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.     

基于变权GM(1,1)组合模型的喀什GDP预测

利用离散GM(1,1)模型,新息GM(1,1)模型以及复合函数预测模型建立了一类变权重组合预测模型.并将该组合预测模型应用于喀什地区GDP预测,建立了喀什地区GDP的变权重GM(1,1)组合预测模型.计算结果表明变权GM(1,1)组合预测模型在时间序列数据的预测中具有一定的优势.     

基于GM(1,1)残差模型的科技园区财政收入预测

根据科技园区财政收入预测的需要,在对历史数据分析的基础上,利用灰色预测理论建立了丰台科技园区财政收入预测的GM(1,1)模型,为了提高预测精度,用GM(1,1)残差模型对其修正,得出预测公式.通过预测结果的对比分析和模型的后验差检验,证明预测模型精度较高.模型的应用为科技园区财政收入预测提供了一种科学方法,同时也为园区管理决策提供了依据.     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

基于BP神经网络及灰色GM(1,1)模型的服装供应链第三方库存预测应用研究

在由服装制造企业及品牌代理商组成的服装供应链中,第三方物流企业可以通过预测模型优化服装物流资源,提升服装供应链末端运营效率.首先提出了服装供应链管理企业库存运营模式.其次,以第三方服装供应链管理企业实际库存数据为基础,依据服装行业变化快、季节性强、多批次、小批量的特性,针对服装产品因季节性产生的"爆仓"问题,建立基于BP神经网络的第三方物流企业库存改进预测模型.第三,将预测结果误差较大的部分运用灰色GM(1,1)模型进行补充研究,通过预测结果与实际数据的对比,验证针对服装供应链末端预测库存的有效模型.改进预测模型可以辅助第三方服装类物流企业进行科学决策,为提升供应链末端效率及物流管理整体水平提供新思路.     

基于GM(1,1)模型群的高速铁路路基沉降预测研究

路基沉降控制是高速铁路建设的重要问题之一.以京沪高速铁路为例,采用GM(1,1)模型、新信息CM(1,1)模型、新陈代谢GM(1,1)模型组成的模型群对施工期路基的沉降变形值进行了预测分析,结果表明,新陈代谢GM(1,1)模型更适于施工期高速铁路路基沉降预测.     

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.     

基于背景值优化的GM(1,1)模型在牡丹江GDP预测中的应用

针对GDP是制定地区经济发展战略目标和宏观经济政策的重要参考指标,若能对此指标进行准确的预测,则将会极大有利于该地区制定科学有效的经济政策.鉴于此,对能够影响传统GM(1,1)模型预测精度的背景值进行了优化分析,得到了背景值优化的GM(1,1)预测模型,利用牡丹江市近六年来的GDP数据,将背景值优化的GM(1,1)模型与传统GM(1,1)模型的预测误差做了对比分析,发现前者较后者在预测精度上有了较好的改善,并利用背景值优化的GM(1,1)模型对牡丹江市未来几年的GDP进行了科学预测,并依据预测结果,给出了提高牡丹江经济增长及增长方式转变的对策建议.     

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.     

GM(1,1)模型预测精度仿真分析

基于GM(1,1)模型的灰色预测具有独特优点.从GM(1,1)建模数据的选择入手,应用数值仿真方法,针对具有不同发展系数和偏离度的大量模拟序列研究了建模维数与预测精度之间的关系.研究结果给出了不同情况下的最佳建模维数和预测精度期望值,为GM(1,1)建模提供了有益的指导信息.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法及其应用

提出非平稳时间序列分析的WAVELET—改进GM(1,1)组合方法.首先利用Mallat算法对非平稳时间序列进行小波分解;然后采用能量阈值选择策略对高频系数进行处理,并将其与低频系数进行小波重构;最后运用改进的GM(1,1)方法预测.该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.实验结果证明,该方法比传统的非平稳时间序列预测方法具有更高的预测精度.     

带遗忘因子的递推GM(1,1)预测模型

针对有新信息逐步引入的灰色预测模型,为区分新旧数据对模型的贡献度,提出一种带遗忘因子的递推灰色预测模型.通过在目标函数中增加遗忘因子,实现新旧建模数据的动态加权,达到逐步遗忘旧信息的目的.给出了灰色预测模型参数的递推估计算法,将新获信息实时加入,以提升模型预测精度.网络流量的递推GM(1,1)预测模型建立及数值仿真,验证了改进算法的有效性.     

基于GM(1,1)的贵州省GDP预测及产业结构的灰色关联分析

以贵州省2012-2018年GDP数据建立GM(1,1)灰色预测模型,用2019年GDP数据对模型预测精度进行误差检验,并对未来三年GDP的增长状况作了科学预测.运用灰色关联分析方法,通过关联度比较分析贵州省GDP与产业结构之间的关系,研究得到未来三年贵州省的GDP仍会以较快的速度增长,第二产业对贵州省GDP的影响最大,第一产业对GDP的影响最小的结论.     

基于二次优化BP神经网络的期货价格预测

针对BP算法存在的不足,结合神经网络、遗传算法和主成分分析的优点,提出基于二次优化BP神经网络的期货价格预测算法.初次优化采用主成分分析法对网络结构进行优化,第二次优化采用自适应遗传算法对网络参数进行优化,将经过二次优化后建立的BP神经网络模型用于期货价格预测.经仿真检验,用新方法建立的模型对期货价格进行预测,在预测的精度和速度方面都优于单纯BP神经网络模型.     

GM(1,1)模型在高校选修课开课规模中的应用

针对多所高校普遍存在的选修课供求比例失衡、课程资源配置不够合理等问题,笔者以浙江某高校的历史选课数据为例,利用GM(1,1)灰色预测模型对高校选修课开课数量及其规模进行了预测,并对比了四种模型的预测误差,结果表明二阶算子作用序列下的预测数据可信度较高,并以此为基础讨论了不同类型选修课布局及课程计划管理.     

牡丹江GDP的GM(1,1)预测及其影响因素的灰色关联分析

运用灰色系统理论中的GM(1,1)预测模型,以牡丹江市近六年来的GDP数据为例,对其未来几年的GDP状况进行了科学预测,并对影响GDP发展的主要因素进行了系统分析,确定了各因素相对于GDP发展的关联程度,为相应的决策部门提供科学依据.