非等间距GM(1,1)模型的改进与应用

将累积法引入非等间距GM(1,1)模型,得到累积法非等间距GM(1,1)模型.为了减少模型的滞后误差,引入一种可优化的背景值构造方法,将其代入累积法非等间距GM(1,1)模型的离散化方程,推导出可作为预测值计算公式的递推式,用来取代传统的白化响应式.结果分析表明累积法在非等间距模型中的应用效果良好,模型的拟合与预测精度都很高.     

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.     

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.     

新息累积非等间距GM(1,1)模型研究

为提高非等间距GM(1,1)模型的模拟效果和预测精度,在传统的累积非等间距GM(1,1)模型中结合了新息思想,对新息累积非等间距GM(1,1)模型的初始条件进行改进,并对参数的有效区间进行了讨论.仿真实例表明了改进后模型的有效性和高效性.     

逐步优化灰导数的非等间距GM(1,1)模型

利用前向差商和后向差商的加权平均值代替灰导数,对非等间距灰色预测模型进行了改进,给出了加权系数的估计公式,并采用逐步递推的方法优化参数,建立新的非等间距GM(1,1)模型.最后通过实例证明了新模型具有较高的精度.     

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.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

同时优化背景值和灰导数的新非等间距GM(1,1)模型

结合GM(1,1)的建模过程,提出了以原始序列的一次累加生成序列为背景值的非等间距序列GM(1,1)模型的最原始形式;并基于灰模型的非齐次指数特性和求导的定义,从灰导数在离散点的生成出发,同时优化最原始的非等间距灰微分方程的灰导数和背景值,并建立新非等间距灰模型;新模型不仅提高了灰模型的拟合精度和预测精度,且拓宽了GM(1,1)的适用范围.     

基于偏离度的非等间距灰色预测模型在电力负荷预测中的应用

电力负荷预测过程中,对于原始数据摆动较大,并且数据的整体变化是增大的趋势的序列,以往常采用包络模型来处理它.但是,由于很多不确定的因素的存在,使得上包络及下包络曲线及边缘点的值难以确定,从而削弱了预测值的可信程度.提出了基于偏离度的非等间距灰色预测模型,很好地解决了该类序列的预测问题.并结合实例说明了此模型的可行性和有效性.     

灰色GM(1,1)预测模型及拓展研究进展

灰色预测是一种不确定性系统预测理论,以GM(1,1)为基础的预测模型得到较多关注与研究.针对GM(1,1)及相关拓展和改进模型,总结近年来主要研究成果,从预测精确度研究、模型适应性研究、模型结构拓展、冲击扰动预测四个方面对相关文献进行综述,梳理灰色预测领域重要成果,探讨有待深入研究的问题并提出灰色预测理论未来发展建议.     

优化的非等距GM(1,1)模型在基坑周边地表沉降预测中的应用

由于影响基坑沉降的因素较多,并且在实际工作中监测数据存在非等距的情况,通过传统的非等距GM(1,1)模型的建模原理分析了其预测精度低的原因,同时指出背景值是影响非等距GM(1,1)模型精度的关键因素之一.在此基础上,提出运用Newton插值法和Newton-Cotes求积公式优化背景值,结合工程实例,表明优化后的非等距GM(1,1)模型在沉降预测中的有效性.     

灰色模型的最优化及其参数的直接求法

基于灰色模型的内涵表达式和白化方程响应式均为等比级数的观点,提出了一种不用求ago值、均值,不涉及灰色微分方程,白化微分方程概念,直接求灰色模型参数a,c的方法,通过此方法建立的新模型不仅从理论上可保证是在满足给定评价标准为模拟绝对误差平方和最小(或模拟相对误差平方和最小)、给定精度条件下的最优化模型,从而结束了灰色模型只有更优,没有最优的历史.并从理论上证明了新模型具有白化指数律重合性、白化系数律重合性,伸缩变换一致性.最后通过实例编程验证该方法具有可操作性,且预测精度高,效果好.     

基于Gauss公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,改进了相关文献的方法,提出用数值积分中的G auss公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国城市内分泌、营养和代谢疾病及免疫病致死人数占死亡总人数的百分比的有效预测,理论分析和应用实例表明了文章所提的方法的有效性.     

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.     

用Simpson公式构造背景值的GM(1,1)建模新方法

提出了用Simpson数值积分公式构造背景值的GM(1,1)建模新方法,并通过算法分析和一些实例说明了该方法对很多时间序列应用方便,且其模型的拟合精度也比一些文献中的建模方法有明显改进.认为所提出的方法是建立GM(1,1)预测模型时值得考虑的一个新方法,这不仅将对GM(1,1)建模方法的理论研究提供必要的算法依据,而且...     

灰色GM(1,1)模型研究综述

GM(1,1)是灰色预测理论的核心模型和基础模型.从累加生成方法、初值优化、背景值优化、参数估计方法、模型性质和模型拓展的视角,梳理了GM(1,1)模型的研究进展.明确了有待进一步研究的问题,对GM(1,1)模型的未来研究方向提出了建议.