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.     

基于灰色马尔可夫模型的节能设备故障预测研究

精准预测节能设备故障可以有效节约节能服务公司运营成本,直接关系到节能服务公司的节能项目管理.根据灰色系统理论,将灰色均值GM(1,1)模型与马尔可夫模型融合,通过灰色马尔可夫模型预测节能设备的故障状况.具体而言,首先通过灰色均值GM(1,1)模型预测节能设备的未来故障情况,然后通过马尔可夫状态转移矩阵确定未来节能设备故障的可能状态,最后基于预测值与实际值的比值关系修正预测结果,以实现对节能设备故障次数的精准预测.结果表明灰色马尔可夫模型提高了预测精度,为精准预测节能设备故障提供了一种新思路.     

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.     

基于线性多步法的GM(1,1)模型优化及应用

为提高灰色GM(1,1)模型的模拟效果和预测精度,采用线性多步法中四阶Adams显式公式和隐式公式来优化GM(1,1)模型,改进模型的参数辨识,讨论所建立优化模型的适用范围、模拟效果和预测精度,并与最小二乘作为参数辨识的传统GM(1,1)模型进行比较.实例表明,基于线性多步法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.     

灰色预测GM(1,1)模型的改进及应用

应用自动寻优定权的方法和最小二乘法,研究了灰色系统理论中灰色预测GM(1,1)模型的预测公式的形成过程,发现灰色预测GM(1,1)模型在形成预测公式时对背景值和初始值的规定是不尽合理的,且现有的改进方法对灰色预测GM(1,1)模型的改进还不尽完善.为了提高灰色预测GM(1,1)模型的预测精度,提出并使用自动寻优定权对背景值进行选择,基于最小二乘法原理对灰色预测GM(1,1)模型的初始值进行改进.实例结果表明,提出的改进方法是有效和完善的,对灰色预测GM(1,1)模型的预测精度也有较大的提高.     

改进灰导数的GM(1,1)幂模型

为了提高灰色GM(1,1)幂模型的拟合精度,讨论了灰色GM(1,1)幂模型灰导数的白化问题.以白化微分方程为基础,利用梯形公式白化灰导数,得到了改进的GM(1,1)幂模型.实例分析结果表明改进的GM(1,1)幂模型具有更高的预测和拟合精度.     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.     

单调序列的非齐次GM(1,1)模型

GM(1,1)模型的白化解为齐次指数形式,而一般数据呈非齐次指数形式,存在形式上的差异.本文运用非齐次级比与非齐次指数函数的对应关系,对原始序列中相邻数据做差处理,得到新的序列,将非齐次指数序列转换为齐次指数序列,再建立GM(1,1)模型.实例表明,运用初值优化和非齐次化能提高GM(1,1)模型的精度.     

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.     

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.     

累加生成的改进和GM(1,1,t)灰色模型

根据卷积变换可提高变换序列光滑度的特性和累加生成的机理,对灰色建模中的序列生成方式和GM(1,1)模型加以改进,用线性序列对建模序列作卷积变换,建立带线性时间项的灰色模型GM(1,1,t),实例计算结果表明GM(1,1,t)模型的模拟精度较GM(1,1)模型有较大提高且适用范围更广.     

优化灰导数白化值的无偏灰色GM(1,1)模型

通过优化灰导数白化值 ,建立了无偏的 GM(1,1)模型 ,给出了估计模型参数的方法 ,证明了无偏GM(1,1)模型具有白指数律重合性 ,提出了新的预测公式 .实例分析表明 ,新方法提高了模型的精度 ,扩大了模型的适用范围 .     

On the properties of small sample of GM(1,1) model

In grey prediction modeling, the more samples selected the more errors. This paper puts forward new explanations of “incomplete information and small sample” of grey systems and expands the suitable range of grey system theory. Based on the geometric sequence, it probes into the influence on the relative errors by selecting the different sample sizes. The research results indicate that to the non-negative increasing monotonous exponential sequence, the more samples selected, the more average relative errors. To the non-negative decreasing monotonous exponential sequence, a proper sample number exists that has the least average relative error. When the initial value of the sequence of raw data of new information GM(1,1) model changes, the development coefficient remains unchanged. The segmental correction new information GM(1,1) model (SNGM) can obviously improve the simulation accuracy. It puts forward the mathematic proofs that the small sample usually has more accuracy than the large sample when establishing GM(1,1) model in theory.     

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.     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

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.     

关于非等距序列建模过程的讨论

目的:怎样建立非等距序列的最佳数学模型.方法:讨论用灰色系统GM(1.1)模型和非线性回归方法建立非等距序列的数学模型的过程,找出产生问题的原因,寻求解决问题的方法.结果:接近于指数规律变化的非等距序列,用非线性回归方法建立的数学模型比用灰色系统GM(1.1)模型方法建立的数学模型的精度高;对于其他的非等距序列,用灰色系统GM(1.1)模型方法建立的数学模型比用非线性回归方法建立的数学模型的精度高.结论:在建立非等距序列的数学模型时,采用灰色系统GM(1.1)模型方法与非线性回归方法结合的策略,可以得到较佳的数学模型.     

同时优化背景值和灰导数的新非等间距GM(1,1)模型

结合GM(1,1)的建模过程,提出了以原始序列的一次累加生成序列为背景值的非等间距序列GM(1,1)模型的最原始形式;并基于灰模型的非齐次指数特性和求导的定义,从灰导数在离散点的生成出发,同时优化最原始的非等间距灰微分方程的灰导数和背景值,并建立新非等间距灰模型;新模型不仅提高了灰模型的拟合精度和预测精度,且拓宽了GM(1,1)的适用范围.