基于数据变换的优化GM(1,1)模型

本文研究了提高灰色GM(1,1)模型预测精度的问题.利用复合函数变换对原始数据序列经过一定处理的基础上同时优化模型的背景值和初始值的方法,获得了比改进单个模型条件更高预测精度的GM(1,1)模型,推广了灰色预测模型的适用范围.     

GM(1,1)模型适用域讨论及模型的改进

在已有灰色系统理论的基础上,讨论了GM(1,1)模型的适用域,明确界定了GM(1,1)模型的有效区域和禁区,并提出了GM(1,1)模型的一种改进形式——离散灰色预测DGM(1,1)模型.通过对我国经济增长的实证分析说明了该模型的有效性和可靠性.研究结果表明,提出的DGM(1,1)模型可作为灰色预测的一种精确模型,因此,为我国经济增长预测提供了一种新的方法,对当前我国经济的理性增长具有重要的指导意义.     

Forecasting energy demand using neural-network-based grey residual modification models

Grey forecasting models have taken an important role for forecasting energy demand, particularly the GM(1,1) model, because they are able to construct a forecasting model using a limited samples without statistical assumptions. To improve prediction accuracy of a GM(1,1) model, its predicted values are often adjusted by establishing a residual GM(1,1) model, which together form a grey residual modification model. Two main issues should be considered: the sign estimation for a predicted residual and the way the two models are constructed. Previous studies have concentrated on the former issue. However, since both models are usually established in the traditional manner, which is dependent on a specific parameter that is not easily determined, this paper focuses on the latter issue, incorporating the neural-network-based GM(1,1) model into a residual modification model to resolve the drawback. Prediction accuracies of the proposed neural-network-based prediction models were verified using real power and energy demand cases. Experimental results verify that the proposed prediction models perform well in comparison with original ones.     

含有压缩因子的粒子群优化灰色模型在智能电网中的应用

针对智能电网对用电量预测的需求和电力系统的负荷特性,在分析了灰色模型GM(1,1)的局限性以及基本粒子群算法在优化GM(1,1)背景值时所出现的不足的基础上,构建了具有压缩因子K的粒子群算法,以此来改进灰色模型的背景值,提出了含有压缩因子的粒子群优化灰色模型KPSO-GM,并把它用于智能电网中用电量预测。实例证明,该算法具有较高的预测精度,有利于提高智能电网的质量。     

中国能源消费预测灰色建模法

选取2001—2007年中国能源消费实际值为依据,应用灰色系统理论建立煤炭能源和能源消费总量GM(1,1)预测模型,并分别进行精度检验和对比分析.检验结果表明:所建立的预测模型均为一级精度,适合于具有灰色特征的能源消费原始数据序列的模拟和预测分析.通过预测模型的计算结果可以知道:中国煤炭能源和能源消费总量呈指数增长规律,2008—2012年期间分别以16.33%和14.94%的速度增长,在整体能源消费结构中,煤炭能源所占比例将以0.29%的速度增长(为合理规划我国未来的能源消费战略,制定能源供应短缺和能源环境污染对策).     

农业生产中化肥需要量的灰色预测

在分析了ＧＭ（１，１）模型局限性的基础上，推荐使用灰色Ｖｅｒｈｕｌｓｔ模型．在本文中，灰色Ｖｅｒｈｕｌｓｔ模型比ＧＭ（１，１）模型预测精度高，能广泛应用到实际问题中。     

Grey forecasting method of quarterly hydropower production in China based on a data grouping approach

Grey model GM (1,1) has been widely used in short-term prediction of energy production and consumption due to its advantages in data sets with small numbers of samples. However, the existing GM (1,1) modelling method can merely forecast the general trend of a time series but fails to identify and predicts the seasonal fluctuations. In the research, the authors propose a data grouping approach based grey modelling method DGGM (1,1) to predict quarterly hydropower production in China. Firstly, the proposed method is used to divide an entire quarterly time series into four groups, each of which contains only time series data within the same quarter. Afterwards, by using the new series of four quarters, models are established, each of which includes specific seasonal characteristics. Finally, according to the chronological order, the prediction results of four GM (1,1) models are combined into a complete quarterly time series to reflect seasonal differences. The mean absolute percent errors (MAPEs) of the test set 2011Q1–2015Q4 solved using the DGGM (1,1), traditional GM (1,1), and SARIMA models are 16.2%, 22.1%, and 22.2%, respectively; the results indicated that DGGM (1,1) has better adaptability and offers a higher prediction accuracy. It is predicted that China's hydropower production from 2016 to 2020 is supposed to maintain its seasonal growth with the third and first quarters showing the highest and lowest productions, respectively.     

GPM(1,1,m)模型及其在中国能源消费预测中的应用

客观准确地预测能源消费,可以为政府制定社会经济发展政策提供重要参考.利用矩阵分析的思想研究了灰色预测模型的建模机理,提出了基于时间多项式的可拓形式GPM(1,1,m)模型,并分析了其理论意义.在此基础上,通过研究了时间多项式对模型参数和预测值的影响,推导了它们之间的定量关系,设计了实际建模中的优化方法和参数估计的一般形式.利用GPM(1,1,m)模型预测中国的能源消费量并与其他灰色预测模型进行对比.根据2002-2017年的数据建立模型,结果显示GPM(1,1,m)模型的精度明显的优于其他模型.     

改进GM(2,1)模型的MATLAB实现及其应用

针对经济预测,根据灰色模型GM(1,1)的应用介绍了灰色模型GM(2,1)的原理,并利用最小二乘法改进GM(2,1)算法及其预测步骤,用MATLAB实现了预测,用中国经济增长率数据做了仿真,对观测时间序列拟合出数学模型.     

基于改进的GM(1,1)-Markov链组合模型广东省单位GDP能耗预测

本文以灰色系统理论的GM(1,1)模型和随机过程理论的Markov链模型为基础构建了一个动态GM(1,1)-Markov链组合预测模型。该模型同时利用了GM(1,1)模型对序列趋势因素良好的拟合能力和Markov链模型对残差序列信息的提取能力。为进一步提高该模型的预测精度,用泰勒(Taylor)近似方法和新信息优先的思想对该模型进行了改进。最后,以1991-2014年广东省单位GDP能耗数据实证了该模型的预测效果。     

北京市水资源利用建模分析研究

以北京市为例,分别应用无偏灰色GM(1,1)模型和非线性模型对北京市2001年-2010年的用水量进行了建模,利用最优化方法,计算了上述两种模型的最优组合模型,通过三种模型分别计算了北京市2001年-2010年的水资源利用量,并与北京市2001年-2010年的实际用水量进行了对比,采用精度检验方法,分别对无偏灰色模型,非线性模型和组合模型进行了精度检验,计算结果表明,加权组合模型是三种模型中精度最高的模型,通过组合模型计算得出的用水量值与实际水资源利用量相比误差最小,由此得出,可以利用组合模型对北京市未来的水资源利用量进行预测,预测结果可为其他相关研究提供参考.     

灰色振荡序列GM(1,1)模型及在城市用水中的应用

GM(1,1)模型是城市用水量预测的一种有效的方法,但利用GM(1,1)模型难以反映序列的随机波动性。本文提出的平移变换和几何平均变换方法,不仅能构造更适合建立GM(1,1)模型的单调递增序列,也能有效地弱化原始序列的随机性,并保持其单调性,使其变化梯度趋于平缓。通过大连市2000～2006年用水量的预测结果表明,此方法能够反映出城市用水量所具有的波动特性,提高GM(1,1)模型的预测精度,可应用于对灰色振荡序列建立GM(1,1)模型,从而扩大了GM(1,1)模型的应用范围。     

基于趋势修正的灰预测模型优化研究

针对序列增长趋势不完全满足准指数规律时的灰色预测建模问题,提出基于GM(1,1)模型与序列增长趋势之间偏差修正的建模方法,将GM(1,1)模型还原式中的常数项作为灰变量处理,加入调整系数以缩小拟合值与实际值之间的增长趋势差异,利用灰色离散模型拟合调整系数的变化过程,将得到的调整系数拟合值带入原时间响应函数,进而得到趋势修正的原始序列拟合值;运用新的建模方法对南京市第三产业用电量进行拟合和预测,证明了方法有效提升了GM(1,1)建模精度,并且拟合序列和实际序列的灰色绝对关联度得到提高.     

GM(1,1)模型灰色作用量的优化

通过把GM(1,1)模型中的灰色作用量b改进为动态的b_1+b_2k,从而构建了对灰色作用量优化的GM(1,1)模型.通过实例的验证以及与GM(1,1)模型对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高.     

基于离散指数函数优化GM(1,1)模型的再优化

分析了基于离散指数函数优化的GM(1,1)模型虽然大幅度提高建模的精度,但在构造新背景值过程中仍存在误差的原因,并针对此原因提出了进一步优化此背景值的方法,从而再次提高了建模的精度.经过严格理论验证该模型具有白化指数重合性,所以既适合用于低增长指数序列建模,也适合用于高增长指数序列建模.同时通过大量的数据模拟,并与原GM(1,1)模型及其基于离散指数函数优化的模型对比,发现本文优化的GM(1,1)新模型有非常高的模拟精度和预测精度.     

多因素灰色预测模型及其应用

为避免传统的单个因素的灰色预测的缺点,将灰色预测与多元回归相结合,提出了基于GM(1,1)的多元回归模型.并将模型应用于天津市人才预测状况,取得了较好的预测效果.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

灰色GM(1,1)模型研究综述

GM(1,1)是灰色预测理论的核心模型和基础模型.从累加生成方法、初值优化、背景值优化、参数估计方法、模型性质和模型拓展的视角,梳理了GM(1,1)模型的研究进展.明确了有待进一步研究的问题,对GM(1,1)模型的未来研究方向提出了建议.     

Discrete grey forecasting model and its optimization

Although the grey forecasting model has been successfully adopted in various fields and demonstrated promising results, the literatures show its performance could be further improved. For this purpose, this paper proposes a novel discrete grey forecasting model termed DGM model and a series of optimized models of DGM. This paper modifies the algorithm of GM(1, 1) model to enhance the tendency catching ability. The relationship between the two models and the forecasting precision of DGM model based on the pure index sequence is discussed. And further studies on three basic forms and three optimized forms of DGM model are also discussed. As shown in the results, the proposed model and its optimized models can increase the prediction accuracy. When the system is stable approximately, DGM model and the optimized models can effectively predict the developing system. This work contributes significantly to improve grey forecasting theory and proposes more novel grey forecasting models.     

自适应灰色欧拉模型的优化及其应用

灰色预测模型已经在很多领域获得成功的应用,但是该方法的模型性能还可以进一步提高.为此,提出了一种新的灰色欧拉模型GEM(1,1)和OSGEM(1,1),给出了参数的最小二乘法计算公式,并以微分方程为推理过程,得到了GEM(1,1)模型和OSGEM(1,1)模型的时间响应序列.利用2002-2015年的数据建立预测模型,利用2016-2018年的数据评估模型的准确性.结果表明,OSGEM(1,1)模型优于其他模型.