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）周期修正模型及在电力负荷预测中的应用

模型GM(1,1)是电力系统负荷预测的一种有效的方法,但利用GM(1,1)模型难以反映序列随机的季节性周期波动变化.本文阐述的周期修正模型,可以很好地解决这一问题.实例表明,此模型简单有效,对于季节性预测问题有很强的实用性和较高的预测精度.     

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.     

基于变权GM(1,1)组合模型的喀什GDP预测

利用离散GM(1,1)模型,新息GM(1,1)模型以及复合函数预测模型建立了一类变权重组合预测模型.并将该组合预测模型应用于喀什地区GDP预测,建立了喀什地区GDP的变权重GM(1,1)组合预测模型.计算结果表明变权GM(1,1)组合预测模型在时间序列数据的预测中具有一定的优势.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

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.     

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.     

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.     

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.     

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.     

具有白指数律重合性的GM(1,1)模型

通过分析 GM( 1 ,1 )建模机理 ,找出了 GM( 1 ,1 )模型不具有白指数律重合性的原因 ,并在此基础上 ,提出了建立 GM( 1 ,1 )模型的新方法 .新方法克服了原方法不具有白指数律重合性的缺陷 ,突破了 | a|较大时GM( 1 ,1 )模型不能应用的禁区 ,提高了建模的精度 .     

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.     

GM(1,1)模型参数的神经网络算法

GM(1,1)模型的实质是小样本、贫信息下的预测模型,其目的是得到误差尽可能小的预测值.在分析GM(1,1)模型建模机理的基础上,提出了GM(1,1)模型中参数a,b的一种新算法——神经网络算法.把神经网络中的BP算法应用于GM(1,1)模型的建模过程,实例表明可使预测精度得到提高.     

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.     

变参数非等间距GM(1,1)模型及应用

在对非等间距序列建模时,考虑到序列本身的特点,结合GM(1,1)模型的建模过程,提出了一种对非等间距序列建立变参数GM(1,1)模型的方法,并将其应用于具体实例进行分析,计算结果表明本文提出的方法具有较高的精度,从而为解决非等间距序列的拟合及预测问题提供了一种比较好的思路.