动态的最佳维数GM(1,1)幂模型在基尼系数预测中的应用

针对传统灰色GM(1,1)预测模型维数确定困难、适用范围小和预测精度不高等局限性,提出了一种能处理复杂序列的动态的最佳维数GM(1,1)幂模型.最后以2003-2013年居民收入基尼系数为研究样本做预测分析,同时建立了传统GM(1,1)模型、经典GM(1,1)幂模型作为对比,结果表明:动态的最佳维数GM(1,1)幂模型的平均相对误差为0.08%,显著低于传统GM(1,1)模型的1.04%和经典GM(1,1)幂模型的0.85%.     

基于随机振荡序列的GM(1,1)模型性质及其应用

为了提高GM(1,1)模型对随机振荡序列的拟合和预测效果,提出了先将原始振荡序列变为单调增长序列,再对单调增长序列进行几何平均生成交换,然后建立GM(1,1)模型.通过实例计算表明,方法能够提高GM(1,1)模型的拟合精度,可以用于随机振荡序列的建模,从而扩大了GM(1,1)模型的应用范围.     

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.     

基于反余弦函数变换的灰色预测模型研究

提出了反余弦函数变换方法,证明了这种变换是级比压缩变换,能够提高序列光滑度,可以保持序列凹凸性,不会增大还原误差,满足数据变换的构造准则.通过具体算例表明,基于反余弦函数变换的GM(1,1)模型的预测精度优于传统GM(1,1)模型和基于幂函数变换的GM(1,1)模型,说明了该变换的有效性.     

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。     

优化背景值的GM(1,1)幂模型及其应用

GM(1,1)幂模型中幂指数的连续性,使得模型在一般的S形曲线序列的预测和拟合中具有更广泛的实用性.通过将背景值转化为相邻序列点的确定性函数建立了改进的GM(1,1)幂模型,给出了背景值序列的有关性质,借助已有文献中的算例验证了模型在拟合和预测方面的优越性.     

基于残差修正的GM(1,1)模型在水质预测中的应用研究

将基于残差修正的GM(1,1)模型应用到永定河流域官厅水库出口断面的水质预测中,对常规污染物COD,DO,NH_3-N的浓度值进行趋势预测并对预测结果进行后验差检验.结果表明,与传统的GM(1,1)模型相比,残差修正的GM(1,1)模型能够有效提高预测精度.     

基于随机振荡序列的DGM(1,1)模型的建模及应用

考虑直接用非单调、波动性强的随机振荡序列建模预测效果不理想的问题,通过进一步挖掘平移变换和几何平均变换的性质,证明了平移变换和几何平均变换的随机振荡序列更加符合DGM(1,1)模型建模条件,构建了基于随机振荡序列的DGM(1,1)模型建模步骤.运用算例验证了模型的有效性,且提高了DGM(1,1)模型的预测精度,扩大了DGM(1,1)模型的应用范围.     

基于数据变换的GM(1,1)残差修正模型在交通量预测中的应用

首先提出了一种变换,该变换既可以提高序列的光滑度,而且逆变换后相对误差保持不变,然后针对模拟残差时正时负的现象,又给出了一种变换,该变换可以将任意摆动序列变换为单调递增序列,最后给出了基于残差修正的GM(1,1)模型.将模型应用于实际,预测效果比较满意.     

基于MFO算法的GOM(1,1,t~α)模型构建与应用

含有时间幂次项的灰色GM(1,1,t~α)模型相对传统的GM(1,1)模型能更好的反映序列随时间变化的趋势.构建了基于非齐次指数离散函数的GOM(1,1,t~α)模型,并运用MFO算法对时间项幂指数进行最优搜索.通过实例验证,该优化模型具有良好的拟合精度与预测精度.     

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.     

基于分数阶累加的灰色GM(1,1|sin)模型及其应用

本文研究了灰色模型对振荡序列的预测问题.在已有GM(1,1|sin)模型的基础上,利用分数阶算子对原始序列进行累加生成的方法,获得了分数阶累加GM(1,1|sin)模型的表达式;以平均相对误差最小化为目标,利用粒子群算法求解非线性优化问题,获得了模型的最优参数.最后以城市交通流的模拟预测为例,结果表明本文提出的模型比GM(1,1|sin)模型具有更高的模拟精度,推广了GM(1,1|sin)预测模型的结果.     

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.     

基于灰作用量优化的分数阶灰色预测模型研究

针对小样本振荡型数据序列的灰建模预测问题,提出基于灰作用量优化的分数阶GM(1,1|sin+cos)预测模型.在已有经典GM(1,1|sin)的基础上,一方面,将一阶累加灰生成拓展为分数阶累加灰生成,使得构建的模型更加符合新信息优先原理.另一方面,将灰作用量b_1 sin pk+b_2改进为b_1 sin pk+b_2 cos qk+b_3,其作用是通过增加余弦函数项cos qk,使得具有两个不同周期的运动项cos qk与b_1 sin pk+b_2叠加复合之后,能够生成更加贴近于振荡原始序列趋势和特征的时间响应序列,从而得到拟合精度较高的灰色模型.其次,对建模过程的时间响应式、模型参数p和q的最优估计问题进行了研究,构造了最优累加阶数r、参数p和q的粒子群优化算法,得到的优化模型实现了某些类型振荡序列较高精度的预测.实际数据例子结果表明,所建立的模型能够较好地模拟常见振荡型数据序列的波动趋势和特征,具有较强的适用性和拟合性能.     

基于函数arccos(px+q)变换的灰色预测模型研究

借助于函数变换理论和灰色系统建模理论,并结合反余弦函数和线性函数的特点,提出了反余弦函数和线性函数相结合的变换方法并建立了一个改进的GM(1,1)模型.证明了这种变换一方面能提高序列的光滑比并压缩序列的级比;另一方面可以使还原误差减小.具体算例结果表明,经过反余弦函数和线性函数相结合建立的改进GM(1,1)模型的拟合精度优于传统GM(1,1)模型和基于反余弦函数变换的GM(1,1)模型的拟合精度.     

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.     

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。     

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.     

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.