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.     

Grey forecasting method of quarterly hydropower production in China based on a data grouping approach

Grey model GM (1,1) has been widely used in short-term prediction of energy production and consumption due to its advantages in data sets with small numbers of samples. However, the existing GM (1,1) modelling method can merely forecast the general trend of a time series but fails to identify and predicts the seasonal fluctuations. In the research, the authors propose a data grouping approach based grey modelling method DGGM (1,1) to predict quarterly hydropower production in China. Firstly, the proposed method is used to divide an entire quarterly time series into four groups, each of which contains only time series data within the same quarter. Afterwards, by using the new series of four quarters, models are established, each of which includes specific seasonal characteristics. Finally, according to the chronological order, the prediction results of four GM (1,1) models are combined into a complete quarterly time series to reflect seasonal differences. The mean absolute percent errors (MAPEs) of the test set 2011Q1–2015Q4 solved using the DGGM (1,1), traditional GM (1,1), and SARIMA models are 16.2%, 22.1%, and 22.2%, respectively; the results indicated that DGGM (1,1) has better adaptability and offers a higher prediction accuracy. It is predicted that China's hydropower production from 2016 to 2020 is supposed to maintain its seasonal growth with the third and first quarters showing the highest and lowest productions, respectively.     

基于GM-ES-GASVR组合模型的丽江国内旅游需求预测

构建适合于预测丽江国内旅游需求的预测模型,对推动丽江旅游业的发展具有重要意义.研究发现灰色GM(1,1)模型、三次指数平滑模型与GA-SVR模型都适用于预测丽江国内旅游需求,且GA-SVR模型为这三个单项模型中的最优模型.在此基础上,利用变权方法建立GM-ES-GASVR组合预测模型.通过对拟合与测试结果的对比分析,表明GM-ES-GASVR变权组合预测模型比单一模型的拟合与测试效果都有较大改善.     

最优组合预测模型的构建及其应用研究

由于证券价格是随机游走的,在证券定价研究中RBF神经网络模型、灰色GM（1,1）模型、ARIMA模型不具备时效性,通过对上述三个模型进行综合分析,结合三者中有用的信息集合,构建一个最优组合预测模型．在此基础上选取了深发展A在2007年全年的收盘价作为研究样本对这四个模型进行实证研究,研究结果发现,最优组合预测方法对证券价格进行预测具有很好的预测精度和很高的可靠性．     

A grey modeling procedure based on the data smoothing index for short-term manufacturing demand forecast

Product life cycles have become increasingly shorter because of global competition. Under fierce competition, the use of small samples to establish demand forecasting models is crucial for enterprises. However, limited samples typically cannot provide sufficient information; therefore, this presents a major challenge to managers who must determine demand development trends. To overcome this problem, this paper proposes a modified grey forecasting model, called DSI–GM(1,1). Specifically, we developed a data smoothing index to analyze the data behavior and rewrite the calculation equation of the background value in the applied grey modeling, constructing a suitable model for superior forecasting performance according to data characteristics. Employing a test on monthly demand data of thin film transistor liquid crystal display panels and the monthly average price of aluminum for cash buyers, the proposed modeling procedure resulted in high prediction outcomes; therefore, it is an appropriate tool for forecasting short-term demand with small samples.     

火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.     

基于改进的GM(1,1)-Markov链组合模型广东省单位GDP能耗预测

本文以灰色系统理论的GM(1,1)模型和随机过程理论的Markov链模型为基础构建了一个动态GM(1,1)-Markov链组合预测模型。该模型同时利用了GM(1,1)模型对序列趋势因素良好的拟合能力和Markov链模型对残差序列信息的提取能力。为进一步提高该模型的预测精度,用泰勒(Taylor)近似方法和新信息优先的思想对该模型进行了改进。最后,以1991-2014年广东省单位GDP能耗数据实证了该模型的预测效果。     

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.     

GM(1,1)的周期修正模型及其在泉水流量预测中的应用

本文阐述了 GM( 1 ,1 )的残差周期修正模型 ,并将它应用于山西神头泉的流量预测中 ,建立了神头泉流量的 GM( 1 ,1 )周期修正模型 ,对其流量进行了预测 ,为神头泉域岩溶水资源开发利用和保护提供了科学依据     

上海市社会总抚养比的预测分析——基于最小二乘法的改进GM（1,1）模型

上海市社会总抚养比受到诸多因素的影响,导致数据波动性较大,单纯地采用灰色预测模型无法更加准确地进行预测,因此文章提出了基于最小二乘法的改进GM（1,1）模型.首先文章介绍了普通GM（1,1）模型的建立方法与步骤;接着通过采用最小二乘法的原理弱化波动较大的数据,加强其规律性从而建立新的GM（1,1）模型;最后结合2007-2011年上海市社会总抚养比数据建立新的预测模型,并用2012年数据对模型进行验证合格,可以用来预测未来几年上海市社会总抚养比,便于该市对未来经济的发展宏观调控.结果表明该预测方法是合理可行的,为其他相关预测提供了理论依据.     

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。     

甲型H1N1流感传染人数的灰色预测模型研究

就我国甲型H1N1流感传染人数的预测运用灰色系统理论建立了GM(1,1)模型和1阶残差修正模型GMε(1,1),并分别作了精度分析研究了GMε(1,1)的变化趋势,提出了临界值和有效域概念.用MATLAB确定了模型参数及模型预测值.     

灰色GM(1,1)模型的改进模型在房地产价格指数预测中的应用

提出了一种结合非线性回归技术的灰色GM(1,1)模型的改进模型.利用我国的房地产价格指数预测作为研究对象,用以验证所提方法的有效性和准确性.根据实证结果,说明了新的改进模型有效提高了经典灰色模型的预测精度.     

基于残差修正GM(1,1)模型的火灾事故预测

为掌握火灾发生、发展的规律,针对火灾事故的特点,根据灰色理论,建立了我国火灾起数及死亡人数的GM(1,1)预测模型.由于火灾起数的波动性较大,运用残差变化规律,对所建立的GM(1,1)预测模型进行了修正,得到残差修正GM(1,1)预测模型,应用该模型对火灾起数进行预测,使预测精度达到了一级.预测结果可以为消防安全管理部门的决策提供科学的依据.     

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.     

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.     

北京市水资源利用建模分析研究

以北京市为例,分别应用无偏灰色GM(1,1)模型和非线性模型对北京市2001年-2010年的用水量进行了建模,利用最优化方法,计算了上述两种模型的最优组合模型,通过三种模型分别计算了北京市2001年-2010年的水资源利用量,并与北京市2001年-2010年的实际用水量进行了对比,采用精度检验方法,分别对无偏灰色模型,非线性模型和组合模型进行了精度检验,计算结果表明,加权组合模型是三种模型中精度最高的模型,通过组合模型计算得出的用水量值与实际水资源利用量相比误差最小,由此得出,可以利用组合模型对北京市未来的水资源利用量进行预测,预测结果可为其他相关研究提供参考.     

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.     

含有压缩因子的粒子群优化灰色模型在智能电网中的应用

针对智能电网对用电量预测的需求和电力系统的负荷特性,在分析了灰色模型GM(1,1)的局限性以及基本粒子群算法在优化GM(1,1)背景值时所出现的不足的基础上,构建了具有压缩因子K的粒子群算法,以此来改进灰色模型的背景值,提出了含有压缩因子的粒子群优化灰色模型KPSO-GM,并把它用于智能电网中用电量预测。实例证明,该算法具有较高的预测精度,有利于提高智能电网的质量。     

基于模糊GM(1,1)模型的时间序列预测

提出了一种模糊GM(1,1)预测模型,即FGM(1,1)模型,该方法是在GM(1,1)模型中引入模糊成员函数,通过模糊成员函数对时间序列数据进行模糊化,达到数据优化选择,实现历史数据"重近轻远"的预测效果.仿真结果表明所提出的预测方法有效可靠,为提高预测精度提供了新的途径.