GM(1,1)模型灰色作用量的优化

通过把GM(1,1)模型中的灰色作用量b改进为动态的b_1+b_2k,从而构建了对灰色作用量优化的GM(1,1)模型.通过实例的验证以及与GM(1,1)模型对比,发现优化的GM(1,1)模型的模拟精度和预测精度均较高.     

基于灰作用量优化的分数阶灰色预测模型研究

针对小样本振荡型数据序列的灰建模预测问题,提出基于灰作用量优化的分数阶GM(1,1|sin+cos)预测模型.在已有经典GM(1,1|sin)的基础上,一方面,将一阶累加灰生成拓展为分数阶累加灰生成,使得构建的模型更加符合新信息优先原理.另一方面,将灰作用量b_1 sin pk+b_2改进为b_1 sin pk+b_2 cos qk+b_3,其作用是通过增加余弦函数项cos qk,使得具有两个不同周期的运动项cos qk与b_1 sin pk+b_2叠加复合之后,能够生成更加贴近于振荡原始序列趋势和特征的时间响应序列,从而得到拟合精度较高的灰色模型.其次,对建模过程的时间响应式、模型参数p和q的最优估计问题进行了研究,构造了最优累加阶数r、参数p和q的粒子群优化算法,得到的优化模型实现了某些类型振荡序列较高精度的预测.实际数据例子结果表明,所建立的模型能够较好地模拟常见振荡型数据序列的波动趋势和特征,具有较强的适用性和拟合性能.     

一类优化灰色作用量的GM(2,1)模型

通过把GM(2,1)模型中的灰色作用量b改进为b_1+b_2k,从而构建了灰色作用量优化的GM(2,1)模型,并改进了相应的边界条件,通过实例验证以及与累积GM(2,1)模型和反向累积GM(2,1)模型对比,发现改进灰作用量后的GM(2,1)模型具有较高的模拟精度.     

改进灰导数的GM(1,1)幂模型

为了提高灰色GM(1,1)幂模型的拟合精度,讨论了灰色GM(1,1)幂模型灰导数的白化问题.以白化微分方程为基础,利用梯形公式白化灰导数,得到了改进的GM(1,1)幂模型.实例分析结果表明改进的GM(1,1)幂模型具有更高的预测和拟合精度.     

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.     

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.     

基于线性多步法的GM(1,1)模型优化及应用

为提高灰色GM(1,1)模型的模拟效果和预测精度,采用线性多步法中四阶Adams显式公式和隐式公式来优化GM(1,1)模型,改进模型的参数辨识,讨论所建立优化模型的适用范围、模拟效果和预测精度,并与最小二乘作为参数辨识的传统GM(1,1)模型进行比较.实例表明,基于线性多步法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.     

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.     

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.