高速公路交通事故灰色Verhulst预测模型

在分析我国高速公路交通事故历史数据的基础上,引入灰色Verhulst预测理论,建立了高速公路交通事故灰色Verhulst预测模型.通过对2000～2007年我国高速公路交通事故死亡人数进行实例分析,发现灰色Verhulst模型的预测精度高于GM(1,1)模型.结果表明,灰色Verhulst模型的预测结果较好的反映了高速公路交通事故的发展趋势,该模型用于高速公路交通事故预测是可行的.     

注水油田年综合含水率预测的数学模型

本文将改进的灰色GM（1，1）模型用于某油田年综合含水率的近期发展趋势研究。在平均相对误差达到最小准则下，研究了模型中的背景值参数A和边值修正项￡对模型预测精度的影响。在此基础上，采用线性规划方法估计模型中的参数，基于遗传算法求解最佳背景值参数A和最佳边值修正项ε，以确保在相应的模型检验准则下预测的误差达到最小。结果表明，用改进的灰色GM（1，1）模型预测近期注水油田的综合含水率，预测值与实际值相对误差很小，预测精度很高，可以得到非常满意的结果。进一步的研究发现，改进的灰色GM（1，1）模型虽然近期预测精度很高，但研究长期的发展趋势是行不通的，为此又研究探讨了长期发展趋势模型。     

灰色系统预测模型GM(1,1)背景值重构研究

分析了灰色系统预测模型GM(1,1)对高增长指数序列建模适应性较差的原因,通过重构背景值计算公式,建立了一个适应性极强的灰色系统预测模型NGM(1,1),该模型具有对建模结果进行优化的能力.算例结果表明该模型对低增长指数序列和高增长指数序列建模都能获得最佳的拟合和预测精度,对经济、工程和自动控制等领域中的预测问题有较高的理论价值和实践意义.     

改进的加权不等时距灰色IMUGM(1,m,ω)模型及其应用

针对传统的灰色预测模型的缺陷,提出了改进的多因素不等时距加权灰色预测模型.首先,以引入加权因子ω的方式建立多因素不等时距加权灰色模型,再通过初始值改进、残差修正以及新陈代谢思想相结合的方式对模型进行改进;然后结合实际消耗数据,依据欧氏距离、隶属度权值等模型,实现备件消耗预测,实例仿真及分析验证了方法的有效性.     

基于遗传算法的灰色Elman神经网络预测模型及其应用

针对少数据、贫信息、非线性、动态性的时间序列,采用遗传算法对Elman神经网络的初始权值进行优化以避免陷入局部最小值.建立灰色GM(1,n)模型对其进行预测,使用优化后的神经网络对预测结果进行修正.通过实例拟合、预测,对比灰色GM(1,n)模型、灰色神经网络模型和基于遗传算法的灰色神经网络模型结果,验证预测模型的有效性.结果表明,基于遗传算法的灰色Elman神经网络预测模型能够扩大搜索范围,稳定网络结构,提高解的精度.     

基于灰色神经网络的企业风险特征指标动态预测方法研究

根据企业风险特征指标预测问题的特点,提出将灰色系统GM(1,1)模型与神经网络结合建立一阶灰色神经网络预测模型,以实现系统预测的动态性及提高系统的预测精度.但该模型具有一定的局限性,从模型参数的角度给出了该模型只适用于具有"单调"性数据的证明,进而提出了三阶灰色神经网络预测模型,以适应预测数据"非单调"或摆动的情况.但随着系统建模过程中阶数的增加,预测精度会有所下降,因此应根据数据特点选择预测模型.最后,通过实证分析验证了上述模型及证明结论.     

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.     

安徽省道路交通事故影响因素分析及其预测研究

以安徽省道路交通安全状况为研究对象,探讨分析安徽省道路交通事故致因要素及未来发展趋势.首先利用灰色关联度法分析道路交通事故数与相关致因要素之间的关联度,得出人口因素是主导因素,其次为环境因素,包括社会经济环境和道路环境.在此基础上,运用灰色GM(1,1)及其残差改进模型,对事故起数及其主导因素进行预测研究,结果证明灰色预测可以很好地预测人口发展趋势,但对事故起数这样波动较大的数据更适宜残差修正模型.     

基于灰色马尔科夫模型的陕西省铁路客运量预测

随着我国高铁客运的快速发展,从铁路客运历史趋势中探寻规律、把握铁路客运发展趋势,旨在对中国铁路公司及相关企业的决策提供科学依据.基于2005-2016年陕西省铁路客运量数据,在灰色GM(1,1)模型预测的基础上,运用马尔科夫过程对预测值进行修正,并对2017-2022年陕西省铁路客运量进行预测.结果表明:经过马尔科夫过程修正的灰色预测模型平均绝对误差由原来的4.64%降低到2.94%,预测效果明显.经检验,灰色马尔科夫模型的精度等级为一级,说明了方法对陕西省铁路客运量预测的有效性.     

北京市交通运输、仓储和邮政业增加值的灰色马尔科夫预测模型

将2000-2017年北京市交通运输、仓储和邮政业产值作为原始数据系列,应用灰色模型对时序数据的总体趋势进行拟合,选取相对误差作为随机波动过程,对预测结果进行修正,最后运用灰色马尔科夫模型对未来5年北京市交通运输、仓储和邮政业的产值进行实例预测.结果表明:经过马尔科夫过程修正的灰色预测模型平均预测精度由原来的90.82%提升到97.14%,预测效果明显,说明了方法对北京市交通运输、仓储和邮政业增加值预测的有效性.     

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.     

基于标准区间灰数的发展带离散DDGM预测模型

由于区间灰数运算体系尚不完善,灰数间的代数运算将导致结果灰度增加,难以有效构建基于"区间灰数"的灰色发展带预测模型.对此,通过将区间灰数进行标准化处理,分解成基于实数形式的"白部"和"灰部"两个部分;然后分别对"白部"和"灰部"建立发展带预测模型,再推导并还原得到区间灰数的发展带预测模型;最后,将模型用于摆动幅度大且整体趋势增长的区间灰数在未来时刻的预测,预测效果验证了所提出模型的有效性.     

房地产行业的数学建模分析

分别建立了需求模型,供给模型,房地产与其他产业的关系模型,房价模型及房地产发展趋势的预测模型,并对影响模型的相应因素做了简要的分析.     

贝叶斯向量自回归分析方法及其应用

由于经济环境的多变,使得经济预测面临数据量少的建模难题,贝叶斯方法对小样本数据建模问题具有明显优势。本文在共轭条件似然函数"矩阵正态-Wishart分布"意义下,首先讨论了向量自回归模型的贝叶斯分析方法,得到了模型参数的后验分布与一步预测分布。其次,给出了分量方程的对应结果,说明了模型阶数的推断方法。最后,列出了计算步骤,并作为应用,对上海房地产价格指数数据进行预测建模,取得了较好效果。     

基于DEA的低碳地产供应链整体绩效评价研究

低碳地产供应链已成为我国国民经济发展的重要组成部分和主要趋势.在分析低碳地产现状的基础上,探讨低碳地产供应链内涵,分析并建立多层次多指标的低碳地产供应链绩效评价指标体系,运用数据包络分析法(DEA)中的C2R模型对低碳地产供应链绩效进行初步评价.最后,通过案例分析判断出低碳地产供应链的DEA有效性,分析非DEA有效的影响因素,并通过在生产前沿面上的投影计算分析,提出其绩效改进方案.     

GPM(1,1,m)模型及其在中国能源消费预测中的应用

客观准确地预测能源消费,可以为政府制定社会经济发展政策提供重要参考.利用矩阵分析的思想研究了灰色预测模型的建模机理,提出了基于时间多项式的可拓形式GPM(1,1,m)模型,并分析了其理论意义.在此基础上,通过研究了时间多项式对模型参数和预测值的影响,推导了它们之间的定量关系,设计了实际建模中的优化方法和参数估计的一般形...     

基于多角度的我国房地产行业数学模型的建立与分析

房地产业在我国国民经济中起着重要的作用,通过建立数学模型,从多个角度研究我国的房地产行业的性质与发展态势.首先,建立了基于联立方程组的住房的供给和需求模型,并结合蛛网模型进行分析,发现我国房地产目前处于一个非均衡的阶段;接着,建立了基于VAR模型的房地产行业和国民经济13个主要其他行业关系模型,找到了与房地产业互相影响的产业;再接着建立了基于组合权重的GC-TOSIS法的我国房地产行业态势分析模型,得出近几年房地产的态势不太乐观的结论;并通过态势分析模型得到我国房地产的经济发展情况,并引入可持续发展指数,建立了基于离散Hopfield神经网络的房地产行业可持续发展模型,得到我国房地产行业可持续发展程度以及可持续发展的等级正在逐渐增高.最后,结合以上四个模型,综合分析我国房地产的各个方面的发展趋势,并提供了可行性建议.     

基于房地产行业发展现状的数学模型

基于我国房地产行业发展的现状,根据优化与运筹的相关数学理论,采用BP神经网络、灰色理论、目标规划等方法,建立了住房需求-供给模型、房地产行业与国民经济其他行业关系模型、房地产行业态势分析模型、房地产行业可持续发展模型、合理房价制定模型,对我国的房地产行业作了深入的分析和科学的探讨,给政府相关部门制定决策提供了重要的理论依据.     

基于VAR—GM(1.1)—SVR模型的房地产价格预测研究

为提高房地产价格预测精度,克服传统统计数据真实性低、时效性差的缺点,本文以网络搜索数据为基础,首先通过斯皮尔曼相关分析和时差相关分析筛选出与房地产价格具有高度相关性的先行关键词,并利用向量自回归模型(VAR)和GM(1.1)模型分别预测房地产价格;然后构建基于向量自回归模型和GM(1.1)模型的VAR—GM(1.1)—SVR模型将以上两个模型的预测结果进行预测融合,并以西安市数据为例进行验证,得出均方误差(MSE)和标准平均方差(NMSE)分别为0.97和0.03,优于单一模型预测效果.