火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.     

基于上凸序列的GM(1,1)模型及其优化

针对GM(1,1)模型对上凸序列建模时会出现误差较大的情况进行了研究.首先分析了GM(1,1)对上凸序列建模时的残差变化规律,然后通过分析得出了残差变化规律的精确描述,同时证明了残差序列的几个性质定理.基于残差序列的性质定理提出了基于上凸序列建模的残差修正GM(1,1)模型.将新模型与多种改进的GM(1,1)模型进行对比,实证结果表明新模型具有很高的模拟预测精度,并且适用于一切上凸序列的建模.     

基于残差修正GM(1,1)模型的火灾事故预测

为掌握火灾发生、发展的规律,针对火灾事故的特点,根据灰色理论,建立了我国火灾起数及死亡人数的GM(1,1)预测模型.由于火灾起数的波动性较大,运用残差变化规律,对所建立的GM(1,1)预测模型进行了修正,得到残差修正GM(1,1)预测模型,应用该模型对火灾起数进行预测,使预测精度达到了一级.预测结果可以为消防安全管理部门的决策提供科学的依据.     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

残差修正的CGM(1,1)模型研究及应用

根据数值分析理论中的数值积分思想,对GM(1,1)模型的背景值和常数进行改进,形成残差修正的CGM(1,1)模型.实验结果表明,残差修正的CGM(1,1)模型可获得较高的模型精度.     

基于机场货运预测的GM(1,1)建模过程问题分析

运用灰色系统GM(1,1)模型进行预测时,模拟精度和预测精度是关注的焦点.对原始数据构造缓冲算子和进行完整的前期检验,运用等维灰数递补的动态建模方法,针对误差建立残差修正模型,都可以提高预测的可信度.通过归纳建模各阶段可能出现的典型问题以及解决方法,以期对建立优化模型有所帮助.最后建立GM(1,1)模型预测天津滨海机场货邮吞吐量.     

甲型H1N1流感传染人数的灰色预测模型研究

就我国甲型H1N1流感传染人数的预测运用灰色系统理论建立了GM(1,1)模型和1阶残差修正模型GMε(1,1),并分别作了精度分析研究了GMε(1,1)的变化趋势,提出了临界值和有效域概念.用MATLAB确定了模型参数及模型预测值.     

残差灰色预测模型在我国老龄人口预测中的应用

利用灰色预测理论,建立了GM(1,1)模型和残差灰色预测模型,经过分析,结果表明:残差灰色预测比GM(1,1)模型预测精度高.于是,利用残差灰色预测模型对2012-2020年我国人口老龄化状况进行了预测,为我国政府制定正确的相关政策提供科学理论依据.     

基于GM(1,1)残差模型的科技园区财政收入预测

根据科技园区财政收入预测的需要,在对历史数据分析的基础上,利用灰色预测理论建立了丰台科技园区财政收入预测的GM(1,1)模型,为了提高预测精度,用GM(1,1)残差模型对其修正,得出预测公式.通过预测结果的对比分析和模型的后验差检验,证明预测模型精度较高.模型的应用为科技园区财政收入预测提供了一种科学方法,同时也为园区管理决策提供了依据.     

基于残差GM(1,1)模型的强(弱)化缓冲算子还原模型

残差GM(1,1)模型预测效果相对于GM(1,1)模型较好,但是其要求残差尾段符号一致的自身缺陷常常存在,在实际工作中难以运用,需要解决其自身缺陷,故本篇提出新的模型,即基于残差尾段的强(弱)化缓冲算子还原模型.在残差GM(1,1)模型的基础上,以残差尾段序列作为原始数据,判断其是否满足灰色建模条件,如满足,则直接建模;如不满足,需要对其进行序列算子强(弱)化处理,进行GM(1,1)建模,之后进行强(弱)化缓冲算子还原.以实例为证,最终结果表明强(弱)化缓冲算子还原模型的预测精度稍有提高,且解决了自身缺陷和允许序列不符合灰色建模(诱发缺陷)的情况出现.     

灰色系统理论在河北省城镇居民人均年收入预测中的应用

运用灰色系统理论,对河北省城镇居民人均年收入建立了GM(1,1)预测模型,并进行了预测.由计算结果表明该预测模型具有较好的预测精度.     

基于最小二乘法的GM(1,1)模型在我国猪肉产量预测中的应用研究

猪肉产量受诸多因素影响,因此数据波动性大,并且具有小样本性及贫信息等特点.本文采用基于最小二乘法的GM(1,1)模型对我国未来几年内猪肉产量进行了短期预测.首先,介绍了GM(1,1)模型;然后,通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性,建立基于最小二乘法的GM(1,1)模型;其次,结合2008至2014年我国猪肉产量数据建立预测模型;最后,使用2014年数据对模型的可靠性进行验证,基于最小二乘法的GM(1,1)模型的预测结果更加接近实际值.预测结果显示未来3年中国猪肉产量将持续增加.该模型为其他相关预测提供了理论依据,也便于我国对未来猪肉产品市场进行宏观调控,维持猪肉市场平衡,避免猪肉价格波动风险.     

基于蚁群算法的灰色组合预测模型

分别利用灰色GM(1,1)模型、GM(1,1)优化模型和新息GM(1,1)模型建立三个单项预测模型,进一步建立了组合灰色预测模型,组合模型的权系数利用蚁群算法确定.最后给出了一个我国人口数量组合预测模型,计算结果表明,基于蚁群算法的灰色组合预测模型的拟合和预测精度要优于传统组合预测模型.     

上海未来短期客运量的预测分析——基于最小二乘法改进的GM(1,1)模型

客运量受诸多因素影响因此数据波动性大,并且具有小样本性及贫信息等特点.采用基于最小二乘法改进的GM(1,1)模型,对上海市的客运量进行短期预测.首先介绍了普通GM(1,1)模型的建立方法;然后通过最小二乘法的原理弱化波动较大的数据,减少随机性,加强规律性建立改进的新GM(1,1)模型;其次结合2005-201.4年数据建立预测模型;最后使用2014年数据对模型可靠性进行验证.结果表明该预测方法精度高误差小,改进的模型预测结果更加接近实际值.该模型为其他相关预测提供了理论依据,也便于上海市对未来交通运输的宏观调控.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

基于改进灰色GM(1,1)马尔柯夫模型的煤矿事故百万吨死亡率预测

煤矿安全事故预防和控制是煤矿安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.结合灰色预测GM(1,1)模型和马尔可夫链理论的优点,提出了一种改进的灰色马尔可夫GM(1,1)模型.利用改进的GM(1,1)模型进一步拟合煤矿人因失误事故的发展变化趋势,并以此为基础进行马尔柯夫预测,提高预测效果.以2000-2010年全国煤矿事故百万吨死亡率为例进行了预测分析,结果表明模型既能揭示煤矿人因失误事故百万吨死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性,并对煤矿人因失误安全事故的预测和控制有一定的实际意义.     

基于模糊GM(1,1)模型的时间序列预测

提出了一种模糊GM(1,1)预测模型,即FGM(1,1)模型,该方法是在GM(1,1)模型中引入模糊成员函数,通过模糊成员函数对时间序列数据进行模糊化,达到数据优化选择,实现历史数据"重近轻远"的预测效果.仿真结果表明所提出的预测方法有效可靠,为提高预测精度提供了新的途径.     

对背景值优化的新GM(1,1)模型

为了提高灰色GM(1,1)模型的模拟及预测精度,考虑对模型的初始条件x(1)(n)增加扰动因素β,把x(1)(n)+β作为模型的新初始条件,并对模型的背景值进行优化,从而得到了一种改进的GM(1,1)模型.还通过实例验证了新建模型比原有模型提高了拟合的效果及预测的精度.     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

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.