基于小波变换的小样本随机振荡序列灰色预测模型

针对GM(1,1)幂模型对于小样本振荡序列对含突变信息无能为力的问题,提出了基于小波变换的小样本振荡序列灰色预测模型.首先,针对原始数据序列建立GM(1,1)幂模型描述其总体趋势特征;然后,利用小波变换提取GM(1,1)幂模型残差序列所包含的有用信号和随机噪声,并结合GM(1,1)幂模型构成新的时间相应函数;最后,以与原始平均误差最小为原则确定小波变换的小波基和分解层次并对小波进行重构GM(1,1)幂模型残差序列,并结合原始GM(1,1)幂模型对随机振荡序列进行预测.算例中通过对城市用水量的拟合及预测结果表明:应用基于傅立叶变换的GM(1,1)幂振荡序列模型和基于分数阶离散GM(1,1)幂模型研究了振荡序列模型平均误差分别为3.22%和5.66%,而本文的方法平均误差为1.11%.算例研究表明,此方法能够快速高效的解决GM(1,1)幂模型对小样本有突变趋势振荡序列的预测问题.     

GM(1,1)模型预测精度仿真分析

基于GM(1,1)模型的灰色预测具有独特优点.从GM(1,1)建模数据的选择入手,应用数值仿真方法,针对具有不同发展系数和偏离度的大量模拟序列研究了建模维数与预测精度之间的关系.研究结果给出了不同情况下的最佳建模维数和预测精度期望值,为GM(1,1)建模提供了有益的指导信息.     

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.     

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.     

基于动态无偏灰色马尔科夫模型的煤炭需求量预测

煤炭消费系统是一个复杂的非线性系统,具有随机性、非线性、动态性等特点,科学地预测煤炭消费量及其结构对于优化配置能源有重要意义.传统的单一预测方法预测精度较低.在对陕西省煤炭消费历史数据分析的基础上,构建了煤炭消费总量的GM(1,1)模型、灰色GM(1,1)预测模型和动态无偏的马尔科夫结构预测模型.拟合结果表明,动态无偏灰色马尔科夫模型既能消除传统灰色GM(1,1)模型的固有偏差,又能提高预测精度,其平均相对误差为2.10%,分别低于传统灰色GM(1,1)模型和一般灰色马尔科夫模型的17.37%和6.37%,可用于煤炭需求的预测,在此基础上对陕西省2017-2025年煤炭消费进行了预测,为未来能源消费发展规划提供依据.     

改进的GM(1,1)幂模型的构建与应用

在构建GM(1,1)幂模型中,经常利用一阶非齐次线性方程的常数变易法求得GM(1,1)幂模型白化方程的解,再利用白化方程,在灰色系统信息覆盖原理下经过离散化处理推导出参数γ的计算公式,并利用最小二乘法求解参数a,b.但是在求解过程中由于离散化的处理,造成了时间响应预测函数精度的下降。为了弥补精度下降的缺陷,对于预测模型利用PSO算法进行了系数修正.案例对比研究发现,传统的GM(1,1)预测效果最差,改进的GM(1,1)幂模型预测效果最好.     

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.     

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.     

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.