显著小于零，表明季度改进模型的绝对误差显著小于分析师预测的绝对误差，即季度改进模型显著优于分析师预测模型。
其中RR3是年度改进模型的绝对误差与分析师模型的绝对误差的差值，RR4是季度改进模型的绝对误差与分析师模型的绝对误差的差值。
总的来说，在我们的研究样本中，证券分析师盈余预测的优势是存在的，但只是相对于一个简单的统计模型而言，如果将分析师的预测和统计模型的预测结合起来（如本文中的简单均值），就可能得到能击败分析师和统计模型的改进模型，这对证券行业中如何提高证券分析师盈余预测准确性具有实际意义。
五、结论与启示
本文使用2009.1~2010.3年99家券商对438家上市公司作出的3776次盈余预测，考察了证券分析师的盈余预测是否优于统计模型的预测，即证券分析师预测的相对优势，且建立了结合证券分析师和统计模型的简单改进模型，并检验了其相对准确性。结果表明，我国证券分析师的预测显著优于统计模型的预测，其中以季度数据为基础的季度统计模型又优于以年度数据为基础的年度统计模型。并且，结合证券分析师和季度统计模型的简单改进模型的预测误差显著小于证券分析师的预测误差。
本文的研究结论对证券分析师和投资者有一定的借鉴意义。证券分析师除提高自身的预测能力外，还需要结合统计模型以弥补本身主观因素所造成的影响。对于投资者，本文的建议是正确对待证券分析师等所的预测报告，理性判断，不能盲目以此为准。
本文的研究还有很多不足的地方，如在选取统计模型时，只选择了一次指数平滑法这一种模型，并且在改进模型时只讨论了简单均值。在以后的研究中，关于统计模型还可选择随机游走、二次指数平滑等模型，在改进模型时也可赋予证券分析师预测和统计模型预测不同的权重。
虽然国外在证券分析师预测方面已有很多的研究，但毕竟国内的资本环境和发展进度与国外有一定的差异性，所以我们不能照搬国外的研究成果，而是应该结合国外研究成果和国内实际情况进行实证研究。
参考文献：
[1]Robert Conroy and Robert Harris,Consensus Forecasts of Corporate Earnings:Analysts' Forecasts and Time Series Methods,Management Science,Vol.33.No.6,June 1987
[2]Salvatore.J.Terregrossa,Combining Analysts'Forecasts with Causal Model Forecasts of Earnings Growth,Applied Financial Economics, 1999, 9, 143-153
[3]Newbold,P,J.K.Zumwalt and S.Kannan,bining Forecasts to Improve Earnings Per Share Prediction.Internatinal Journal of Forecasting 3:229-238
[4]朱乃平 孔玉生，国内外盈利预测研究综述，商业现代化，2006.2
关键词 灰色理论；负荷预测；灰色预测；基本理论
中图分类号：TM715 文献标识码：A 文章编号：1671-7597（2014）20-0175-01
1 负荷预测的目的和意义
电力系统的重要工作之一，就是负荷预测。其预测的准确与否对于电力市场的建立具有重要的意义，这主要表现在如下几个方面：：1）准确的负荷预测是电力系统经济运行的主要依据。它可以使调度部门经济地安排、调整机组运行方式和电网购电计划等。2）准确的负荷预测是电力系统安全分析的基础。它可使安全分析得出的结论更接近真实，及时发现系统临界状态，确保电力系统运行的安全性和稳定性。3）准确的负荷预测是合理安排电网运行的基本要求。为了确保电网的可靠性运行，各种发电设备和供电设备都要在运行一段时间后检修，而准确的负荷预测可以使调度部门合理安排设备检修和机组的启停，以充分保证发电备用容量的充足和电网运行环境的可靠。通过上面的论述可知，对于电厂内部发电机组的经济合理的投入和停用，始终保持电网安全可靠地运行，降低不必要的并网容量，检修计划的合理安排，发电成本的降低，经济效益的提高和社会的稳步发展，电力负荷的准确预测都是至关重要的。
2 国内外对于电力负荷研究的现状
电力负荷的预测是近几十年发展起来的科学预测技术，这种负荷预测的技术在国外开始研究的较早。并且在实际的工作当中，将这种技术逐步的应用。通过漫长的认识过程，我国才开始重视负荷预测。在新的市场体制下，电力网高速的发展推动下，迫使负荷预测被提到了一个新的高度。多年以来，无论是国内学术界，还是国外学术界，都对电力系统的负荷预测进行了大量而充分的研究。截止到目前，已经有上百种方法被提出用于负荷预测。但是，大多数还处于研究阶段，并未得到实际的应用。
从20世纪六、七十年代开始至今，对于负荷预测，大体上可以分成两个阶段：第一个阶段，这一个阶段，还在沿用传统的方法进行负荷预测。也就是，在这个阶段，沿用了在经济领域使用的预测技术。对于负荷序列本身的规律的研究，是这一阶段研究的重点。通过对负荷的历史状况与其他相关因素之间的关系，完善并建立了统计模型。在第一阶段中，使用的预测方法主要有以下几种：回归分析法、时间序列法、趋势外推法。第二个阶段，在这个阶段，一些智能化的预测手段被提出，如：通过建立专家系统模型，人工神经网络模型等，对负荷进行预测。与此同时，灰色系统理论、非线性系统理论、小波分析理论等技术方法被提出。
3 灰色系统的基本理论
使用电力负荷的历史数值和现在数值，来预测出未来数值，是负荷预测的一大特点。因此，研究人员需要通过科学合理的预测手段，才能对所研究的随机不确定事件做出准确地分析预测，进而获得负荷的未来发展趋势及可能出现的状况。但是，对于电力负荷的未来，其发展又是不确定的，一定会受到来自各个方面的影响，例如：人类的生产活动，复杂多变的气候等等。并且，来自各个方面的影响又不是确定不变的，是在时刻变化发展的，无形当中又增加了预测的难度。对于复杂多变的外部影响，有些是人们根据经验可以预先判断的，而有些是无法预见到的，再有一些临时的突况，就会直接影响到预测的准确性。作为一门新兴的科学预测手段，灰色理论是通过对不完全确知的信息进行研究，通过对现在已经掌握的部分信息进行提取，整理，生成有价值的信息，从而形成对未来发展的有效控制。介于黑色系统和白色系统之间的系统，既是灰色系统。而信息不完全的系统是，对于信息只是掌握了一部分的系统。严格意义上来说，相对于黑色系统与白色系统，灰色系统是绝对的。相应的，我们可以使用“黑”和“白”来分别表示信息的未知和信息的完全明确，使用“灰”来表示一部分信息已知，一部分信息未知。所以，可以对于信息不知的系统定义为黑色系统，对于信息已知的系统定义为白色系统，一部分信息已知、一部分未知的系统定义为灰色系统。由此可知，灰色系统的一大特征就是信息的不完全性。灰色系统理论又与数据统计有根本上的区别，前者是对于未来科学规律的研讨，而后者是对于历史规律的研讨。灰色系统理论又与模糊数学存在本质区别，在于对内涵和外延处理的方式不同。前者体现在着重外延的明确性，后者体现在着重内涵的明确性上。从分析的手段上来看，灰色系统又与传统的方法一致，即整体化、优化、模型化原则。灰色系统分析法较比传统的数理统计又存在几大优点：对于不确定量，使之量化，利用灰色数学来处理不确定量，使之量化，进而知道事物在任何时刻的运动规律；不是把对数据的观测过程作为研究手段，而是通过累加或者累减来使变化的灰色量逐渐白化作为预测手段。从以上所介绍的负荷预测理论相关知识可以看出，不确定因素始终贯穿于整个灰色预测的全过程，同时也受到来自外界的不断变化的诸多因素的影响。据此，由于误差的存在，无论使用哪一种预测的方法，都直接影响到预测的准确性，误差小，能够达到高准确性，误差大，就会降低准确性。
4 灰色预测在短期和中长期负荷预测中的意义
作为电力部门，负荷预测是一项常规的日常工作。无论对于用户来说，还是对于电力企业本身来说，预测结果的准确与否，都直接关系到用户或者企业的利益。正确的预测电力负荷，既能保证为人民日常生活提供充足的电力，也为全国电力规划的编制提供了充分的依据。综上，准确的电力负荷预测，既能保证工业的正常运作，又能促进国民经济的快速发展。
5 结论
目前，负荷预测从开始的研究提出，到现在的广泛应用，至今仍在发展。至今，从负荷预测的方法、负荷预测的技术，以及分析思路上都在继续不断创新。同时，也是指导我们进行负荷预测研究的指南针。
参考文献
关键词：煤与瓦斯突出;预警系统;灰色关联;模糊聚类
我国煤炭资源开采矿井多属井工矿井，且井下地质条件复杂，在煤矿生产过程中频遇水、火、瓦斯、粉尘等灾害因素的影响和威胁。随着开采煤层的逐步加深和强度的逐步加大，开采条件越来越复杂，煤岩动力灾害如煤与瓦斯突出等问题凸显，安全形势日益加重，因此加强煤与瓦斯突出预测研究工作对确保煤矿安全生产有很高的重要性和必要性[1]。然而在煤与瓦斯突出预测过程中，整理和分析大量数据和指标任务繁重，且需要构建预测模型算法进行数据分析计算，无形中增加的预测工作的繁重性和出错率。
1 系统总体设计与各部分功能设计
本预警系统总体思路为对煤与瓦斯突出机理进行理论分析，选取影响煤与瓦斯突出的主要因素，并现场测量大量的数据指标，通过建立灰色关联模型算法对影响煤与瓦斯突出的主要指标的影响程度进行排序后，构建模糊聚类预测模型算法，运用现场数据进行学习训练，得出预测结果。
该系统的主要功能模块包括预测指标管理、样本管理、突出预警、用户管理以及综合查询等五个方面，预测指标管理主要实现煤与瓦斯突出预测指标的录入、查询、删除、修改等功能;样本管理模块主要实现数据样本的录入、查询、删除、修改等功能，并可实现大量数据的EXCEL导入以及表格预览功能;突出预警模块根据用户输入的突出预测指标和样本数据进行分析计算，进行煤与瓦斯突出预测，并根据预测结果给出专家建议，专家建议根据突出预测的不同数据对应给出相应的处理措施;用户管理模块包括用户基本信息注册、用户名及密码的注册及修改、用户权限管理等。综合查询对预测指标、数据样本、突出预测记录以及用户信息、用户权限等进行综合全面查询。
2 系统算法模型构建
2.1 基于灰关联的预测指标优选
经理论研究并结合煤矿现场实际经验得出以下规律：第一，突出危险性与煤层埋深、煤层厚度有一定关系，煤层埋藏越突出深危险性越大，煤层厚度越厚突出深危险性越大。第二，瓦斯压力越大突出危险性越大。第三，地质构造越复杂，突出危险性越大。第四，煤的坚固性系数越低，突出危险性越大[2]。结合以上规律，从所有的影响因素中选定构造类型、瓦斯压力、瓦斯放散系数、煤的坚固性系数、综合指标K五个较为重要的影响指标进行计算预测。
以某煤矿的现场情况以及实测数据为数据基础，使用灰色关联预测算法对以上指标进行危险性影响程度排序，上述5项指标中，煤的坚固性系数f值越小，突出危险性越大，成反比关系，因此将煤的F值指标序列求倒数化像。求初值像、两极差并运用计算关联系数运用（i=1，2，3，…，6）计算各项指标关联度，得出各项预测指标关联度。得出瓦斯压力0.9631、瓦斯放散系数0.9162、煤的坚固性系数0.9808、构造类型0.9840、综合指标D0.8231，根据各项指标的关联度进行排列。
2.2 模糊聚类法构建突出预测模型
根据灰色关联度分析，选定影响性较大的煤的坚固性系数、瓦斯压力、构造类型、瓦斯放散系数、综合指标D四个指标作为预测因素构建模糊聚类算法，设论域U={x1，x2，……，x10}为样本集，每个样本包括煤的坚固性系数、瓦斯压力、构造类型、瓦斯放散系数、综合指标D四个样本特征，并运用极差变换法，对数据进行标准化处理，变换之后的数据为大于等于0小于等于1的小数[3]。运用绝对值指数法公式：把地质构造指标权重加大之后的绝对值指数法的公式[4]可表示为：。计算出相似矩阵之后运用平方法计算传递闭包。通过等价矩阵可计算出聚类结果[5]。
3 系统开发
3.1 系统的设计目标
通过系统录入煤与瓦斯突出预测指标的已知样本和预测样本，系统采用灰色关联分析程序进行指标优选，并通过模糊聚类程序进行突出预测。
3.2 系统架构确定
C/S模式客户端能处理部分事务，分担服务器任务量，使系统具有高效的处理速度，且煤与瓦斯突出预警系统主要为煤矿工作人员使用，使用地点较为固定和集中，不会因为距离远而造成任何的麻烦。所以为使用系统简单高效、易维护 [6]。
4 结论
本文设计的煤与瓦斯突出预测软件主要通过灰关联指标优选算法和模糊聚类预测算法实现，将两种算法有效结合使用，将大大增加预测的准确性。软件由用户登录及主界面模块、样本管理模块、煤与瓦斯突出预测模块、查询模块、用户管理模块和系统说明模块组成，充分体现出人性化和个性化设计原则，在指标录入模块、样本录入模块、样本修改模块、指标优选模块、模糊聚类模块和指标设置模块等都给用户提供不少人性化和个性化功能，让用户可以自由选择数据、样本、指标的录入方式，将常用的预测指标名称加入数据库中，录入数据后系统自动进行分析计算并给出预测结果，无须每次手工大量录入和复杂计算，极大减轻了突出预测的工作量。
参考文献：
[1]周世宁，林伯泉.煤层瓦斯赋存与流动理论[M].北京：煤炭工业出版社，1999：69-71.
[2]国家安全生产监督管理总局.防治煤与瓦斯突出规定[S].北京：煤炭工业出版社，2009.
[3]何学秋.含瓦斯煤岩流变动力学[M].徐州：中国矿业大学出版社，1995：14-16.
[4]王凯，愈启香.煤与瓦斯突出的非线性特征及预测模型[M].徐州：中国矿业大学出版社，2005：111-113.
[5]张子敏，张玉贵.瓦斯地质学[M].徐州：中国矿业大学出版社，2009：38-48.
【关键词】GM（1，1） 灰色马尔科夫预测
一、预测目的
旅游业是第三产业中的朝阳产业，它与经济的发展具有密切的关系。从理论上讲，旅游业并不能增加和创造社会财富，它只是通过旅游者的旅游消费，使社会财富在不同地区，不同行业中进行再分配。但旅游可以将客源地的社会财富转移到接待地，对于一个地区讲，这种它的社会财富的流入，无疑是一种经济“流入”，它不仅带来巨额创汇，更会促进一个地区经济的发展。能够准确预测山东省2011年旅游人次，对有关部门提供相关问题的决策依据有重要作用。
二、预测内容
通过对2001年到2010年山东省入境旅游人数的分析，除2003年受非典影响旅游人数下跌之外，山东省的旅游人数呈逐年递增趋势。通过灰色分析法可以预测出2011年的山东省入境旅游人数。
三、预测方法选择与介绍
灰色预测是就灰色系统所做的预测。所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统，其具体的含义是：如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰色系统。一般地说，社会系统、经济系统、生态系统都是灰色系统。例如物价系统，导致物价上涨的因素很多，但已知的却不多，因此对物价这一灰色系统的预测可以用灰色预测方法。
灰色系统理论认为对既含有已知信息又含有未知或非确定信息的系统进行预测，就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此这一数据集合具备潜在的规律，灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。
灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某一特征量的时间。
四、预测数据来源
五、预测模型及参数估计
求解微分方程，即可得预测模型
（二）模型检验
灰色预测检验一般有残差检验、关联度检验和后验差检验。
（1）残差检验
按预测模型计算累减生成
计算原始序列与
绝对误差序列及相对误差序列
（2）关联度检验
根据前面所述关联度的计算方法算出与原始序列 的关联系数，然后计算出关联度，根据经验，当ρ=0.5时，关联度r大于0.6便满意了。
（3）后验差检验
1.计算原始序列标准差：
2. 计算绝对误差序列的标准差：
3. 计算方差比：
4. 计算小误差概率：
（三）预测及检验
分别将2001—2010山东省旅游人次统计表表中的数据输入以MATLAB编写的灰色模型预测软件中，建立GM（1，1）模型。由此来预测2011年山东省旅游人数，通过编程可以得到结果
由于C0.95，所以模型精度为良好。
由运行结果得出
所以预测出的2011年的旅游人数是448.4619万人。
六、结论及对策
对MATLAB语言的准确应用大大简化了运算过程，可以比较容易的得出发展灰数α，内生控制灰数μ。方差比C与小误差概率P，以此构建的GM（1，1）模型根据山东省2001-2010旅游人数的历史数据来预测2011年的旅游人数，得到的预测值准确性好，拟合度高，运用同样的方法可以对现代经济管理中的诸多问题进行预测在一定预测时段内具有良好的预测度和实用性，对有关部门提供相关问题的决策依据还是非常有帮助的。
随着旅游人数的不断增长，政府应抓住这一机遇，大力发展旅游业，维护景点风貌，利用这强力增长的第三产业拉动经济发展。
1、加强旅游资源开发，在保持自然景观完好的同时加强旅游资源配套设施建设；2、加强对旅游行业的管理，避免恶性竞争和旅游质量恶化；3、增强市场观念，针对国际、国内旅游市场动态，抓住机遇，开展多方位、多层次、多渠道的旅游宣传促销活动；4、大力开发旅游商品，吸引游客购买；5、促成民航、铁路、交通部门与旅游部门密切配合做好旅游旺季游客运输工作。
参考文献
[1] 邓聚龙.灰色系统基本方法[M].武汉：华中理工大学出版社出版，1988.
[2]曹定爱，张顺明.累积法引论[M].北京：科学出版社，1999.
[3]何勇，鲍一丹.灰色马尔柯夫预测模型及其应用[J].系统工程理论与实践，1992（04）.
[4]蒋承仪.灰色马尔柯夫预测模型[J].重庆建筑大学学报，1996，18（03）.
[5]王美岚.灰色模型参数辨识的新方法[J].烟台师范学院学报（自然科学版），2002，18（03）.
关键词：云计算；演化博弈；分布式入侵检测；趋势预测
中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2016）10-0178-03
Abstract： For the lack of distributed IDS behavior analysis method in cloud computing environment， this paper proposes a model based on evolutionary game theory for distributed IDS in cloud behavior analysis and prediction， depict strategy selection trend of participator behavior with replicator dynamics equation， describe convergence trend of dynamic situation with evolutionary stable strategy， and analyse the effect on IDS behavior on different profit and loss condition. Then the paper gives out a reasonable security management suggestion for manager consider. Finally， an experiment is designed over analysis for the model to show the effectiveness of the proposed method.
Key words： cloud computing； evolutionary game； distributed intrusion detection system； trend prediction
1 概述
近年来，随着云计算的蓬勃发展，云计算的新技术、新应用正慢慢延伸到人们的日常工作和生活中，发挥着越来越重要的作用。云计算技术的进步在给人们带来方便和好处的同时，也对人们的信息安全工作提出了新的要求。云计算环境下的安全技术主要包括云资源访问控制、密文处理、数据可用性、隐私保护、虚拟安全技术等[1]。其中，对云资源的访问控制的研究仍然是一大研究热点。学者们对云资源访问控制的研究主要包括安全审计、等级保护、访问控制、入侵检测、信任评估等。其中，入侵检测技术以其主动性、全面性、智能性等优势备受青睐。然而，随着云环境的异构性与复杂性不断增强，传统网络下的入侵检测技术方案并不再能很好适应云计算日趋智能化、系统化、综合化的环境。
针对云环境日益扩大化、复杂化以及单一设备的负载过于集中等问题，学者们纷纷提出适用于云环境下的新型入侵检测模型：Dermott等[2]提出一种基于DS证据理论的协作式跨域云入侵检测系统，Akramifard等[3]则从用户行为模式分类的角度出发，提出一种基于多级模糊神经网的云入侵检测系统。其中，云环境下的分布式入侵检测系统以其独立性、灵活性、可扩展性、错误扩散小、协作性等[4]的优势越来越受到学者们的关注。Li、Kumar等[5-6]提出了一种基于云理论的分布式入侵检测系统，Li[7]提出了一种基于人工神经网的云分布式入侵检测系统，Zhang等[8]提出了一种基于粗糙集的云分布式入侵检测系统。
虽然学者们在云环境下的入侵检测技术研究做了较多工作，但很少有学者对云分布式入侵检测系统行为趋势分析、系统行为发展预测进行深入研究。本文将演化博弈理论应用于云环境下的分布式入侵检测系统行为趋势分析预测，从参与人有限理性的立场出发，提出一种基于演化博弈理论的云分布式入侵检测系统行为分析预测模型，分析讨论不同损益条件对检测系统行为的影响，得出合理的安全管理方案。最后，通过实验验证该模型的理论以及预测结果的正确性。
2 基于演化博弈理论的行为分析预测模型
本文将全部云分布式入侵检测系统看作一个种群，云中的所有分布式入侵检测系统个体是该种群的个体。各个检测系统彼此独立、对等，通过相互之间交换信息，并结合自身现状，作出是否协同工作的决定。种群中有不同比例的群体选取特定行动，将采用不同行动的入侵检测系统抽象成不同“类型”的博弈方，“类型”会随着博弈方策略而改变。执行特定行动的种群个体随机配对，组成参与人组合，也即不同策略选取组合的搭配。
3 基于演化博弈模型的云入侵检测系统行为预测
模型中的入侵检测系统作为思维有限理性的角色，对所处环境、信息并不能做到全完掌握，或可能由于自身原因做出错误决策，使得博弈结果不能总达到最佳。
从检测系统博弈的复制动态方程的鞍点来看，由于，复制动态具备稳健性的演化趋向为和，和都是稳定的演化趋向，也都是检测系统可能的策略选择。若C为定值，当协同工作带来的额外收益（G）与规避风险的保守工作带来的收益（H）之差越大，值越偏向于0，部分面积越大，代表检测系统选取协同工作策略的概率越大；相反，若部分为定值，若协同工作的成本（C）越大，值越偏向于1，代表检测系统拒绝协作、单干的概率越大。例如一般的基础设施即服务（IaaS）设备协同工作的成本（C）一般都不会改变，为提高检测系统协同工作的概率，可尝试减少回避协作带来的收益，或增大协同工作带来的额外收益，以保证云服务设备能够得到更大的保障。
4 实验分析
4.1 数据设定与模拟
本文对模型中的变量进行赋值：取H=10；G=6；C=3，实验结果如图3所示。
4.2 实验结果分析
图3描绘出了随着云入侵检测系统之间的长期博弈过程的进行，检测系统之间博弈策略选取趋势的总体相位图。由图中可观察到，检测系统存在协作与独立工作的可能，如前文分析，即便选择协作的检测系统数量高达70%，也会渐渐趋向于选择独立工作。此时若依前文结论，将协同工作的成本（C）减小为1.9，检测系统之间策略选取趋势的相位图将如图4所示，检测系统独立工作的可能性减少，而与其他检测系统协同工作的可能性增大，由此说明减小检测系统协同工作成本确实有助于增大检测系统协同工作的可能，从而验证了前文的结论。同理将回避收益（H）减少时也将有同样效果。
5 结束语
本文应用基于过程分析的演化博弈理论提出一种云分布式入侵检测系统行为分析预测博弈模型，这种有限理性的演化博弈更符合现实客观条件，通过归纳检测系统的策略收敛方向，以及不同损益对检测系统行为策略趋势造成的影响，实现了对系统的安全分析，为安全方案规划提供参考依据。通过实验验证了该方法的理论，以及预测结果的正确性。然而，由于演化稳定策略本身存在无法描述系统受到随机效应影响时的长期稳态的局限，博弈模型本身还有待完善，未来进一步的工作将研究可应对随机性问题的安全分析演化博弈模型，使分析的结论更准确完善。
参考文献：
[1] 冯登国， 张敏， 张妍， 等. 云计算安全研究[J]. 软件学报， 2011， 22（1）：71-83.
[2] ?ine MacDermott， Qi Shi， Kashif Kifayat. Collaborative Intrusion Detection in Federated Cloud Environments[J]. Journal of Computer Sciences and Applications， 2015， 3（3A）： 10-20.
[3] Akramifard H， Mohammad Khanli L， Balafar M A，et al. Intrusion Detection in the Cloud Environment Using Multi-Level Fuzzy Neural Networks[C]//Proceedings of the International Conference on Security and Management （SAM）. The Steering Committee of The World Congress in Computer Science， Computer Engineering and Applied Computing （WorldComp）， 2015： 75.
[4] 马恒太， 蒋建春， 陈伟锋. 基于Agent的分布式入侵检测系统模型[J].软件学报， 2000， 11（10）：1312-1319.
[5] Han Li， Qiu-xin Wu. A Distributed Intrusion Detection Model based on Cloud Theory[C]//Cloud Computing and Intelligent Systems （CCIS）， 2012 IEEE 2nd International Conference on. IEEE， 2012， 1： 435-439.
[6] Manish Kumar. Distributed Intrusion Detection System Scalability Enhancement using Cloud Computing[J]. Computer Science & Telecommunications， 2014， 41（1）.
[7] Zhe Li. A Neural Network based Distributed Intrusion Detection System on Cloud Platform[D]. The University of Toledo. 2013.
关键词：挠度变形预测、灰色理论模型、灰色预测模型
中图分类号：K928文献标识码： A 文章编号：
引言
连续刚构桥施工过程中挠度的变形是一种由多种因素引起的复杂问题,由于非常复杂，人们不能够准确的进行度量，因此它们被看做是一种灰色量，这样就可以利用灰色系统控制理论来认识变形规律，进而预测挠度变形的趋势。
由于工程的进度要求和项目资金限制，桥梁在施工过程中能够获得的数据比较少，而灰色理论模型恰好适于在数据量少或不确定的情形下建模，且其预测效果良好，因此，在实际的挠度变形预测过程中，灰色理论模型是一种优先选择。
高精度且及时的测量梁段的挠度变形，并以实测得到的挠度变形预测出未施工梁段的挠度变形以便实时地指导施工放样，这在大跨度混凝土连续钢构桥梁的施工过程中起着十分重要的作用，直接影响桥梁施工的成功与否和成桥质量，因此有必要对施工桥梁挠度变形预测有一个系统的流程化方法，本文即是基于这一目标的。
挠度变形预测模型
在预测挠度变形时，不仅可以使用各种不同的数学模型，还可以采用系统论、信息论、控制论等学科的方法。根据系统论的方法，针对变形体系统，一般有两种建模方法：一种是列写动力学相关方程来建模，另一种就是输入输出建模。
因为动力学方程的建模方法涉及到分析受力和变形方面的问题，这些力学问题对于测量人员来说比较困难，所以工程上一般是采用的输入输出建模方法。本文着重讨论了在数据量少的情形下对挠度预测有着突出表现的灰色系统理论模型的建模方法和具体预测流程。
灰色模型的建立
因为预应力混凝土连续刚构桥在悬臂施工的每个阶段，其梁端的挠度都会变化。利用施工过程中每个工况作用前后梁段位移的实测值和理论值就能够建立灰色预测模型来预测下阶段的挠度变形。
设混凝土浇注前后，梁段竖向位移的理论值与实测值分别是、。预应力张拉前后，梁段竖向位移的理论值与实测值分别是、。在混凝土浇注后挂篮变形的理论值和实测值则分别是、(、、、、、都取正值，在随后的计算中通过加减来表示其具体变形的方向)。本文利用每个工况作用前后梁段位移的实测值和理论值的三种不同组合方式作为原始数据序列来建立灰色预测模型，具体如下：
2.1 灰色模型原始数据一
该模型使用每一工况作用下梁段的竖向位移实测值来建模，然后采用所建立的灰色模型来对下一梁端在各施工工况作用下的竖向位移值进行预测。灰色模型的原始数据序列如下: (1)
2.2 灰色模型原始数据二
该模型是以每一工况作用下梁段竖向位移的理论值与实测值的比值作为原始数据序列。该灰色模型的原始数据序列如下：
(2)
2.3 灰色模型原始数据三
模型以每一工况作用后梁段竖向位移的实测值与理论值的差值作为原始数据序列, 该灰色模型的原始数据序列如下所示：
(3)
2.4 利用灰色模型原始数据建立灰色预测控制模型GM(1, 1)
2.4.1生成累加数列
设灰色模型的原始数据序列如下：
(4)
经一次累加后生成新的数列如下：
(5)
其中 (6)
通过数据累加生成的方式来弱化原始数据列被噪音污染的随机性,从而增强了原始数据的内在规律性。
2.4.2建立GM(1,1)模型
设满足如下的一阶单变量常微分方程：
(7)
（7）式中，a是常系数, u则视为对系统的常输入。上述微分方程的解为：
(8)
灰色建模是根据式(4)中的数据序列值，然后采用最小二乘法估计a与u，公式如下：
(9)
根据(8)式即可得出GM(1, 1)的预测模型：
(10)
2.4.3求下一时刻预测值
是一次累加所得的生成量,需经过累减过程还原成实际预测量：
(11)
(12)
灰色预测模型应用实例
分别运用2.1,2.2,2.3中三个模型的原始数据序列来预测下一梁端在各施工工况作用下的竖向位移值。
梁段挠度变形在桥梁最初的施工过程中是很小的，那么理论值和实测值误差就相应较小，随着施工梁段的增加，误差慢慢变大后就需要对变形进行灰色预测。桥梁现在的施工状态为某大跨径预应力混凝土连续钢构桥已经完成了19号梁段的施工，准备安装20号梁段。选取15-19梁段相关测量数据：15-19梁段在混凝土浇注前后其竖向位移的理论值为（3.3,5.4,7.0,8.8,11.0）（单位为毫米，下同），实测值为（2.0,7.0,3.0,5.0,10.0）, 张拉预应力前后竖向位移理论值为（5.1,6.6,8.1,9.7,11.5）,实测值为（3.0,5.0,7.0,6.0,8.0）,混凝土浇筑后挂篮变形的理论值为（19.0,22.7,22.0,21.3,20.7），实测值为（13.0,16.0,20.0,18.0,18.0），在灰色建模的过程中，为了加强原始数据的规律性，通常需要对原始数据序列进行滑动平均处理以形成新的更具规律性的数据序列，本文4.2节将以滑动平均处理前后数据对比图定性说明对原始数据进行滑动平均处理的优越性，本文第3节有关计算将定量说明对原始数据进行滑动平均处理可以有效提高预测精度。
以2.1中灰色模型原始数据一为原始数据进行灰色建模如下：
3.1.1 首先对混凝土浇注前后梁段挠度进行分析计算得
3.1.1.1 未对原始数据进行滑动平均处理的情况：
由2.4中灰色预测模型建模过程计算得到：模型计算得到的生成数据序列为（2,6.09,11.26,17.82,26.12），实际的累加生成值序列为（2,9,12,17,27）,残差的数据序列为（0,2.91,0.74,-0.82,0.88）,相对误差表达式为，其数据序列为（0.00％,32.35％,6.13％,-4.82％,3.27％），模型计算所得到的还原数据序列为（2,4.09,5.18,6.55,8.30），实际数据的序列为（2,7,3,5,10）,残差表达式为，所得数据序列为（0,2.91,-2.18,-1.55,1.70）,相对误差，其数据序列为（0.00％,41.35％,-72.55％,-31.08％,17.02％），残差检验所得到的模型精度Q1=100％-avg（）=88.36％，Q0=100％-avg（）=59.44％，然后进行后验差检验：由==5.4，==0.18,，，可得均方差比值为C==0.67，小误差概率的表达式是是，可知p=0,知其模型精度的等级为四级（精度为一级时，；精度为二级时，；精度为三级时，；精度为四级时，。模型最终精度为均方差比值和小误差概率所处等级中较低的等级），20梁段混凝土浇注前后挠度预测值为10.51。
3.1.1.2 对原始数据进行滑动平均处理的情况
本文选取的处理方式是三点滑动平均法，即处理后的数据为：
，
其中两头的数据分别为：
因此对原始数据进行滑动平均处理后得到的原始数据序列变为（3.25,4.75,4.5,5.75,8.75）,同样由2.4中灰色预测模型建模过程及3.1.1.1中步骤计算得到：残差检验所得到的模型精度为Q1=95.77％，Q0=88.46％，后验差检验均方差比值为C=0.31，小误差概率是p=1.00,模型精度的等级为一级，20梁段混凝土浇注前后梁段竖向位移预测值为10.40。
3.1.2 按同样的计算方法（即以下数值均由由2.4中灰色预测模型建模过程及3.1.1.1中步骤计算得出），可得到张拉预应力前后挠度预测结果为：
3.1.2.1 未对原始数据进行滑动平均处理
计算得到：Q1=97.60％，Q0=90.54％，为C=0.35， p=1,模型精度的等级为一级，20梁段张拉预应力前后挠度预测值为8.74,。
3.1.2.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（3.5,5,6.25,6.75,7.5）,计算得到： Q1=99.00％，Q0=97.06％，C=0.13， p=1,模型的精度等级为一级，20梁段张拉预应力前后挠度预测值为8.58。
3.1.3按同样的计算方法，可得到混凝土浇筑后挂篮变形预测结果为：
3.1.3.1 未对原始数据进行滑动平均处理
计算得到：Q1=98.16％，Q0=93.96％，C=0.51， p=0,模型的精度等级为四级，20梁段混凝土浇筑后挂篮变形预测值为18.98。
3.1.3.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（13.75,16.25,18.5,18.5,18）,计算得到：Q1=99.04％，Q0=96.07％，C=0.35， p=1,模型的精度等级为二级，20梁段混凝土浇筑后挂篮变形预测值为19.12。
3.2以2.2中灰色模型原始数据二为原始数据进行灰色建模如下：
3.2.1 首先对混凝土浇注前后梁段挠度进行分析计算得：
3.2.1.1 未对原始数据进行滑动平均处理
计算得到：Q1=92.20％，Q0=55.41％，C=0.88， p=0,模型的精度等级是四级，20梁段混凝土浇注前后梁段竖向位移预测值为0.50,。
3.2.1.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（0.78,0.92,0.70,0.63,0.82）,计算得到：Q1=97.65％，Q0=86.13％，C=0.93，p=0,模型的精度等级为四级，20梁段混凝土浇注前后梁段竖向位移预测值为0.67。
3.2.2 按同样的计算方法，可得到张拉预应力前后挠度预测结果为：
3.2.2.1 未对原始数据进行滑动平均处理
计算得到：Q1=98.30％，Q0=90.98％，C=0.68， p=0,模型的精度等级为四级，20梁段张拉预应力前后挠度预测值为0.64。
3.2.2.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（0.63,0.74,0.78,0.70,0.68）,计算得到： Q1=99.36％，Q0=97.45％，C=0.41， p=0,模型的精度等级为四级，20梁段张拉预应力前后挠度预测值为0.66。
3.2.3 按同样的计算方法，可得到混凝土浇筑后挂篮变形预测结果为：
3.2.3.1 未对原始数据进行滑动平均处理
计算得到：Q1=98.18％，Q0=93.89％，C=0.60， p=0,模型的精度等级为四级，20梁段混凝土浇筑后挂篮变形预测值为0.95。
3.2.3.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（0.69,0.75,0.84,0.87,0.86）,计算得到：Q1=99.29％，Q0=96.68％，C=0.32， p=1,模型的精度等级为一级，20梁段混凝土浇筑后挂篮变形预测值为0.93。
3.3以2.3中灰色模型原始数据二为原始数据进行灰色建模如下：
3.3.1 首先对混凝土浇注前后梁段挠度进行分析计算得：
3.3.1.1 未对原始数据进行滑动平均处理
计算得到： Q1=89.65％，C=0.85，p=0,模型的精度等级为四级，20梁段混凝土浇注前后梁段竖向位移预测值为0.96,。
3.3.1.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（4.43,4.47,2.45,1.85,3.3）,计算得到： Q1=96.01％，Q0=69.30％，C=0.71， p=1,其模型精度的等级为四级，20梁段混凝土浇注前后梁段竖向位移预测值为1.91。
3.3.2 按同样的计算方法，可得到张拉预应力前后挠度预测结果为：
3.3.2.1 未对原始数据进行滑动平均处理
计算得到： Q1=94.87％，Q0=22.01％，C=0.63， p=0,其模型精度的等级为四级，20梁段张拉预应力前后挠度预测值为0.41。
3.3.2.2 对原始数据进行滑动平均处理后
得到的原始数据序列变为（2.02,2.40,2.13,1.0,0.45）,计算得到： Q1=97.27％，Q0=76.44％，C=0.33， p=1,其模型精度的等级为一级，20梁段张拉预应力前后挠度预测值为0.66。
3.3.3 按同样的计算方法，可得到混凝土浇筑后挂篮变形预测结果为：
3.3.3.1 未对原始数据进行滑动平均处理
计算得到： Q1=60.86％，C=0.70，p=0,其模型精度的等级为四级，20梁段混凝土浇筑后挂篮变形预测值为6.2。
3.3.3.2对原始数据进行滑动平均处理后
得到的原始数据序列变为（0.82,1.65,3.5,4.17,4.15）,计算得到： Q1=90.84％,Q0=79.55％，C=0.36， p=1,其模型精度的等级为二级，20梁段混凝土浇筑后挂篮变形预测值为5.65。
结果分析
进行数据累加(AGO)的必要性
以混凝土浇注前后挠度实测值和AGO累加处理后值的连线图为例说明数据累加的必要性
图 1 原始数据和累加生成数据对比图
从图1可以看出, 原始数据规律不明显，但经累加所生成数据有递增趋势，其坐标连线图成一种近似的指数分布。
4.2平滑处理前后AGO数据对比图
图 2平滑处理前后AGO数据对比图
从图2可以看出，累加生成数据经过平滑处理后其坐标连线近似一条直线，相对平滑处理前的连线要平滑且更有规律。
4.3原始数据平滑处理的必要性
从3.1,3.2,3.3节所得的残差检验和后验差检验所得精度可看出，对数据平滑处理后再进行建模预测，所得预测结果的精度要高于平滑处理前的预测精度。
4.4不同模型原始数据形式所得的预测精度比较
图3 取不同模型下原始数据所得残差检验精度
由图3可得出结论：原始数据序列取实测值时，经过残差检验和后验差检验，所得预测结果非常理想；原始数据序列取理论值与实测值的比值时，残差检验精度很高，而后验差精度较低，由于残差检验是一种直观的算术检验，后验差检验只是对概率分布所做的统计检验，因此主要是由残差检验结果为准判断模型预测精度，这样，取理论值与实测值的比值为原始数据所得结果的精度也比较高；原始数据取实测值与理论值的差值时，残差检验精度较低。
总的来说，使用实测值或者理论值与实测值的比值来作为灰色建模的原始数据序列所得到的预测精度要优于使用差值作为原始数据序列建模所得到的预测精度。
总结
连续钢构桥梁段挠度变形预测的具体过程如下：
(1)首先根据数据量的多少确定具体预测模型来预测变形体的挠度，当数据量较少或监测量大时选用灰色理论模型。
(2)然后由4.4相关结论知灰色建模所使用的原始数据宜是实测值或实测值与理论值的比值，因为使用实测值或者理论值与实测值的比值来作为灰色建模的原始数据序列所得到的预测精度要优于使用差值作为原始数据序列建模所得到的预测精度。
(3)进一步将所采用的原始数据序列利用如2.4.1中的公式进行累加生成，因为由4.3的结论可知应对累加生成的数据序列须进行滑动平均处理，因为对数据平滑处理后再进行建模预测，所得预测结果的精度要高于平滑处理前的预测精度。
(4)继而可以将得到的滑动平均处理后的累加数据作为新的数据序列建立如2.4节所示的灰色模型来预测挠度。
(5)最后使用如3.1.1.1节所示的步骤和相关公式对预测结果进行残差检验和后验差检验。
[参考文献]
1 大跨度连续刚构桥施工主梁变形监测的必要性与方法。黄建跃，王树林，刘成龙，高淑照。《桥梁建设》
2 灰色预测控制系统在大跨径预应力混凝土连续刚构桥施工控制中的应用 张满平，崔刚 《公路交通科技》
关键词 电力系统；电压突降；预测
中图分类号 TM 文献标识码 A 文章编号 1673-9671-(2011)122-0197-01
电压突降的概念是持续时间最短为半周波，最长为1 min的电压值瞬间下降的现象。电压突降是判断电能质量好坏的一个重要方面，随着当今科学技术的不断发展，各种先进的灵敏设备被不断的开发出来，一旦发生电压突降，就会导致这部分设备运行终端或者错误运行，从而造成不可估量的损失。所以，有必要采取各种措施探究其发展规律，之后采取相应的解决办法来减少或者避免电压突降的发生，即电压突降预测。
1 电压突降预测的基本原理
电压突降预测的基本原理是通过电压突降幅度的计算、对于突降持续时间的运算和针对突降发生次数的计算三个步骤来显示电压突降的可能发生的次数和发生时的持续时间。
1.1 预测中突降幅值的计算
通过电力系统故障的相关计算理论可以有效解决电压突降相关的计算问题，在具体的预测计算过程中，适当忽略电压在突降中的暂态过程，在幅值的选择上采用最低电压。当然，这些计算过程都收在满足一定精度的前提下进行的。
而在较为完整的计算过程中，还需要考虑到多种因素的作用，比如：三相故障，两相短路、单相接地、两相短路接地故障，和故障前电压、故障点阻抗值等。
1.2 预测中突降持续时间的计算
在预测突降持续时间的计算中，要考虑到该时间是由故障电流被保护设备切断的时间来决定的，因此，在相关预测时间计算的过程中，要合理依据网络保护设备的详细数据和配置，结合动作时间，来对故障电流的可持续时间进行预估，也就是预测电压突降的可持续时间。
1.3 预测某幅值电压突降的发生次数（频率）
本文以10 kV的配电网络作为例子分析和说明电压突变的预测过程。根据某配电网络设计，使用电势为1.0 p.u.阻抗为j0.5的电势源进行替代，在F1之路上面分布的负荷点即我们需要关心的负荷，F2馈线的长度为12 km，标幺值电抗为0.4 p.U./km。我们假设的前提是即发生三相短路故障，馈线的相关故障率为0.15次/km・年。
根据相应的计算原理和方法，我们可以在平行馈线上分别寻找40％、50%、60％、70％、80％、90％突降幅值所对应的故障点的位置。分别是距离母线1为0.83 km、1.25 km、1.88 km、2.90 km、5.00 km、11.25 km的点，可以依此将它们标记为a-f。我们可以看到，在a点对应的电压突降的幅度值为40%，如果从a点到母线1之间的任意一个点出现三相短路的状况时，那么其负荷点产生的电压突降现象为40%以上，馈线故障率为0.15次/ km年，便可得负荷点40%以上的电压突降每年约发生0.83×0.15次。
我们可以采用相同的理论和计算方法，计算出在50％-90％之间发生突降幅值的次数。总体预测结果详见表1。
2 电力系统实用预测方法
要提高运算的效率和客观性，就要面向整个电力网络进行运算和预测。如果对于相对比较发杂的电力网络，其网络系统由多电压等级构成，那么在运算和预测的过程中就要对上文阐述的原理进行扩展。
我们可以采用以下步骤对任何网络电力系统进行预测。
1）要根据电压的不同等级，把复杂的网络系统分为若干层，将具有不同的电压等级的网络分配在相应的不同平面上，每层之间都有变压器进行联系，因此，在分层之后，整个网络系统的结构和功能并未发生变化。在进行合理分层之后，每层中的输电网络的参数基本类似，而且被均匀分布。而且由于在每一层中，各类故障的故障率相同，就可以用距离乘以故障率来预估突降发生的次数。
2）对每一层分别进行计算，根据实际情况和需要将突降幅值以区间的方式进行划分，比如可以分为0.6、0.6-0.75、0.75-0.85、0.85-0.9几个区间。按照区间的方式进行分类，并别对于每一类的结果，要能够估计出负荷点和他们之间的平均距离，查的相应层输电线路每种故障对应的故障率，乘以估计距离。
3）在经过分层计算之后，综合各层运算所得的结果，此时，关于配电网络电压突降可能发生次数的计算到此结束。之后要对相关电力设备在运行中的故障率进行分析和统计，以变压器为例，使用上文中的系统短路的相关计算程序计算每个变压器在发生故障时相关负荷点得突降幅度值，将结果进行区间分类。
3 电压突降预测作用
根据以上所论述的相关理论，可以看出，只要根据网络故障率以及网络组成结构，同时有效结合相关的短路计算程序就可以完整和精确的预制网络电压突降的发生规律，对于广大用户来说，这无疑是一个有效地工具，可以帮助他们检测网络结果对于电压突降的影响。用户可以根据自身需求，以及自身设备的特点，有效运用电压突降的预测方法，在引入电源的过程中合理分配方向，使得由于电网故障造成的电压突降被控制在合理的范围内，保证企业的相关效益不受损害。作为供电企业来说，在进行电网的相关改造和规划过程中，要将对于电压突降的预测结果作为衡量供电企业经济值的一个重要因素。
4 结束语
在本文中所运用的相关理论和计算方法的主要面向对象是电力系统，所预测的对象是由电网系统故障所引起的电压突降，根据对比，运用本文中方法的预测结果同用户使用专用变一次侧监测得到的结果是一样的。而且，该预测方法基本可以通过计算机程序来进行运算，不但可以节约大量的人力，还可以保证数据的准确性。
参考文献
[1]郑立.邢台电网电压暂降的统计分析与预测[D],华北电力大学(保定),2007.
[2]赵兴勇,张秀彬,苏小林.电力系统电压稳定性研究与分岔理论[J].电工技术学报,2008,23(2).
一、论文名称、课题来源、选题依据
课题来源：单位自拟课题或省政府下达的研究课题
技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估,可以使企业对未来的技术发展水平及其变化趋势有正确的把握,从而为企业的技术创新决策提供科学的依据,以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下,企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中,企业的技术创新决定着企业生存和发展、前途与命运,为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。
二、本课题国内外研究现状及发展趋势
现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。
(1)趋势外推法。指利用过去和现在的技术、经济信息,分析技术发展趋势和规律,在分析判断这些趋势和规律将继续的前提下,将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家raymondpearl提出的pearl曲线(数学模型为:y=l∕[1+a?exp(-b·t)])及英国数学家和统计学家gompertz提出的gompertz曲线(数学模型为:y=l·exp(-b·t))皆属于生长曲线,其预测值y为技术性能指标,t为时间自变量,l、a、b皆为常数。ridenour模型也属于生长曲线预测法,但它假定新技术的成长速度与熟悉该项技术的人数成正比,主要适用于新技术、新产品的扩散预测。
(2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息,建立预测对象与影响因素的因果关系模型,预测技术的发展变化。相关分析法认为,一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的,这样,通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种:导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。
(3)专家预测法。以专家意见作为信息来源,通过系统的调查、征询专家的意见,分析和整理出预测结果。专家预测法主要有:专家个人判断法、专家会议法、头脑风暴法及德尔菲法等,其中,德尔菲法吸收了前几种专家预测法的长处,避免了其缺点,被认为是技术预测中最有效的专家预测法。
趋势外推法的预测数据只能为纵向数据,在进行产品技术创新预测时,只能利用过去的产品技术性能这一个指标来预测它的随时间的发展趋势,并不涉及影响产品技术创新的科技、经济、产业、市场、社会及政策等多方面因素。在现代商业经济中,对于产品技术发展的预测不能简单地归结为产品过去技术性能指标按时间的进展来类推,而应系统综合地考虑现代商业中其他因素对企业产品技术创新的深刻影响。相关分析法尽管可同时按横向数据和纵向数据来进行预测,但由于它是利用过去的历史数据中的某些影响产品技术创新的因素求出的具体的回归预测式,而所得到的回归预测模型往往只能考虑少数几种主要影响因素,略去了许多未考虑的因素,所以,所建模型对实际问题的表达能力也不够准确,预测结果与实际的符合程度也有较大偏差。专家预测法是一种定性预测方法,依靠的是预测者的知识和经验,往往带有主观性,难以满足企业对技术创新预测准确度的要求。以上这些技术创新预测技术和方法为企业技术创新工作的开展做出了很大的贡献,为企业技术创新的预测提供了科学的方法论,但在新的经济和市场环境下,技术创新预测的方法和技术应有新的丰富和发展,以克服自身的不足,更进一步适应时展的需要,为企业的技术创新工作的开展和企业的生存与发展提供先进的基础理论和技术方法。
目前,在我国企业技术创新评估中,一般只考虑如下四个方面的因素:(1)技术的先进性、可行性、连续性;(2)经济效果;(3)社会效果;(4)风险性,在对此四方面内容逐个分析后,再作综合评估。在综合评估中所用的方法主要有:delphi法(专家法)、ahp法(层次分析法)、模糊评估法、决策树法、战略方法及各种图例法等,但技术创新的评估是一个非常复杂的系统,其中存在着广泛的非线性、时变性和不确定性,同时,还涉及技术、经济、管理、社会等诸多复杂因素,目前所使用的原理和方法,难以满足企业对技术创新评估科学性的要求。关于技术创新评估的研究,在我国的历史还不长,无论是指标体系还是评估方法,均处于研究
之中,我们认为目前在企业技术创新评估方面应做的工作是:(1)建立一套符合我国实际情况的技术创新评估指标体系;(2)建立一种适应于多因素、非线性和不确定性的综合评估方法。
这种情况下,神经网络技术就有其特有的优势,以其并行分布、自组织、自适应、自学习和容错性等优良性能,可以较好地适应技术创新预测和评估这类多因素、不确定性和非线性问题,它能克服上述各方法的不足。本项目以bp神经网络作为基于多因素的技术创新预测和评估模型构建的基础,bp神经网络由输入层、隐含层和输出层构成,各层的神经元数目不同,由正向传播和反向传播组成,在进行产品技术创新预测和评估时,从输入层输入影响产品技术创新预测值和评估值的n个因素信息,经隐含层处理后传入输出层,其输出值y即为产品技术创新技术性能指标的预测值或产品技术创新的评估值。这种n个因素指标的设置,考虑了概括性和动态性,力求全面、客观地反映影响产品技术创新发展的主要因素和导致产品个体差异的主要因素,尽管是黑匣子式的预测和评估,但事实证明它自身的强大学习能力可将需考虑的多种因素的数据进行融合,输出一个经非线性变换后较为精确的预测值和评估值。
据文献查阅,虽然在技术创新预测和评估的现有原理和方法的改进和完善方面有一定的研究,如文献[08]、[09]、[11]等,但尚未发现将神经网络应用于技术创新预测与评估方面的研究,在当前产品的市场寿命周期不断缩短、要求企业不断推出新产品的经济条件下,以神经网络为基础来建立产品技术创新预测与评估模型,是对技术创新定量预测和评估方法的有益补充和完善。
三、论文预期成果的理论意义和应用价值
本项目研究的理论意义表现在:(1)探索新的技术创新预测和评估技术,丰富和完善技术创新预测和评估方法体系;(2)将神经网络技术引入技术创新的预测和评估,有利于推动技术创新预测和评估方法的发展。
本项目研究的应用价值体现在:(1)提供一种基于多因素的技术创新定量预测技术,有利于提高预测的正确性;（2）提供一种基于bp神经网络的综合评估方法,有利于提高评估的科学性;(3)为企业的技术创新预测和评估工作提供新的方法论和实用技术。
四、课题研究的主要内容
以bp神经网络模型为基础研究基于多因素的技术创新预测和评估模型,并建立科学的预测和评估指标体系及设计相应的模型计算方法,结合企业的具体实际,对指标和模型体系进行实证分析,使研究具有一定的理论水平和实用价值。
1、影响企业技术创新预测和评佑的相关指标体系确定及其量化和规范化。从企业的宏观环境和微观环境两个方面入手,密切结合电子商务和知识经济对企业技术创新的影响,系统综合地分析影响产品技术创新的各相关因素,建立科学的企业技术创新预测和评估指标体系,并研究其量化和规范化的原则及方法。
2、影响技术创新预测和评估各相关指标的相对权重确定。影响技术创新发展和变化各相关因素在输入预测和评估模型时,需要一组决定其相对重要性的初始权重,权重的确定需要基本的原则作支持。
3、基于bp神经网络的技术创新预测和评估模型研究。根据技术创新预测的特点,以bp神经网络为基础,构建基于多因素的技术创新预测和评估模型。
4、基于bp神经网络的技术创新预测和评估模型计算方法设计。根据基于bp神经网络的技术创新预测和评估模型的基本特点,设计其相应的计算方法。
5、基于bp神经网络的技术创新预测和评估模型学习样本设计。根据相关的历史资料,构建基于bp神经网络的技术创新预测和评估模型的学习样本,对预测和评估模型进行自学习和训练,使模型适合实际情况。
6、基于bp神经网络的技术创新预测和评估技术的实证研究。以一般企业的技术创新预测与评估工作为背景,对基于bp神经网络的技术创新预测和评估技术进行实证研究。
1、建立一套基于电子商务和知识经济的技术创新预测和评估指标体系。目前,在技术创新的预测和评估指标体系方面,一种是采用传统的指标体系,另一种是采用国外先进国家的指标体系,如何结合我国实际当前经济形势,参考国外先进发达国家的研究工作,建立一套适合于我国企业技术创新预测和评估指标体系,此为本研究要做的首要工作,这是一项创新。
2、研究基于bp神经网络的技术创新预测和评估模型及其计算方法。神经网络技术具有并行分布处理、自学习、自组织、自适应和容错性等优良性能,能较好地处理基于多因素、非线性和不确定性预测和评估的现实问题,本项目首次将神经网络技术引入企业的技术创新预测和评估,这也是一项创新。
五、课题研究的基本方法、技术路线的
可行性论证
1、重视系统分析。以系统科学的思想为指导来分析影响企业技术创新发展和变化的宏观因素和微观因素,并研究影响因素间的内在联系,确定其相互之间的重要度,探讨其量化和规范化的方法,将国外先进国家的研究成果与我国具体实际相结合,建立我国企业技术创新预测和评估的指标体系。
2、重视案例研究。从国内外技术创新预测与决策成功和失败的案例中,发现问题、分析问题,归纳和总结出具有共性的东西,探索技术创新预测与宏观因素与微观因素之间的内在关系。
3、采用先简单后复杂的研究方法。对基于bp神经网络的技术创新预测和评估模型的研究,先从某一行业出发,定义模型的基本输入因素,然后,逐步扩展,逐步增加模型的复杂度。
4、理论和实践相结合。将研究工作与具体企业的技术创新实际相结合,进行实证研究,在实践中丰富和完善,研究出具有科学性和实用性的成果。
六、开展研究已具备的条件、可能遇到的困难与问题及解决措施
本人长期从事市场营销和技术创新方面的研究工作,编写出版了《现代市场营销学》和《现代企业管理学》等有关著作,发表了“企业技术创新与营销管理创新”、“企业技术创新与营销组织创新”及“企业技术创新与营销观念创新”等与技术创新相关的学术研究论文,对企业技术创新的预测和评估有一定的理论基础,也从事过企业产品技术创新方面的策划和研究工作,具有一定的实践经验,与许多企业有密切的合作关系,同时,对神经网络技术也进行过专门的学习和研究,所以,本项目研究的理论基础、技术基础及实验场所已基本具备,能顺利完成本课题的研究,取得预期的研究成果。
七、论文研究的进展计划
2003.07-2003.09：完成论文开题。
2003.09-2003.11：影响企业技术创新发展的指标体系研究及其量化和规范化。
2003.11-2004.01：基于bp神经网络的技术创新预测和评估模型的构建。
2004.01-2004.03：基于bp神经网络的技术创新预测和评估模型计算方法研究。
2004.03-2004.04：基于bp神经网络的技术创新预测和评估模型体系的实证研究。
2004.04-2004.06：完成论文写作、修改定稿，准备答辩。
[01]傅家骥、仝允桓等.技术创新学.北京:清华大学出版社1998
[02]吴贵生.技术创新管理.北京:清华大学出版社2000
[03]柳卸林.企业技术创新管理.北京:科学技术出版社1997
[04]赵志、陈邦设等.产品创新过程管理模式的基本问题研究.管理科学学报.2000/2.
[05]王亚民、朱荣林.风险投资项目ecv评估指标与决策模型研究.风险投资.2002/6
[06]赵中奇、王浣尘、潘德惠.随机控制的极大值原理及其在投资决策中的应用.控制与决策.2002/6
[07]夏清泉、凌婕.风险投资理论和政策研究.国际商务研究.2002/5
[08]陈劲、龚焱等.技术创新信息源新探.中国软科学.2001/1.pp86-88
[09]严太华、张龙.风险投资评估决策方法初探.经济问题.2002/1
[10]苏永江、李湛.风险投资决策问题的系统分析.学术研究.2001/4
<11>孙冰.企业产品开发的评价模型及方法研究.中国管理科学.2002/4
[12]诸克军、杨久西、匡益军.基于人工神经网络的石油勘探有利性综合评价.系统工程理论与实践.2002/4
[13]杨力.基干bp神经网络的城市房屋租赁估价系统设计.中国管理科学.2002/4
[14]杨国栋、贾成前.高速公路复垦土地适宜性评价的bp神经网络模型.统工程理论与实践.2002/4
[15]楼文高.基于人工神经网络的三江平原土壤质量综合评价与预测模型.中国管理科学.2002/1
[16]胥悦红、顾培亮.基于bp神经网络的产品成本预测.管理工程学报.2000/4
[17]陈新辉、乔忠.基于tsa-bp神经网络的企业产品市场占有率预测模型.中国农业大学学报.2000/5
[18]刘育新.技术预测的过程与常用方法.中国软科学.1998/3
[19]温小霓、赵玮.市场需求与统计预测.西安电子科技大学学报.2000/5
[20]朱振中.模糊理论在新产品开发中的应用.科学管理研究.2000/6
[21]kimb.clark&takahirofuj
imoto.productdevelopmentperformance–strategy、organizationandmanagementinindustry.harvardbusinessschoolpress.boson1993
[22]gobelidh,browndj.improvingtheprocessofproductinnovation.research,technologymanagement,1993.36（2）:46-49
[23]simonj.towner.fourwaystoacceleratenewproductdevelopment.longrangplanning1994.27（2）:57-65
[24]abdulali,etal.productinnovationandentrystrategy.journalofproductinnovationmanagement1995.12（12）:54-69
[25]ericvinhippel.thesourcesofinnovation.oxforduniversitypress.1988
[26]shtuba,zimermany.aneural-network-basedapproachforestimatingthecostofassembly.internationaljournalofproductioneconomics,1993.32:189-207
[27]wee-liangtan,dattarreyag.allampalli,investmentcriteriaofsingaporecapitalists,1997internationalcouncilforsmallbusiness,sanfrancisco,california,june1997
[28]michaelhenos,theroadtoventurefinancing:guidelinesforentrepreneuts,r&dstraregistmagazine,summer1991
[29]chowgc,thelargrangemethodofoptimizationwithapplicationstoportfoliandinvestmentdecisions.jofeconomicdymamicsandcontrol1996
[30]jensen,r..informationcostandinnovationadoptionpolicies,managementscience.vol.34,no.2,feb,1988
关键词：GM（1，1）模型;灰色预测;煤矿;百万吨死亡率;Matlab
引言
中国是一个煤炭生产大国，也是煤炭消费大国。当前，在一次性能源的消费中，煤炭的消费约占70%，从当今的中国能源消费状况[2]看，在今后很长的时间内，煤炭将继续充当非常重要的角色，是我国的经济和社会的发展过程中的助推器。在我国，绝大多数煤矿的开采都是地下作业，由于煤矿安全生产受多方面因素的影响和制约，事故频发、伤亡惨重、经济损失巨大的状况尚未得到根本好转，每年煤矿安全生产事故死亡人数一直位于各行业之首，安全生产形势十分严峻。这不但严重制约了煤炭工业的持续发展，而且造成了企业及国家财产和人民生命的巨大损失。
但由于煤矿系统的复杂性和关联性，预测技术还不尽成熟，甚至由于在数据运算的误差或模型适用性等原因，出现预测精度较低甚至偏离其原有的发展方向。仍需在原有基础上探究新方法，解决许多限制。因此，对我国煤矿百万吨死亡率进行统计分析，并对其发展规律进行了预测具有重要的意义。一来可以为国家制定有关煤矿安全生产的政策提供理论依据，对生产过程中的安全性指标提供参考的标准;二来有利于对全国的各个地区的煤矿安全系统有一个全面整体的认知，从而通过采取相应的方法和措施，提高我国煤矿安全生产的安全指数，促进煤矿安全生产的持续发展。
一. 煤矿百万吨死亡率预测模型的建立
1.1 模型建立的理论基础-灰色系统理论
传统的系统理论大多研究那些信息比较充分的系统，对一些信息比较贫乏的系统，利用黑箱方法也取得了较为成功的经验。但是，如今大部分的内部信息都是部分已知、但部分位置的系统却是未知的。而如今，灰色系统理论[1]已在科技发展，工程控制，经济管理，农业生产，生物防治等系统中成功地运用，并取得了令人欣慰的成果，已成为对抽象系统进行分析、建模、预测、决策、控制的一个新型理论工具。
由于煤矿这个生产系统是非常复杂的，在这个系统中事故的发生是由水文地质条件、开采技术设备、安全设施水平、工人素质、管理水平等许多因素共同影响造成的。在现有的认知水平和技术水平下，很多影响因素难以量化，使得煤矿事故的发生具有了随机性，这符合了灰色系统理论研究对象的特征。因此，可在煤矿百万吨死亡率预测中引入灰色系统理论，建立灰色GM（1，1）模型[3]对其发展趋势进行预测，以掌握其潜在的规律。
1.2 煤矿百万吨死亡率灰色预测模型的建立
1.2.1 灰色预测模型的建立
GM（1，1）模型是关于一个变量的一阶微分方程，以我国煤矿百万吨死亡率的统计数据作为该模型的原始非负序列X（0），有x（0）={x（0）（1），x（0）（2），……，x（0）（n）}，（1）式中：x（0）（k）>0，（k=1，2，…，n）
对原始序列x（0）作一次累加生成（1-AGO），以弱化原始序列的随机性和波动性，并记为，有x（1）={x（1）（1），x（1）（2），……，x（1）（n）} （2）式中：x（1）（k）=ki=1x（0）（i），（k=1，2，…，n）
以生成序列x（1）为基础建立GM（1，1）模型，其白化微分方程表示为dx（1）（t）d（t）+ax（1）（t）=u （3）式中：a，u为待求参数，并构造参数向量=[a，u]T
对作紧邻均值生成，记作，有Z（1）={z（1）（1），z（1）（2），……，z（1）（n）} （4）式中：Z（1）（k）=1/2[x（1）（k）+x（1）（k-1）] ， （k=1，2，…，n）
构造矩阵向量B、Y如下：
则GM（1，1）模型的参数向量的最小二乘估计为=[a，u]T=（BTB）BTY （7）因此GM（1，1）模型的白化方程的解为x（1）（t）=（x（1）-ua）e-u+ua （8）则GM（1，1）模型的时间响应序列为x（1）（k+1）=（x（0）（1）-ua）e-ak+ua， （k=1，2，…，n） （9）对式（9）作一次累减生成（1-IAGO），可以求得我国煤矿百万吨死亡率冤死非负序列x（0）的预测值x（0）（k+1）=（1）（k+1）-（1）（k） ， （k=1，2，…，n） （10）1.2.2 模型预测精度检验
模型建立后，需要对模型的预测精度进行检验，以确定模型的预测可靠性。GM（1，11）模型的精度一般采用后验残差进行检验。
原始序列x（0）（k）与其预测值（0）（k）之差称为残差，记作ε（k），有ε（k）=x（0）（k）-（0）（k），（k=1，2，…，n） （11） 分别计算原始序列和残差序列的方差S2、：S2t
S^2=1nnk=1（x（0）（k）-（0））^2 （12） 式中：（0）为原始序列x（0）（k）的平均值，（0）=1nnk=1x（0）（k）
S2t=1nnk=1（ε（k）-）^2 （13） 式中：为残差ε（k）的平均值，=1nnk=1ε（k）。
由此可计算出均方差比值C和小误差概率P分别为
C=StS （14）P=P{|ε（k）-|<0.674S} （15） 对于k<=n，k点模拟相对误差和平均相对误差分别为
Δk=ε（k）x（0）（k） （16）=1nnk=1Δk （17） 对于给定的α，当<α且Δn<α成立时，此模型称为残差合格模型。
一般情况下，GM（1，1）模型预测精度按表所示等级评价。
精度等级均方差比值C小误差概率P相对误差α一级（好）0.350.950.01二级（合格）0.500.800.05三级（勉强）0.650.700.10四级（不合格）0.800.600.20二.我国煤矿百万吨死亡率预测结果及分析
表一2003-2013年我国煤矿百万吨实际死亡率统计结果
年份20032004200520062007200820092010201120122013百万吨
死亡率
（人）416.0345302.8643250.5485200.2532149.6443114.642995.326163.271656.051137.814228.5294表二2003-2018年我国煤矿百万吨死亡率实际值与预测值
年份实际值预测值残差相对误差级比
偏差值2003416.0345416.0345 002004302.8643311.4146 -0.42461.4019-0.07182005250.5485243.2869 -0.72022.87440.05682006200.2532190.0634 -0.96054.79670.02382007149.6443148.4835 -1.15967.7493-0.04412008114.6429116.0000 -1.310611.4324-0.0185200995.326190.6228 -1.420614.90230.0616201063.271670.7974 -1.523424.0777-0.1755201156.051155.3092 -1.58628.29490.1192201237.814243.2093 -1.647443.5658-0.1565201328.529433.7564 -1.690459.2529-0.0342201426.3716 201520.6023 201616.0952 201712.5741 20189.8233 在GM（1，1）模型的灰色预测中，由于需要多次运用数列及矩阵运算，其计算过程较为复杂，而Matlab是以线性代数[4]软件包LINPACK和特征值计算软件包EIS-PACK中的子程序为基础发展起来的一种开放性程序设计语言，可以直接进行矩阵的各种运算。因此，在我国煤矿百万吨死亡率的GM（1，1）模型中引入Matlab编程实现灰色预测算法，可以大大减少计算量和出错几率，改善预测质量。
其中坐标横轴的年份2003用1表示，其余的类似，如下表：
200320042005200620072008200920101234567820112012201320142015201620172018910111213141516
三.结论
（1） 在煤矿行业中，根据煤矿百万吨死亡率的统计数据，运用灰色理论系统统建立GM（1，1）模型对煤矿百万吨死亡率预测具有可执行性，而且运用Matlab编程实现GM（1，1） 预测模型算法，可以大大提高计算速度和准确率。
（2） 预测结果表明，我国煤矿百万吨死亡率呈下降趋势。但是，我国煤矿百万吨死亡率是世界平均的5倍多，是美国的50倍左右，我国煤矿生产的安全形势依然十分严峻。此预测有助于各级领导看清煤矿生产的形势，相关的部门要合理地规划生产目标，并运用先进的理论加强对安全生产的管理，加大科技投入，不要为了追赶目标而忘了重要的安全措施，应该制定预防和援救措施，减少事故的发生，从而减少煤矿百万吨死亡率。虽然通过编程我们可以了解到煤矿百万吨的发展趋势，但是现在我们掌握的技术和科技还是比较有限的，我们要积极进取，勇于创新，深入研究更深一层次，行之有效的方法来对我们的煤矿安全生产进行指导。
[参考文献]
[1]刘思峰，些乃明，灰色系统理论及其应用[M]，北京科技出版社
[2]殷忠良，张强，我国矿山安全现状及措施浅议[J]，煤矿现代化
[3]司守奎，孙玺菁，数学建模算法与应用，国防工业出版社
购物车(0)