基于改进的GM(1,1)-BP组合模型的人口预测研究

准确地预测人口总量发展趋势,对我国社会稳定发展具有重要意义.通过分析GM(1,1)模型背景值的构造理论,利用Newton插值公式和线性分段函数优化GM(1,1)模型的背景值,得到新的GM(1,1)模型,并结合BP神经网络模型,再利用遗传算法优化GM(1,1)-BP组合模型的权重系数,并将组合模型应用到新疆人口预测中.最后,分别应用不同的模型,以及改进的GM(1,1)-BP组合模型进行计算和平均相对误差对比,结果表明,改进的GM(1,1)-BP组合模型有效地提高了预测精度.     

基于改进灰色GM(1,1)模型的新疆人口总量的分析与预测

利用Lagrange插值理论重构了GM(1,1)预测模型的背景值,以提高改进GM(1,1)模型的预测精度和实效性,进而利用该模型对新疆人口发展态势进行了科学分析与预测.     

基于初始值和背景值改进的GM(1, 1)模型优化与应用

针对在现实生活中, 经典GM(1,1)模型预测精度不稳定, 且以往的优化方法大部分具有片面性的缺点, 文章对经典GM(1,1)模型背景值与初始值进行改进, 提出了一种组合优化方法:根据动态寻优原则, 将背景值设为变量, 其参数以及时间响应式由MRE取最小值时确定;同时, 采用差分方程取代以x⁽¹⁾(1)为固定点的静态方程。将初始值和背景值看作变量, 以系统地减少模型误差。结合国内石油年消费量数据, 分别应用经典和改进后的GM(1,1)模型进行计算和误差对比, 验证了改进后的模型精度要显著优于经典模型。     

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.     

用Simpson公式构造背景值的GM(1,1)建模新方法

提出了用Simpson数值积分公式构造背景值的GM(1,1)建模新方法,并通过算法分析和一些实例说明了该方法对很多时间序列应用方便,且其模型的拟合精度也比一些文献中的建模方法有明显改进.认为所提出的方法是建立GM(1,1)预测模型时值得考虑的一个新方法,这不仅将对GM(1,1)建模方法的理论研究提供必要的算法依据,而且...     

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.     

基于背景值优化的GM(1,1)模型在牡丹江GDP预测中的应用

针对GDP是制定地区经济发展战略目标和宏观经济政策的重要参考指标,若能对此指标进行准确的预测,则将会极大有利于该地区制定科学有效的经济政策.鉴于此,对能够影响传统GM(1,1)模型预测精度的背景值进行了优化分析,得到了背景值优化的GM(1,1)预测模型,利用牡丹江市近六年来的GDP数据,将背景值优化的GM(1,1)模型与传统GM(1,1)模型的预测误差做了对比分析,发现前者较后者在预测精度上有了较好的改善,并利用背景值优化的GM(1,1)模型对牡丹江市未来几年的GDP进行了科学预测,并依据预测结果,给出了提高牡丹江经济增长及增长方式转变的对策建议.     

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.     

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.     

基于复化Simpson公式的GM(1,1)模型背景值优化

针对传统灰色模型GM(1,1)存在的模型精度不高的问题,提出了复化Simpson公式结合动态序列模型的联合方法.给定误差限,利用给出的计算背景值算法,对GM(1,1)模型的背景值进行优化.实例表明,基于复化Simpson公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.     

一类准指数序列的模型优化

在传统GM(1,1)模型基础上,结合最小二乘法原理提出:对本身已具有准指数规律的原始序列直接进行建模,并在此基础上对新模型背景值进行适当优化.克服传统GM(1,1)模型建模过程中的盲目性,并提高了拟合与预测精度.     

改进的GM（1,1）幂模型及其参数优化

为了提高灰色GM（1,1）幂模型的拟合精度,对灰色GM（1,1）幂模型的背景值进行了改进,建立了一类改进GM（1,1）幂模型.利用粒子群优化算法给出了改进GM（1,1）幂模型的参数优化.实例分析结果表明基于粒子群算法的改进的GM（1,1）幂模型具有更高的预测和拟合精度.     

GM(1,1)模型的理论缺陷及其基于时间响应函数的优化分析

分析了GM(1,1)预测模型存在的理论缺陷和禁区,指出在形成预测模型时规定X^(1)(1)为已知条件是不合理的,应根据实际情况选用其他数据.构建了基于时间响应函数的优化模型,按照变化系数阀值,界定了优化模型的有效区.经过数值模拟,发现优化的GM(1,1)模型优于传统GM(1,1)模型,因此,提出的新的优化模型,为提高GM(1,1)模型预测精度提供了新的途径.     

基于Gauss公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,改进了相关文献的方法,提出用数值积分中的G auss公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国城市内分泌、营养和代谢疾病及免疫病致死人数占死亡总人数的百分比的有效预测,理论分析和应用实例表明了文章所提的方法的有效性.     

GM(1,1)改进模型及其应用

根据 GM( 1 ,1 )灰色模型的指数特性 ,通过在区间上求积分给出了关于背景值的一个比较确切的计算公式 ,讨论了由此建立的 GM( 1 ,1 )改进模型的适用范围和预测精度 .结果表明改进模型比原 GM( 1 ,1 )模型适用性要强、模拟和预测精度要高 ,不仅适用于低增长序列、也适用于高增长序列 ,不仅适用于短期预测 ,同样也适用于中、长期预测