基于小波去噪的灰色和支持向量机组合预测模型

金融时序数据具有非平稳、含噪声等特点,采用单一的预测模型时预测精度并不理想.据此,构建了基于小波去噪的灰色和支持向量机组合预测模型,并对预测难度较高的我国热钱流动规模进行了预测.实验结果表明:与经典GM(1,1)幂模型相比,组合预测模型的平均相对误差由46.14%降到2.95%,预测精度有显著性提高.     

分数阶反向累加非等间距GM(1,1)模型及应用

针对非等间距递减序列的预测问题,首先构建了一阶反向累加非等间距GM(1,1)模型(简称为非等间距GOM(1,1)模型),并给出了模型参数的最小二乘解和可用于预测的离散时间响应式.为进一步提高模拟预测精度,利用分数阶累加思想,提出了分数阶非等间距GOM(1,1)模型.以平均模拟相对误差最小化为目标,建立非线性规划模型可求解得到最优阶数.最后,以数值模拟和钛合金疲劳强度随温度变化预测为例,证实了该文提出模型的有效性和实用性.     

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%.     

非等间距NGM(1,1,k)模型及其应用

针对近似非齐次指数律的非等间距序列预测问题,提出了一种非等间距NGM(1,1,k)模型.为进一步提高模型的预测精度,利用线性插值方法对模型的背景值进行重构,以平均相对误差最小化为目标,建立了关于插值系数的优化模型,并运用穷举算法确定模型的最优插值系数.最后通过两个实例表明了非等间距NGM(1,1,k)模型及其优化模型的有效性和实用性.     

基于分数阶累加的GM(2,1)模型及其改进研究

在传统GM(2,1)模型模型的基础上,通过引入分数阶算子得出了基于分数阶累加的GM(2,1)模型的一般形式。为进一步提高预测精度,提出了一种改进形式,并给出了两种不同方式来确定时间响应式的参数。最后以两个实例验证了本文提出的分数阶GM(2,1)模型及其改进模型的有效性和实用性。     

基于等间距化的非等间距灰色GM(1,1)模型及优化

针对现有非等间距GM(1,1)模型存在的不足,借鉴分段线性插值将非等间距序列等间距化的思想,以非等间距的方法建立了一种新的非等间距GM(1,1)模型,模型不需计算插值数据,可直接利用原始数据建模.然后通过赋予原始数据下标序列变换系数,利用平均模拟相对误差最小的原则确定各参数,建立优化后的非等间距GM(1,1)模型.最后通过算例测试和应用实例表明提出模型的有效性和可行性.     

2n阶J-自伴向量微分算子的本质谱

利用算子直和分解的方法研究了2n阶J-自伴向量微分算子的本质谱,得到了这类算子的本质谱的分布范围.     

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.