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.     

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.     

基于灰模型的区间模糊数时间序列预测

研究了基于灰模型的二元区间和三角模糊数时间序列的预测方法.目前以GM(1,1)模型为代表的灰色预测模型只适用于精确数序列.改进了GM(1,1)模型的定义型方程中的参数形式,使方程能适用于几类常见区间模糊数序列.接着,基于区间模糊数的计算准则,分别具体给出了二元和三角模糊数GM(1,1)模型(BIFGM(1,1)和TFGM(1,1))的预测过程.模型对于区间模糊数的界点序列的发展系数进行了加权平均处理,以此保证了区间模糊数序列发展态势的整体性.最后进行了实例应用,验证了模型的有效性.     

直觉模糊GM(1,1)模型及其在灰色发展决策的应用

研究了以直觉模糊数为对象的GM(1,1)模型并运用到灰色发展决策方法。利用灰色系统理论中核和灰度的内涵,将直觉模糊数的犹豫度和记分函数结合构建了直觉模糊数序列 GM(1,1)预测模型,从而实现了直觉模糊数的预测。在此基础上结合变权原理提出了基于直觉模糊数的灰色发展决策方法。最后,算例分析说明了该方法的合理性和可行性。     

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.     

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.     

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.     

基于三次Bézier基函数插值的GM(1,1)模型背景值优化研究

本文研究了传统灰色GM(1,1)模型存在模型精度不高的问题.利用带形状参数的三次Bézier基函数,给出插值函数的表达式,并结合复化梯形公式,给定误差限的方法,获得了比传统灰色GM(1,1)模型更高精度的结果.推广了传统灰色GM(1,1)预测模型的结果.     

Forecasting energy demand using neural-network-based grey residual modification models

Grey forecasting models have taken an important role for forecasting energy demand, particularly the GM(1,1) model, because they are able to construct a forecasting model using a limited samples without statistical assumptions. To improve prediction accuracy of a GM(1,1) model, its predicted values are often adjusted by establishing a residual GM(1,1) model, which together form a grey residual modification model. Two main issues should be considered: the sign estimation for a predicted residual and the way the two models are constructed. Previous studies have concentrated on the former issue. However, since both models are usually established in the traditional manner, which is dependent on a specific parameter that is not easily determined, this paper focuses on the latter issue, incorporating the neural-network-based GM(1,1) model into a residual modification model to resolve the drawback. Prediction accuracies of the proposed neural-network-based prediction models were verified using real power and energy demand cases. Experimental results verify that the proposed prediction models perform well in comparison with original ones.     

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.     

Electricity consumption prediction using a neural-network-based grey forecasting approach

Electricity consumption is an important economic index and plays a significant role in drawing up an energy development policy for each country. Multivariate techniques and time-series analysis have been proposed to deal with electricity consumption forecasting, but a large amount of historical data is required to obtain accurate predictions. The grey forecasting model attracted researchers by its ability to characterize an uncertain system effectively with a limited number of samples. GM(1,1) is the most frequently used grey forecasting model, but its developing coefficient and control variable were dependent on the background value that is not easy to be determined, whereas a neural-network-based GM(1,1) model called NNGM(1,1) has been presented to resolve this troublesome problem. This study has applied NNGM(1,1) to electricity consumption and has examined its forecasting ability on electricity consumption using sample data from the Turkish Ministry of Energy and Natural Resources and the Asia–Pacific Economic Cooperation energy database. Experimental results demonstrate that NNGM(1,1) performs well.     

改进GM(2,1)模型的MATLAB实现及其应用

针对经济预测,根据灰色模型GM(1,1)的应用介绍了灰色模型GM(2,1)的原理,并利用最小二乘法改进GM(2,1)算法及其预测步骤,用MATLAB实现了预测,用中国经济增长率数据做了仿真,对观测时间序列拟合出数学模型.     

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。     

GM(1,1)模型的改进及其在银行贷款预测中的应用

利用GM(1,1)预测模型,分析中国近年来信贷变化,发现中国信贷规模发展趋势及其信贷结构具有显著的新特征;结合模型的适用条件和预测结果的检验要求,提出了四条思路解决数据缺损导致信息挖掘失真以及如何处理数据中所包含的大量"噪音"等问题,并认为对那些波动较大的数据应采取连续平滑的方法改造原始数据;对于那些有奇异值的原始数据可采用插值法替代它,试验和案例应用印证了改进的模型可以提高预测精度.