一种新的非线性模糊自适应变权重组合预测模型

对于复杂工业系统非线性时间序列预测精度不高问题,引入了多种预测方法的预测相对误差、预测对象的变化趋势、灰色基本权重和自适应调节系数等概念,建立了模糊自适应变权重非线性组合预测模型。结果表明,此模糊自适应变权重非线性组合预测模型的精度较高,并且平均误差和预测平方根误差均较小。该组合预测模型为复杂非线性工业系统所需决策提供了有力支持。     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

基于三角模糊数序列的灰色预测模型

以GM(1,1)模型为代表的灰色预测模型是以精确数序列为基础,难以满足实际需要.为了使灰色模型适应于模糊数序列,具体给出了一种基于三角模糊数序列的建模方法,这种方法也可以实现对二元区间模糊数和梯形模糊数序列的建模.首先由三角模糊数序列得出三个含有等量信息的精确数序列:重心序列、隶属函数的覆盖面积序列和中界点序列,对这三个序列分别建模后,再导出原始三角模糊数序列的三个界点的预测模型.这种建模方法既保持了模糊数的整体性又提高了建模序列的光滑度,提高了预测精度.最后进行了多组随机三角模糊数序列的数据模拟,验证了模型的有效性.     

基于灰色马尔科夫模型的平顶山市空气污染物浓度预测

选用平顶山市2005—2009年各空气污染物浓度作为原始数据序列,建立灰色马尔科夫预测模型,对未来10年的污染因子浓度进行预测.模型检验结果表明:均方差比值和小误差概率均为一级;运用灰色关联分析法计算各污染物原始数据序列与预测数据序列之间的关联度,定量描述灰色马尔科夫预测模型对于空气质量预测的精确度,平均精度达到99.9%,表明灰色马尔科夫预测模型对于空气质量预测有很高的实用性.     

基于时间序列与灰色拓扑的春节火灾损失预测

火灾每年给中国带来了巨大的损失,春节期间的火灾损失更是严重.根据1999-2010年春节期间火灾统计资料,火灾四项指标数据具有时序性以及随机波动性、模糊性.运用时间序列与灰色拓扑预测方法相结合预测春节期间火灾发生规律,且预测出未来3年内的火灾发生情况.结果表明,时间序列预测模型的平均绝对误差较小,且所建立的灰色拓扑预测模型的拟合精度都达到"好"的标准.因此,采用时间序列与灰色拓扑预测模型相结合对春节火灾发生情况进行预测,其结果合理可靠,可供理论研究和消防部门做出相应的预防措施参考,以达到有效控制和预防春节火灾的目的.     

混沌理论和灰色系统在农机总动力预测中的应用

农机总动力的预测可以为农业装备需求规划提供数据参考,以黑龙江省农机总动力数据作为研究对象,应用混沌理论中G-P算法计算农机总动力的关联维数,将求出的关联维数与灰色系统理论中的灰色关联分析法相结合研究其影响因素,建立了农机总动力灰色多变量预测模型GM(1,m).计算结果:应用Matlab软件编程计算得到了农机总动力7个具体的主导影响因素,并建立了农机总动力的灰色多变量GM(1,7)预测模型,模型的平均相对误差为2.14%,由结果对比可知该预测模型的预测结果高于GM(1,1),方法具有一定的预测精度与科学性.     

基于关联面积的变权组合预测方法及其应用

变权组合预测方法是一种应用非常广泛的组合预测方法,它能够有效提高组合预测方法的预测和拟合精度.为了提高拟合精度,利用各个单项预测方法与原始数据序列在两个相邻时刻的关联面积以及关联度,给出了一种确定变权组合预测模型变权重系数的方法.最后利用该变权重的组合预测模型建立了新疆建设兵团城镇化发展水平的变权组合预测模型,结果表明这类变权组合预测方法具有较高的预测和拟合精度.     

不等时距灰色组合预测模型的研究

在不等时距序列灰色预测的基础上,建立了最优组合预测模型和BP神经网络组合预测模型.通过实例对比分析,表明这两种灰色组合预测模型都较各单项模型具有更高的预测精度和较高的理论实践价值.     

灰色预测模型算法的改进研究

为了解决固定模型预测时变系统容易出现较大误差的问题,提出模型更新算法,即采用将移动窗算法与传统灰色预测模型相结合的方法.通过在建模序列中删除一部分旧数据、纳入一部分新数据的方式递推更新预测模型,并分解数学模型所涉及的关键量ab从而简化递推数学公式;利用国家统计年鉴的统计数据验证上述方法的有效性.为了解决传统灰色预测模型建模长度选择的问题,而递推算法能在已知模型参数基础上通过简单计算获得新模型的各项参数,文章给出了详细的递推数学公式;另外对于最小建模长度L_(min)也进行讨论,认为L_(min)≥3,并给出证明.所改进算法提高灰色模型的预测精度,同时也为最优序列长度计算提供理论依据.     

基于小波分析的灰色GM(1,1)模型道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容,针对灰色GM(1,1)预测模型对波动性较大道路交通事故序列预测精度较低的缺点,引入小波分析理论,在小波分析理论的基础上建立灰色GM(1,1)预测模型.通过小波分析将某省2002-2009年道路交通事故起数分解成多层近似平稳的数据序列,然后对低频重构序列建立GM(1,1)模型进行预测.仿真结果表明,方法的预测结果比直接用灰色GM(1,1)模型更拟合原始数据,预测效果更好.预测结果可以为交通部门科学监管和制定决策提供一定的指导.     

简单平均法预测误差平方和的进一步研究

用数学归纳法对简单平均法与简单加权平均法的预测误差平方和的上界进行了比较,对简单平均法的有效性进行了分析.与相关文献的证明方法相比较,本文所采用的方法简单,直观而易懂.同时也得到了简单平均法就是最优组合预测方法的几个等价条件.     

Monitoring an Exponential Smoothing Forecasting System

The first part of this paper is concerned with the variance of the smoothed error when the forecasting system being used is exponential smoothing. The expression derived for this variance involves the variance of the noise, the smoothing constant and a sum of squared binomial coefficients. It is also shown that the variance of the sum of errors equals the variance of the smoothed error for one less degree of freedom divided by the square of the smoothing constant.The second part of the paper considers the practical application of the above result and also gives values for the tracking signal limits, obtained by simulation, which could be used in the automatic monitoring of a forecasting system.     

最优组合预测误差平方和取值范围的若干新结果

根据矩阵理论,给出了最优组合预测误差平方和更加精确的取值范围,得到了最优组合预测误差平方和的几个新结果.应用矩阵理论中的F roben ius定理,推导出了简单平均法是最优组合预测方法的一个充要条件.     

基于AGA-SVM的非线性组合预测模型

为提高预测精度,提出基于AGA-SVM的非线性组合预测模型.以组合预测模型的误差平方和最小为优化准则,用加速遗传算法对支持向量机参数进行优化选择,并利用支持向量机对单一模型的预测结果进行组合预测.算例结果表明,AGASVM综合利用了各单个预测模型的重要预测信息,其预测误差远远小于各单个模型的预测误差,其预测精度更高,模型的实用性更强.     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

河南省纺织企业人材的统计分析及最优组合预测模型

本文首先用不同的统计分析法给出二种纺织人才预测模型，而后采用最优组合预测模型，将二种模型所提供的信息，融合在一起，使预测效果更佳．     

最优组合预测的短期气候预报建模研究

以预报量序列建立均生函数短期气候预报模型及根据500hPa月平均高度场预报因子分别建立的BP网络模型、回归预报模型为基础,用"误差绝对值和最小"作为最优准则,建立月平均降水量的短期气候组合预测模型.采用线性规划方法计算得到组合预测模型的各权系数,对这种短期气候组合预测模型的预报能力进行了分析研究,结果表明,该组合预测模型的预报精度优于各子方法,具有很好的应用价值.     

基于TFWPA算子的模糊优化组合预测模型及其应用

传统的组合预测中,预测对象往往是实数或区间数,实际上,三角模糊数则更能刻画不确定环境下复杂事物的某些量的特征。因此,本文提出一种预测信息为三角模糊数的模糊优化组合预测新方法。定义了两个三角模糊数的相对误差,同时考虑到预测数据之间的交叉影响,基于三角模糊加权Power平均(TFWPA)算子、三角模糊加权Power几何(TFWPG)算子和max-min准则,分别构建模糊优化组合预测模型。提出非劣性和优性组合预测的概念,证明所提模糊组合预测模型具有非劣性质。最后通过实例分析说明了该模糊组合预测方法的有效性,并对参数做了灵敏度分析。     

A new method to mitigate data fluctuations for time series prediction

Although the classic exponential-smoothing models and grey prediction models have been widely used in time series forecasting, this paper shows that they are susceptible to fluctuations in samples. A new fractional bidirectional weakening buffer operator for time series prediction is proposed in this paper. This new operator can effectively reduce the negative impact of unavoidable sample fluctuations. It overcomes limitations of existing weakening buffer operators, and permits better control of fluctuations from the entire sample period. Due to its good performance in improving stability of the series smoothness, the new operator can better capture the real developing trend in raw data and improve forecast accuracy. The paper then proposes a novel methodology that combines the new bidirectional weakening buffer operator and the classic grey prediction model. Through a number of case studies, this method is compared with several classic models, such as the exponential smoothing model and the autoregressive integrated moving average model, etc. Values of three error measures show that the new method outperforms other methods, especially when there are data fluctuations near the forecasting horizon. The relative advantages of the new method on small sample predictions are further investigated. Results demonstrate that model based on the proposed fractional bidirectional weakening buffer operator has higher forecasting accuracy.