〔关键词〕文献计量学；回归分析；时间序列分析；发展趋势
〔中图分类号〕G255〔文献标识码〕A〔文章编号〕1008-0821（2013）02-0162-04
目前信息的分析与预测活动已越来越深入到社会发展、经济生活、科技进步等各个领域，成为社会发展与进步的标志[1]。针对某一学科专业研究的发展趋势进行分析与预测，不仅可以揭示该学科研究的特点和发展规律，而且为今后的研究和工作提供科学的依据。如今，无论是情报学还是文献学的发展都与文献计量学息息相关，文献计量学也是情报学等相关学科的重要研究方法。对文献计量学的发展趋势进行预测，不仅可以预测出未来文献计量学的发展趋势，而且可为其他学科尤其是图书馆学、情报学领域的理论研究提供了参考和借鉴[2]。
本文以文献计量学为实例，通过定量的方法分析其论文数量的变化情况，应用回归分析模型和时间序列分析模型，对文献计量学的发展趋势进行拟合和预测，并针对两种预测模型的预测结果进行比较分析[3]。
1统计数据的来源与统计结果
利用中国知网（CNKI）数据库检索系统，以文献计量学为关键词，统计时间为1996.01.01-2010.12.31进行模糊检索，对所检索到的数据进行处理后共得到论文2 100篇，按发表年份排列的论文篇数2.1回归分析模型介绍
回归分析法，是从各种现象之间的因果关系出发，通过对与预测对象有联系的事物或现象的变动趋势进行分析，进而推算出对象的未来数量状态的一种预测方法。根据散布的数据点求出理想的回归直线或曲线，建立起确定的回归方程进行预测[4]。
一元线性回归方程的一般形式：
时间序列分析是以研究对象的历史数据为基础，将研究对象的发展变化过程表述成时间序列，首先要识别时间序列的特征，进而分析它随时间的变化趋势，建立相应的时间序列分析模型，并通过一定的时间序列预测方法，推测出研究对象的未来变化趋势。
通过分析统计数据，应用时间序列分析法中的移动平均法（M法）对文献计量学的发展趋势进行拟合和预测。其基本方法是每次在时间序列上移动一步求平均值。这样的处理可对原始的无规则数据进行“修匀”，消除样本中的随机干扰成分，形成平滑的趋势线，突出序列本身的固有规律，从而为进一步的建模和参数估计做好基础[5]。
为进一步提高预测值和实际值的吻合度，可以采用在一次移动平均的基础上再进行一次移动平均法，称为二次移动平均法。二次移动平均是在一次移动平均的基础上，对具有线性趋势的数据再进行一次移动平均。其计算公式为：
在利用时间序列模型进行预测时，可将对应的T值代入式（7）中，通过线性时间关系模型求出i+T即为所要预测年份的论文篇数。
3文献计量学研究发展趋势的预测
3.1回归分析预测模型
以文献计量学的年份为自变量，各年份的论文篇数为因变量。通过散布的数据点绘制出散点图，发现两变量的关系近似于一条直线。为了方便计算，设1996-2010年时间t的取值分别为-7，-根据一元线性回归方程的计算公式计算相关数据结果如下：
由此可知，回归方程的拟合程度很好，可以应用回归分析预测模型对未来的文献计量学相关文献量进行预测。
通过回归分析预测模型可预测2011年文献计量学的相关论文篇为2011=140+22.78t=322.24。
3.2时间序列分析预测模型
根据公式（4），分别取移平跨度n=3和n=5进行一次移动平均，如表3。
通常采用均方误差（MSE）来检验n值选择的效果。表3一次平均移动数据表
年份11论文篇数依据上述两种预测模型，分别计算两种模型1996-2010年的模拟值以及2011年、2012年的预测值，如表5。其中，
两种预测模型的相关系数比较得：r1
5结语
以文献计量学为例，采用两种预测模型对其发展趋势进行拟合及预测，克服了单一模型拟合和预测的局限性。预测结果表明，文献计量学研究的论文篇数在未来3年将超过500篇，并且增长趋势较快。通过对两种预测模型相关系数的比较，得出时间序列模型对文献计量学研究发展的预测效果相对较好。时间序列模型在预测时不必考虑其他因素的影响，仅从实际变动的数值序列自身出发建立相应的模型进行预测，避免了寻找影响因素及识别主要因素和次要因素的困难。回归分析模型是从各种现象之间的因果关系着手，通过对与预测现象有联系的事物或现象的变动趋势进行分析。时间序列模型适用于某一领域的短期预测，而回归分析方法是经济预测的常用数学方法，利用统计数据确定变量之间的线性关系，并参考这种函数关系来预测未来发展趋势，适用于某一领域的长期趋势预测。两种预测模型不仅适用于文献计量学的发展研究，对于其他领域也同样适用。针对不同领域的学科发展趋势，在进行数据模拟和分析预测时要根据数据的多少和分布情况，选取一种相对效果更好并且方便可行的预测方法。
参考文献
[1]查先进.信息分析与预测[M].武昌：武汉大学出版社，2009：2，193-201，205-208.
[2]郑怀国，赵静娟，谭翠萍.基于文献计量学的科技情报分析与服务[J].情报杂志，2010，（12）：39-40.
[3]吴淑玲.两种数字图书馆发展趋势预测模型的比较[J].情报科学，2004，（11）：1317-1320.
[4]王筠.专业研究发展趋势的预测模型——以竞争情报研究为例[J].情报杂志，2010，（7）：12-14.
[5]江三宝，毛振鹏.信息分预测[M].北京：清华大学出版社，2008：56-63，77-90.
统计预测是现代医院管理活动中的一种科学手段和方法，在医院管理和决策中发挥着越来越重要的作用。通过对儿科住院人次预测系统的设计与研究，为儿科住院人次实时预测具有积极意义。本文从对基于时间序列儿科住院人次预测系统的系统功能模块设计、数据库设计、时间序列趋势外推预测算法进行讨论，以提供参考。
一、系统功能模块设计
系统功能模块设计中包括调查问卷系统、儿科住院人次预测分析系统、拟合检验系统、系统服务等功能。其中调查问卷系统主要是为预测住院人次提供客观的环境因素分析，为临床调查问卷研究提供快捷方便的工具，同时也是患者提供建议和看法的一个有利渠道。儿科住院人次预测分析系统主要是住院人次季节变动预测分析、住院人次其他算法预测分析、预测数据拟合检验、运用数据挖掘相关知识进行数据预测分析。
二、时间序列儿科住院人次预测系统
良好的数据库设计对于一个高性能的应用程序非常重要，因此，在开始编写一个应用程序的代码之前，请花大量的时间来设计你的数据库，规范数据库的关系和性能，做好数据库的需求分析与论证，遵循数据库的设计原则，完善数据库的设计。下图为本系统数据库设计的ER图。
三、时间序列趋势外推算法
数据来源：我院儿科出院人数
抽象定义：已知现在时刻为t，试求在t+1时刻序列儿科出院人数的预测值。
符号说明：
预测期t记为predictivePeriod；
误差值记为error；
时段长N记为timeInterval
计数器记为i；
儿科出院人数预测值y’（t+1）记为predictor（predictivePeriod+1）；
儿科出院人数y（t）的序列值记为sequentialValue（predictivePeriod）；计算方法：平均数预测法，即将样本系列值y（1）、y（2）……y（t）作算术平均，以此作为序列预测值y’（t+1），即
y’（t+1）=（y（t）+y（t-1）+……+y（t-N+1））/N
将符合代人以上公式即：儿科出院人数系列值sequentialValue（1）， sequentialValue（2）……sequentialValue（predictivePeriod），求算术平均，以此作为序列预测值predictor（predictivePeriod+1），即：
predictor（predictivePeriod+1）=（sequentialValue（predictivePeriod）+ sequentialValue（predictivePeriod-1）+……+ sequentialValue（predictivePeriod- timeInterval
+1））/ timeInterval
算法描述：
1.确定时段长N（timeInterval）及预测期t（predictivePeriod）
2.获取出院人数y（t）、y（t-1）、y（t-N+1）并求和，即是sequentialValue（predictivePeriod）+sequentialValue（predictivePeriod-1）+sequentialValue（predictivePeriod-timeInterval+1）
3.求预测值predictor（predictivePeriod+1）
4.predictor（predictivePeriod+1）= （sequentialValue（predictivePeriod）+sequentialValue（predictivePeriod-1）+sequentialValue（predictivePeriod-timeInterval+1））/ timeInterval
小 结
综上所述，预测是决策的前提，任何决策都离不开科学的预测，本文对基于时间序列儿科住院人次预测系统设计与研究，对精准预测提供保障，也为医院科学管理与决策提供理论依据，为医院卫生资源的合理调配和利用提供决策依据。
参考文献：
[1]西尔伯沙茨.数据库系统概念（原书第5版）[M].机械工业出版社.
[2]曾素琴.趋势季节模型在住院人数预测中的应用[J].中国医院统计，2014，21（2）：132-134.
[关键词] 股票收益波动率GARCH模型SV模型神经网络灰色模型支持向量机
一、股票收益波动率预测模型研究现状
如何对股票收益波动率进行准确的描述与预测？这一直以来都是金融学领域探讨的热点问题之一。把握股票收益波动率的特征及趋势，对投资者测度、规避和管理股市风险具有极其重要的理论和实际意义。因此，长期以来许多学者运用各类预测模型对股票收益率波动性进行实证分析和预测，希望能够从中得到有益的启示和可以遵循的规律。目前，从国内外的相关文献来看，尽管对股票收益波动率进行预测的模型有很多种，但依据其建模理论不同，可将模型划分为两个大类：一类是以统计原理为基础的传统型的波动率预测模型，目前较为流行且具有代表性的模型包括ARCH类模型和SV类模型；另一类是以神经网络(ANN)、灰色理论(GM)、支持向量机(SVM)等为基础的创新型预测模型。国外学者运用GARCH和SV模型进行预测，其预测效果好于国内的同类预测。Campbll,Hetschel,Engle,Ng,Pagan,Schwert等证实GARCH能够提供较理想的数据模拟与预测效果。Jun、Yu利用基本SV模型对新西兰股市进行了预测分析,发现基本SV模型具有很好的预测能力。G..B.Durham利用SV-mix 模型对标准普尔500指数做了预测，认为预测效果较好。国内学者如魏巍贤、张永东、钱浩韵、张世英等分别运用GARCH和SV对我国股市进行预测，效果不是十分理想。而利用创新型预测模型（ANN，GM，SVM）对股市进行预测，国内外文献显示预测效果都比较理想。Hill等将神经网络与六种传统的统计预测方法作了对比，他们用了111个时间序列进行预测，结论是：采用短期（月度、季度）数据预测时，神经网络明显优于传统的统计模型；采用长期（年度）数据时，预测结果相差不多。李敏强、吴微、胡静等许多学者实证研究结果表明：人工神经网络应用于我国股票市场的预测是可行和有效的。陈海明、段进东、施久玉、胡程鹏、覃思乾应用灰色GM（1，1）模型对股票价格进行短期预测，效果很好。W.Huang等用支持向量机预测股票市场运动方向。P.Pai等将ARIMA（autoregresssive integrated moving average）模型和SMV模型结合起来，提出一种组合模型来进行股票价格预测,得出该组合模型优于单个ARIMA或SVM的结论。国内的杨一文、杨朝军利用SMV对上海证券综合指数序列趋势做较准确的多步预测。李立辉等将SMV应用到我国上证180指数预测中。周万隆、姚艳、赵金晶等实验结果表明，SVM预测精度很高。
总之，比较国内外学者的研究状况，至少可以得出以下两个结论：一是国外学者采用美国或其他西方国家股市的相关数据带入GARCH类或SV类模型进行数据拟合或预测，其效果普遍要好于国内学者采用国内股市相关数据进行的同类研究;二是我国学者运用创新型预测模型进行股市方面预测的文献多于传统的统计模型，而且从预测效果上看，创新型预测模型的预测精确度要高于传统型统计类预测模型。
二、基于统计原理的预测模型与创新型预测模型的比较分析
1.建模的理论基础不同。传统的基于统计原理的股票收益波动率预测模型是建立在统计分析理论基础之上的。而处理基于概率统计的随机过程，是要求样本量越大越好，原始数据越完整、越明确越好。但事实上，在实际中，即使有了大样本量，也不一定找到规律，即使有了统计规律也不一定是典型的。创新型预测模型则是完全脱离统计理论的基础，以一种创新型的建模思维，来建立预测模型。例如灰色模型是建立在灰色理论基础之上的，依据广义能量变化规律，将历史资料做累加处理，使其呈现出指数变化规律，然后建模。而人工神经网络模型是建立在神经网络理论基础之上的，它通过模仿人脑神经系统的结构及信息处理和检索等功能，建立神经网络模型进行预测。支持向量机则依据的是统计学习的机器学习理论，通过凸优化，使得局部解一定是最优解，克服了神经网络收敛速度慢和局部极小点等缺陷。
2.对数据的要求与处理不同。基于统计原理的预测模型要求样本量大并有很好的分布规律，无论是GARCH类还是SV类模型，只有在样本量足够大，且分布较好的情况下，其预测效果才会比较理想。例如，运用GARCH模型对美国股指进行预测要比对国内股指进行预测效果理想，原因是我国股市发展的时间相对较短，期间由于宏观调控和股改等原因，造成股指大起大落，导致数据分布规律性不强，因此我国运用这类模型存在一定局限。而创新型预测模型对样本量的要求和分布程度的要求均较低。例如灰色模型，只要拥有7、8个数据就可对下一个数据进行预测。在处理技术上，灰色模型要对原始数据进行累加处理，使表面杂乱无章的数据呈现出明显的指数规律，建模计算之后，再进行累减还原。神经网络模型则采用数据驱动，黑箱建模，无需先验信息，能够在信息资源不完整、不准确等复杂的数据环境下，通过自身结构的调整，提取数据特征，并对未来进行有效预测。
3.模型结构的稳定性与适应性不同。基于统计原理的预测模型一经建立，其模型结构具有较强的稳定性，模型变量之间存在一个稳定的内在关系。无论是GARCH模型还是SV模型，模型结构都相对稳定、简单，而且都是单因素模型。但在实际中，预测环境是复杂多变的，一旦系统变量之间出现新的关系，该类模型则无法调整和适应。创新型预测模型则是一种或者多因素、或者可以变结构的模型，其计算相对复杂，但其适应能力要好于基于统计原理的预测模型。例如灰色模型，除了有基本的GM（1，1）模型，对于高阶系统，灰色理论通过GM（1，n）模型群解决，并且可以综合考虑多种因素的影响。而神经网络和支持向量机都是变结构模型，通过网络对新样本的学习，调整其内部结构，从而适应系统变量的变化。对于非线性高维、高阶问题神经网络和支持向量机会发挥得更好。
4.预测精准度与外推性强弱不同。相比较而言，基于统计原理的预测模型误差较大，外推性差。因为基于统计原理的预测模型对数据样本没有再处理或学习的过程，因此对样本的拟合性较低，由此导致其外推性也较差。而创新型预测模型相对而言精确度较高，外推性强。原因是创新型预测模型对数据具有再处理或学习的过程。灰色模型是对数据进行了累加处理；而神经网络模型和支持向量机是对数据进行了学习，然后进行推理、优化。因此，创新型预测模型的拟合度和外推能力都要高于统计类模型。
5.预测难度与预测时间长度不同。基于统计原理的预测模型技术比较成熟，预测过程相对简单。无论是GARCH类还是SV类预测模型，其建立模型依据的理论基础坚实，模型构造相对简单，计算难度相对较低。由于这类模型采用的数据是较长时间的历史数据，因此可以对未来进行较长时间的预测。而创新型预测模型预测技术还有改进的余地，且预测难度较大。如利用神经网络进行股票收益波动率预测，其过程相对较难，因为神经网络需要设定隐层，权重；其隐层和权重设置合理与否，直接导致预测结果的合理与准确。用支持向量机方法进行预测，涉及到核函数的确定。核函数的确定难度较大。由于创新型预测模型对数据要求度不高，一般是小样本量预测，因此，适用于对预测对象进行短期预测。
三、我国股票收益波动率预测模型发展方向
1.创新型的智能化预测模型将成为我国股票收益率预测的一个发展方向。首先，创新型预测模型能够克服我国股市数据不完整、波动大、分布不合理等缺点，采用小样本数据对股市进行短期预测，预测的精准度相对高于传统的统计类预测模型。其次，创新类模型中的智能化模型能够模仿或部分模仿人工智能，对影响股市的多种因素进行复杂的非线性变结构处理，既能克服单因素模型包含信息不充分的缺点，也能克服固定结构模型无法处理突发性事件的缺点，能尽量充分地反映影响股市的多种信息和复杂变化，从而增加预测的准确度。
2.组合预测模型将成为我国股票收益率预测模型发展的另一个发展方向。组合预测是将不同预测模型的预测结果依据一定的原则赋予不同的权重，然后进行加权平均，得出最终的预测结果。这种预测方法可以克服单一预测模型信息量不充分的缺点，充分发挥不同预测模型的优势，最大限度获取不同角度的信息量，提高股票收益率预测水平。
3.包含各种非量化信息的预测模型将成为我国股票收益率预测模型的一个重要发展方向。目前股票收益率预测模型都属于数量化预测模型,非量化的因素无法融入到模型之中,这就导致预测中丢失了大量的非量化信息,预测的精准度受到很大影响。如何能将各种影响股市的非定量化信息进行技术处理后转变成量化信息,使之能够被加入到股票收益率预测的模型当中,从而充分反映政策因素、心理因素、突发事件等非量化因素对股票收益率的影响,提高预测的精确度,是股票收益率预测模型的一个重要发展方向。
参考文献：
[1]张永东 毕秋香:2003上海股市波动性预测模型的实证比较.管理工程学
随着计算机技术的蓬勃发展和广泛应用，计算机辅助教学管理也日趋普及。计算机辅助高等教育评估是其中一个比较新的分支，它的出现不仅改善了教育评估方式，而且有力地促进了传统教育评估方法向高效率、高质量和更加准确可靠的方向转变，促进了教育评估系统的改革，推动了教育评估方法的更新。教育评估是高等教育活动中一个非常重要的方面。而建筑工程专业毕业设计(论文)工作则是本科生培养中一个至关重要的环节，做好本科生毕业设计(论文)评估工作，有助于改进建筑工程专业本科生的培养。遗憾的是，多年来对本科生毕业设计(论文)评估工作普遍重视不够，或者虽然重视，却仅仅停留在定性评价的阶段，缺乏准确可靠的评价标准，所有这些都不同程度地影响了本科生毕业设计(论文)工作的质量。在这种情况下，将计算机引人本科生毕业设计(论文）评估活动中来，可以大大改善这种状况。计算机具有存储量大、可连续工作等特点，而且利用计算机处理评估材料，获得评估结果，具有速度快、效率高、结果可靠的特点，只要指标体系建立合理，计算机能不受任何人为因素的干扰，提供给教学管理人员实事求是的结果，成为他们工作中得力的助手。为此，我们开发研制了建筑工程专业毕业设计(论文)计算机辅助评估预测系统（以下简称评估预测系统)。
二、评估预测系统的开发研制
(一）基本原理与方法
如何实现评估过程从定性到定量的转变，是开发研制该系统的关键所在。我们依据高等教育评估的原理，采用模糊综合评价的基本原理和方法，给出了建筑工程专业毕业设计(论文)评估的量化模型，具体步骤如下：
1.建立毕业设计(论文）评估指标体系。一级指标分为教师、学生、选题、客观条件四个方面。各方面再细分则为二级指标，如：教师方面分为准备工作、课堂讲授、出勤率、答疑情况、教学方式、教师职称等六个方面；学生方面分为学习态度、平时成绩、计算书完成情况、图纸完成情况、创新情况、译文完成情况等六个方面；选题方面分为结构类型、课题新颖程度、计算机应用合理程度、题目性质、外文资料、创新性等六个方面；客观条件分为设计教室、绘图仪器及图板、机房及出图设施、每位教师指导学生人数等四个方面。
2. 设立评价等级V，V=1好(VI)，较好(V2)，—般(V3)，较差(V4)|。
3. 构造单因素评判矩阵R，
其中，R中每一个元素rij表示第i个评价因素对第j个评价等级的隶属度。
4. 设立各评价因素权重集A，例：一级指标权重集八=(0_35，0.35，0.15，0_15)，八的取值可根据经验，并依据以往各届毕业设计(论文）评估结果经反复试算确定。
5.计算综合评判矩阵
6.对各级指标体系重复步骤
7.计算测评结果
求得最终评判矩阵B该量化模型针对毕业生总体进行评估，评价毕业生的综合质量，改变了过去仅片面地对个人进行评估的状况。
(二）评估预测系统的计算机开发语言
系统采用流行的Windows人机交互式界面，力争做到界面友好，操作方便。根据本系统的特点和具体要求，我们选用了Windows环境下的VisualBasic5.0可视化编程语言开发本系统。VisualBasic5.0是微软公司开发的功能十分强大而又简单易用的可视化编程环境，编程速度快，界面质量高，是编写Windows应用程序的最佳选择。使用VisualBa¬sic语言开发本系统充分体现了本系统处理数据、信息快捷方便的特点。
(三）评估预测系统的总体结构
在Windows操作系统下安装本系统后，启动系统，进人主菜单，依据界面提示您就可以轻松完成评估工作，系统主框图如下：
三、评估预测系统的优点
1. 量化评估，提前预测，动态管理。该计算机辅助评估预测系统能够对毕业设计(论文)工作方案可能取得的效果进行预测。教学管理人员只要依据该系统的提示输人各项有关毕业设计(论文)工作方案的参数，系统随即能计算出毕业设计(论文)工作的成绩，从而对各项工作方案的结果作出预测。通过反复改变参数——计算成绩，教学管理人员就能够发现各种方案的优缺点，即哪一项安排对毕业设计(论文)工作是有利的，如果实施下去会取得好的工作效果；哪一项安排对毕业设计(论文)工作是不利的，实施下去必将导致毕业设计(论文)工作成绩下滑。这种预测如果安排在毕业设计(论文)工作开始之前，管理者就能有效地对毕业设计(论文)方案进行调整，从而获得满意的效果。我们将99届与往届的工作方案作了一下比较，发现由于老教授退休较多，本次毕业设计年轻教师比例上升，但年轻教师职称偏低，讲师居多，教授、副教授比例严重下降，用该系统初步预测发现毕业设计整体质量将要下滑。根据这个信息，系学术委员会马上采取措施，对年轻教师提出更高要求：指导教师中讲师一级必须具有硕士学历，且应有一定的工程实践经验，在课题选择及指导上必须具有较强的创新性，最后经系学术委员会严格审查后方可上岗。再用本系统预测后发现，毕业设计(论文)工作最终得分并未降低，反而稍有提高。目前，99届毕业设计(论文)工作已经结束，最终得分的确较98届有所提高，与系统预测结果吻合较好。
2. 有效监督，对症下药。毕业设计(论文）工作进行到中期时，系里为了加强对毕业设计(论文）工作的监督管理，一般要求安排一次中期检查。该检查能发现一些问题，但对这些问题造成的结果却很难预知。这样的话，发现缺点往往不能及时纠正，任其发展下去必将导致不良后果。这时，如果用该计算机辅助评估预测系统进行一下“中期评估”，各种问题可能导致的结果将一览无遗，且该系统会帮助教学管理人员清楚地发现各种导致毕业设计(论文）工作成绩偏低的原因，从而有针对性地，高效率地对缺点进行纠正，对优点给予肯定，保证毕业设计(论文)工作顺利进行，最终取得优异成绩。例如，99届某老师所带设计组，由于指导教师出勤率过低，中期检查时系统评估预测该设计小组成绩偏低，系领导马上对指导教师进行了批评教育。由于纠正及时，最终这个小组成绩达到了总体平均成绩。
3.总结校核，公平合理。毕业设计(论文）工作结束后，系里要对指导教师、学生的工作学习成绩进行评定。由于诸多非客观因素的影响，结果往往难以做到公平合理。此时借助该系统对毕业设计(论文)工作的成绩进行校核评估，可使毕业设计(论文)成绩评定1：作更加公平合理。该软件是“诚实的检查官”，只要输入的各项参数正确，系统将实事求是地予以评分，这就摒弃了人为因素的干扰。
灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。
关键词：变形监测； 灰色系统； 灰色预测模型
中图分类号：O141.4 文献标识码：A 文章编号：
1 引言
MATLAB源于Matrix Laboratory一词，原意是为矩阵实验室，是由John Little和Cleve Molar共同成立的美国Math Works公司推出的一种集数学、图形处理和程序设计语言于一体的科技应用软件。它把科学计算、结果的可视化和编程都集中在一个使用非常方便的环境中。在这个环境中，用户的问题和得到的结果都是通过用户非常熟悉的数学符号来表达的。MATLAB系统包括几个组成部分：MATLAB语言、MATLAB工作环境、MATLAB工具箱和MATLAB的API。MATLAB以向量和矩阵为基本数据单位，被称为第4代计算机语言，有着其他一些语言所无法比拟的特点：功能强大；语言简单；扩充能力强、可开发性强；编程容易、效率高。它已在国内外高校、科研机构和工程技术上得到了广泛的应用[1]。
灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它和MATLAB的结合可以有效的解决了灰色系统理论在矩阵计算中的问题，为灰色系统理论的应用提供了一种新的方法[2]。
2GM(1，1)预测模型的MATLAB部分源程序
根据上述GM(1，1)模型的数学思想，结合MATLAB语言的特点编制了一套可读性强，容易理解的预测程序。该程序操作简单灵活，稳定性好，直接面向用户。只要输入原始数据，就可得到预测值和预测值与实测值比较图形。
3工程实例应用
3.1 数据资料
将卧龙寺新滑坡的5号裂缝变形观测数据作为GM(1，1)预测模型程序的原始输入值。其变形时序见表3-1
表3-1 卧龙寺新滑坡位移检测资料(5号裂缝)
预测结果：
在MATLAB平台下，输入表1中的数据即x=[1.0 1.5 1.7 2.5 3.2 4.0 4.4 5.1 5.9 6.3 7.0 7.3 7.8 8.2 8.4 8.7 9.0 9.4 10.0]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果如表4-2：
表3-2 卧龙寺新滑坡5号裂缝实测位移量与预测值(mm)
运行成果图如下：
图3-1.卧龙寺新滑坡5号裂缝原始数据与GM模型预测值比较 图3-2. 新滩滑坡体原始数据与GM模型预测值比较
3.2 数据资料2
1986年6月12日，长江西陵峡新滩镇发生了一次较大规模的滑坡，即新滩滑坡。将其关键部位A点的位移时序观测值作为GM(1，1)预测模型程序的原始输入值。其变形时序如表3-3
表3-3 新滩滑坡体A测点位移观测资料（mm）
预测结果：
在MATLAB平台下，输入表1中的数据即x=[0.077 0.092 0.615 0.65 0.69 0.738 0.846 0.962 1.0 1.03 1.061 1.077 1.1 1.23 2.46 2.754 2.83 2.92 3.46 4.00]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果表3-4：
表3-4 新滩滑坡体A测点位移实测位移量与预测值(mm)
4 结论
变形测量值是已发生的变形量，但更重要的是通过对变形观测资料的处理，从现有的数据中预报出下一时刻的变形值，以判断工程的安全状况。本文结合工程实际，探讨了变形监测方案设计、监测数据处理等问题，应用灰色系统理论对建筑物原型观测资料进行了分析；同时，运用MATLAB程序软件编制了GM(1，1)灰色预测模型程序。总结本文，得出以下主要结论:
1.在全面评述变形监测的目的、方法以及变形监测完整过程的基础上，总结归纳了变形观测点位的布设、观测周期的确定原则和方法；指出以允许变形值的安全度为依据来确定变形观测精度指标是一条新途径。
2.针对建筑物时效变形具有一定的单调性和弱随机性，引入灰色系统理论。在一般灰色模型建模特点的基础分析上，建立了灰色预测模型，并将其应用于工程实践中。
3.应用MATLABRUA软件编制了灰色预测模型及精度检验程序.MATLAB是专用的矩阵计算软件，对矩阵的计算有很好的效果，而且用起来比较容易简单，还可以允许用户编程对功能进行扩展。
4、灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。
参考文献：
[1]周 卫. 基于MATLAB的灰色系统沉降预测. 测绘通报，2002(6):34~36
[2]邓聚龙.灰色系统.北京:国防工业出版社，1985
[3]尹晖等.灰色动态预测方法及其在变形预测中的应用.武汉测绘科技大学学报，1996
[4]陈永奇.变形观测数据处理.北京:测绘出版社，1988
论文摘要：本文提出了两种证券投资预测方法—马氏链法和e-bayes法。首先对数据进行分组，然后在此基础上应用马氏链法和e-bayes法的理论建立预测模型，最后结合实际问题进行了 计算 ，两种方法的预测结果是一致的。
引言
在 文献 中，介绍了1990年诺贝尔 经济 学奖的三位得主harry markowitz，william sharpe和merton miller在证券投资方面的主要工作，很有 参考 价值。markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。markowitz把投资组合的价格视为随机变量，用它的均值为衡量收益，用它的方差来衡量风险(因此markowitz的理论又称为均值——方差分析理论)，该理论后来被誉为“华尔街的第一次革命”。
证券的价格忽高忽低似乎难以捉摸，但在 政治 经济形势比较平稳的条件下，它的变化是由其基本因素的变化所决定的。由于证券投资的高效率，这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下，用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法，是应用 历史 价格各种图象和曲线来预测证券价格。近些年来，技术分析法 发展 很快，特别是随着计算机的普及，各种分析方法法越来越多。总的来看，技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具；统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和e-bayes法，不仅能预测证券的价格走势，而且还能进一步预测出证券的价格范围。
1、马氏链法
在考虑随机因素影响的动态系统中，常常遇到这种情况：系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移，并且下一个时期的状态只取决于这个时期的状态和转移概率，与以前各时期状态无关。这种情况称为无后效性，或马尔可夫性，通俗地说就是：已知现在，将来与历史无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(markov chain)模型描述。
马氏链模型在经济、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型，并对证券投资进行预测，从而为证券投资预测提供一种技术分析方法。
马氏链法的最简单类型是预测下一期最可能出现的状态，可按以下几个步骤进行：
(1)划分预测对象所出现的状态——把数据进行分组。
从预测的目的出发，并考虑决策者的需要来划分所出现的状态，同时把数据进行分组。
(2)计算初始概率
论文关键词：运筹学；证券投资；预测模型；马氏链法；e-bayes法
论文摘要：本文提出了两种证券投资预测方法—马氏链法和e-bayes法。首先对数据进行分组，然后在此基础上应用马氏链法和e-bayes法的理论建立预测模型，最后结合实际问题进行了计算，两种方法的预测结果是一致的。
引言
在文献中，介绍了1990年诺贝尔经济学奖的三位得主harry markowitz，william sharpe和merton miller在证券投资方面的主要工作，很有参考价值。markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。markowitz把投资组合的价格视为随机变量，用它的均值为衡量收益，用它的方差来衡量风险(因此markowitz的理论又称为均值——方差分析理论)，该理论后来被誉为“华尔街的第一次革命”。
证券的价格忽高忽低似乎难以捉摸，但在政治经济形势比较平稳的条件下，它的变化是由其基本因素的变化所决定的。由于证券投资的高效率，这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下，用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法，是应用历史价格各种图象和曲线来预测证券价格。近些年来，技术分析法发展很快，特别是随着计算机的普及，各种分析方法法越来越多。总的来看，技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具；统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和e-bayes法，不仅能预测证券的价格走势，而且还能进一步预测出证券的价格范围。
1、马氏链法
在考虑随机因素影响的动态系统中，常常遇到这种情况：系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移，并且下一个时期的状态只取决于这个时期的状态和转移概率，与以前各时期状态无关。这种情况称为无后效性，或马尔可夫性，通俗地说就是：已知现在，将来与 历史 无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(markov chain)模型描述。
马氏链模型在 经济 、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型，并对证券投资进行预测，从而为证券投资预测提供一种技术分析方法。
马氏链法的最简单类型是预测下一期最可能出现的状态，可按以下几个步骤进行：
(1)划分预测对象所出现的状态——把数据进行分组。
论文摘要：本文提出了两种证券投资预测方法—马氏链法和E-Bayes法。首先对数据进行分组，然后在此基础上应用马氏链法和E-Bayes法的理论建立预测模型，最后结合实际问题进行了计算，两种方法的预测结果是一致的。
引言
在文献中，介绍了1990年诺贝尔经济学奖的三位得主Harry Markowitz，William Sharpe和Merton Miller在证券投资方面的主要工作，很有参考价值。Markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。Markowitz把投资组合的价格视为随机变量，用它的均值为衡量收益，用它的方差来衡量风险(因此Markowitz的理论又称为均值——方差分析理论)，该理论后来被誉为“华尔街的第一次革命”。
证券的价格忽高忽低似乎难以捉摸，但在政治经济形势比较平稳的条件下，它的变化是由其基本因素的变化所决定的。由于证券投资的高效率，这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下，用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法，是应用历史价格各种图象和曲线来预测证券价格。近些年来，技术分析法发展很快，特别是随着计算机的普及，各种分析方法法越来越多。总的来看，技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具；统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和E-Bayes法，不仅能预测证券的价格走势，而且还能进一步预测出证券的价格范围。
1、马氏链法
在考虑随机因素影响的动态系统中，常常遇到这种情况：系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移，并且下一个时期的状态只取决于这个时期的状态和转移概率，与以前各时期状态无关。这种情况称为无后效性，或马尔可夫性，通俗地说就是：已知现在，将来与历史无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(Markov Chain)模型描述。
马氏链模型在经济、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型，并对证券投资进行预测，从而为证券投资预测提供一种技术分析方法。
马氏链法的最简单类型是预测下一期最可能出现的状态，可按以下几个步骤进行：
(1)划分预测对象所出现的状态——把数据进行分组。
从预测的目的出发，并考虑决策者的需要来划分所出现的状态，同时把数据进行分组。
(2)计算初始概率
论文关键词：运筹学；证券投资；预测模型；马氏链法；E-Bayes法
论文摘要：本文提出了两种证券投资预测方法—马氏链法和E-Bayes法。首先对数据进行分组，然后在此基础上应用马氏链法和E-Bayes法的理论建立预测模型，最后结合实际问题进行了计算，两种方法的预测结果是一致的。
引言
在文献中，介绍了1990年诺贝尔经济学奖的三位得主Harry Markowitz，William Sharpe和Merton Miller在证券投资方面的主要工作，很有参考价值。Markowitz获奖是因为他提出了投资组合选择(portfilio selection)理论。Markowitz把投资组合的价格视为随机变量，用它的均值为衡量收益，用它的方差来衡量风险(因此Markowitz的理论又称为均值——方差分析理论)，该理论后来被誉为“华尔街的第一次革命”。
证券的价格忽高忽低似乎难以捉摸，但在政治经济形势比较平稳的条件下，它的变化是由其基本因素的变化所决定的。由于证券投资的高效率，这些因素的变化会立即从证券的价格上反映出来。因素分析法是根据在一定时期、一定环境下，用影响证券价格变化的因素来预测证券价格走势的一种方法。技术分析法，是应用历史价格各种图象和曲线来预测证券价格。近些年来，技术分析法发展很快，特别是随着计算机的普及，各种分析方法法越来越多。总的来看，技术分析法可以分为图象分析法和统计分析法。图象分析法是以图、表为分析工具；统计分析法是对价格、交易量等市场指标进行统计处理。本文提出了两种证券投资预测方法——马氏链法和E-Bayes法，不仅能预测证券的价格走势，而且还能进一步预测出证券的价格范围。
1、马氏链法
在考虑随机因素影响的动态系统中，常常遇到这种情况：系统在每个时期所处的状态是随机的。从这个时期到下一个时期的状态按照一定的概率进行转移，并且下一个时期的状态只取决于这个时期的状态和转移概率，与以前各时期状态无关。这种情况称为无后效性，或马尔可夫性，通俗地说就是：已知现在，将来与历史无关。具有无后效性的时间、状态均为离散的随机转移过程通常用马氏链(Markov Chain)模型描述。
马氏链模型在经济、社会、生态、遗传等许多领域中有着广泛的应用。本文我们用马氏链建立预测模型，并对证券投资进行预测，从而为证券投资预测提供一种技术分析方法。
马氏链法的最简单类型是预测下一期最可能出现的状态，可按以下几个步骤进行：
(1)划分预测对象所出现的状态——把数据进行分组。
