基于信息再利用的灰色系统GM(1.1)模型建模方法及应用

目的:寻找新的灰色系统GM(1.1)模型建模方法,建立拟合精度与预测精度较高的GM(1.1)模型.方法:在邓聚龙教授建模方法的基础上,用基于信息再利用的方法,建立新的灰色系统GM(1.1)模型.结果:用基于信息再利用的灰色系统GM(1.1)模型建模方法建立的GM(1.1)模型,其拟合精度与预测精度不但优于传统方法建立的GM(1.1)模型,而且优于其他改进方法建立的GM(1.1)模型.结论:基于信息再利用的灰色系统GM(1.1)模型建模方法不但建模过程简单适用,而且其建立的GM(1.1)模型拟合精度与预测精度优于其他改进方法建立的GM(1.1)模型,因而具有广泛的应用价值.     

残差灰色预测模型在我国老龄人口预测中的应用

利用灰色预测理论,建立了GM(1,1)模型和残差灰色预测模型,经过分析,结果表明:残差灰色预测比GM(1,1)模型预测精度高.于是,利用残差灰色预测模型对2012-2020年我国人口老龄化状况进行了预测,为我国政府制定正确的相关政策提供科学理论依据.     

基于小波分析的灰色GM(1,1)模型道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容,针对灰色GM(1,1)预测模型对波动性较大道路交通事故序列预测精度较低的缺点,引入小波分析理论,在小波分析理论的基础上建立灰色GM(1,1)预测模型.通过小波分析将某省2002-2009年道路交通事故起数分解成多层近似平稳的数据序列,然后对低频重构序列建立GM(1,1)模型进行预测.仿真结果表明,方法的预测结果比直接用灰色GM(1,1)模型更拟合原始数据,预测效果更好.预测结果可以为交通部门科学监管和制定决策提供一定的指导.     

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.     

基于函数arccos(px+q)变换的灰色预测模型研究

借助于函数变换理论和灰色系统建模理论,并结合反余弦函数和线性函数的特点,提出了反余弦函数和线性函数相结合的变换方法并建立了一个改进的GM(1,1)模型.证明了这种变换一方面能提高序列的光滑比并压缩序列的级比;另一方面可以使还原误差减小.具体算例结果表明,经过反余弦函数和线性函数相结合建立的改进GM(1,1)模型的拟合精度优于传统GM(1,1)模型和基于反余弦函数变换的GM(1,1)模型的拟合精度.     

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.     

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.     

基于灰色GM(1.1)模型的预测研究——邯郸市城镇化水平预测

灰色GM(1.1)模型适合少量数据的系统预测.当随时间序列的数据只有少量几个,无法采用统计和其他的预测方法时,它作为一种少数据的系统预测十分有效.将1999-2003年5年中的邯郸的城镇化水平作为灰色预测的原始数据,建立邯郸市城镇化水平灰色预测模型,并采用残差估计进行模型检验.成功地建立了邯郸市城镇化水平灰色预测模型.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

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.     

A novel multi-information fusion grey model and its application in wear trend prediction of wind turbines

The small and fluctuating samples of lubricating oil data render the wear trend prediction a challenging task in operation and maintenance management of wind turbine gearboxes. To deal with this problem, this paper puts forward a method to enhance the prediction accuracy and robustness of the grey prediction model by introducing multi-source information into traditional grey models. Multi-source information is applied by creating a mapping sequence according to the sequence to be predicted. The significance of the key parameters in the proposed model was investigated by numerical experiments. Based on the results from the numerical experiments, the effectiveness of the proposed method was demonstrated using lubricating oil data captured from industrial wind turbine gearboxes. A comparative analysis was also conducted with a number of selected other models to illustrate the superiority of the proposed model in dealing with small and fluctuating data. Prediction results show that the proposed model is able to relax the quasi-smooth requirement of data sequence and is much more robust in comparison to exponential regression, linear regression and non-equidistance GM(1,1) models.     

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.     

基于趋势修正的灰预测模型优化研究

针对序列增长趋势不完全满足准指数规律时的灰色预测建模问题,提出基于GM(1,1)模型与序列增长趋势之间偏差修正的建模方法,将GM(1,1)模型还原式中的常数项作为灰变量处理,加入调整系数以缩小拟合值与实际值之间的增长趋势差异,利用灰色离散模型拟合调整系数的变化过程,将得到的调整系数拟合值带入原时间响应函数,进而得到趋势修正的原始序列拟合值;运用新的建模方法对南京市第三产业用电量进行拟合和预测,证明了方法有效提升了GM(1,1)建模精度,并且拟合序列和实际序列的灰色绝对关联度得到提高.     

单调序列的非齐次GM(1,1)模型

GM(1,1)模型的白化解为齐次指数形式,而一般数据呈非齐次指数形式,存在形式上的差异.本文运用非齐次级比与非齐次指数函数的对应关系,对原始序列中相邻数据做差处理,得到新的序列,将非齐次指数序列转换为齐次指数序列,再建立GM(1,1)模型.实例表明,运用初值优化和非齐次化能提高GM(1,1)模型的精度.     

On the properties of small sample of GM(1,1) model

In grey prediction modeling, the more samples selected the more errors. This paper puts forward new explanations of “incomplete information and small sample” of grey systems and expands the suitable range of grey system theory. Based on the geometric sequence, it probes into the influence on the relative errors by selecting the different sample sizes. The research results indicate that to the non-negative increasing monotonous exponential sequence, the more samples selected, the more average relative errors. To the non-negative decreasing monotonous exponential sequence, a proper sample number exists that has the least average relative error. When the initial value of the sequence of raw data of new information GM(1,1) model changes, the development coefficient remains unchanged. The segmental correction new information GM(1,1) model (SNGM) can obviously improve the simulation accuracy. It puts forward the mathematic proofs that the small sample usually has more accuracy than the large sample when establishing GM(1,1) model in theory.     

贫信息背景下朱兰质量成本灰色GM(1,1)测算模型

朱兰曲线将质量总成本表示为质量投入与直接质量损失的合成.针对不同质量水平下的质量成本变化趋势,建立保证成本和故障成本的正负指数模型来确定最佳质量成本.灰色均值GM(1,1)测算模型可以同时克服"少数据""贫信息"的缺陷,更加精确地拟合质量成本的变动趋势.与指数函数模型模拟效果进行对比,结果表明灰色系统理论系列模型具有较高的预测精度,将指数函数模型和灰色GM(1,1)模型结合起来可以为企业提高质量管理水平尤其是质量成本管理提供依据和指导.     

优化灰导数白化值的无偏灰色GM(1,1)模型

通过优化灰导数白化值 ,建立了无偏的 GM(1,1)模型 ,给出了估计模型参数的方法 ,证明了无偏GM(1,1)模型具有白指数律重合性 ,提出了新的预测公式 .实例分析表明 ,新方法提高了模型的精度 ,扩大了模型的适用范围 .     

基于离散指数函数优化GM(1,1)模型的再优化

分析了基于离散指数函数优化的GM(1,1)模型虽然大幅度提高建模的精度,但在构造新背景值过程中仍存在误差的原因,并针对此原因提出了进一步优化此背景值的方法,从而再次提高了建模的精度.经过严格理论验证该模型具有白化指数重合性,所以既适合用于低增长指数序列建模,也适合用于高增长指数序列建模.同时通过大量的数据模拟,并与原GM(1,1)模型及其基于离散指数函数优化的模型对比,发现本文优化的GM(1,1)新模型有非常高的模拟精度和预测精度.     

基于灰导数和预测系数的GM（1,1）优化模型

针对GM（1,1）模型的适用范围是近指数情况,提出了将优化灰导数与利用原始序列模拟的相对误差平方和最小估计预测系数c相结合的方法,从而得到一种简化计算的新GM（1,1）优化模型,该模型的预测公式x（0）（k）=ce-ak在形式上比较简洁,并且经严格指数序列从理论上验证了参数a具有白化指数律重合性,预测系数c具有白化系数重合性.