GM(1,1)改进模型及其应用

根据 GM( 1 ,1 )灰色模型的指数特性 ,通过在区间上求积分给出了关于背景值的一个比较确切的计算公式 ,讨论了由此建立的 GM( 1 ,1 )改进模型的适用范围和预测精度 .结果表明改进模型比原 GM( 1 ,1 )模型适用性要强、模拟和预测精度要高 ,不仅适用于低增长序列、也适用于高增长序列 ,不仅适用于短期预测 ,同样也适用于中、长期预测     

改进不等时距灰色GM(1,1)模型及其应用

针对传统不等时距灰色模型(UGM(1,1))的缺陷,分别从背景值优化和模型优化,结合新陈代谢思想,提出了2种改进不等时距灰色模型:新陈代谢不等时距加权灰色模型(MUGM(1,1,w))和改进新陈代谢不等时距灰色模型(AMUGM(1,1)).经算例仿真检验,结果表明:2种改进模型在预测精度和实用性上都优于传统UGM(1,1)模型,其中AMUGM(1,1)模型更是克服了灰色模型不含线性因素的局限,拓宽了灰色模型的适用范围,具有很好的应用价值.     

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.     

灰色预测GM(1,1)模型的一点改进

讨论了灰色预测GM(1,1)模型理论上存在的一些问题,认为在解微分方程dXdt(1)+aX(1)=b进行预测公式推导时,把-X1(1)=X11作为已知条件来确定微分方程的解是不合理的,而应根据实际情况,不局限于{X(1)(k)}序列,直接从最后的平均相对误差ε-=n1∑k=n1ε(k)入手,将-ε看作是常数cm的函数,求出满足Min{-ε(cm)}的cm值即可,并在此基础上推导出cm的计算公式,形成新的灰色预测公式,从而进一步提高预测精度,最后经过实例验证新的预测公式的正确性及可行性.     

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.     

GM(1,1)模型的改进及应用

随着经济的飞速发展,对经济的预测已经是必要的手段,本文选择灰色预测模型来预测经济的发展.然而,传统的GM(1,1)模型存在一些不足,往往在数据之间变化很大时得不到理想的结果,预测精度不高.首先对GM(1,1)模型做了简单的介绍,然后通过改进初始值的光滑度和背景值的取值优化模型,最后运用改进的GM(1,1)模型预测兰州市未来几年的经济发展,从预测结果看到在2020年兰州市的全民生产总值将达到6000亿.     

灰色系统 GM(1,1) 模型的讨论

本文讨论灰色系统 GM(1,1)模型在建模过程中由于原始数列的变化对模型值及预测精度的有效性问题.指出,在通常的 GM(1,1)建模方法中,原始数列的第一个数据对模型值及预测精度不产生任何影响.为利用该数据提供的信息,可在原始数列的第一个数据前再增加一个任意数作为新的原始数列建模;另外,原始数列中每一个数据增加同一个常数后,对模型值和预测精度可产生影响.因此,在 GM(1,1)建模过程中,需选择合适的常数,以提高预测精度.     

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.     

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.     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

直觉模糊GM(1,1)模型及其在灰色发展决策的应用

研究了以直觉模糊数为对象的GM(1,1)模型并运用到灰色发展决策方法。利用灰色系统理论中核和灰度的内涵,将直觉模糊数的犹豫度和记分函数结合构建了直觉模糊数序列 GM(1,1)预测模型,从而实现了直觉模糊数的预测。在此基础上结合变权原理提出了基于直觉模糊数的灰色发展决策方法。最后,算例分析说明了该方法的合理性和可行性。     

含时滞参数的灰色GM(1,1,τ)模型及其应用

针对GM(1,1)模型未能反映系统时滞效应的问题,根据实际应用的需要,利用灰色建模思想构建了含时滞参数7的灰色GM(1,1,Υ)模型,并研究了该模型的建模机理、建模过程,给出参数估计方法.并根据模型的基本形式,构建出以原始值和背景值的一阶累减生成序列的灰色相对关联度最大化为目标的灰色关联分析法来探索时滞参数Υ的确定方法,并获得模型的离散解.最后利用该模型对美国制造业库存总量进行了模拟预测,获得较高的精度,验证了模型的有效性.     

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.     

GM(1,1)建模方法的改进及其应用

应用微分方程的两种数值解法估计GM(1,1)模型中的待辩参数a、u,并对模型的边界条件做了改进,建立了灰微分方程的时间响应表达式,讨论了由此建立的GM(1,1)模型的适用范围和预测精度.通过实例的分析计算,证明改进的模型具有良好的预测精度,满足工程实际需要,拓广了GM(1,1)模型的适用范围.     

GM(1,1)模型的改进及其在银行贷款预测中的应用

利用GM(1,1)预测模型,分析中国近年来信贷变化,发现中国信贷规模发展趋势及其信贷结构具有显著的新特征;结合模型的适用条件和预测结果的检验要求,提出了四条思路解决数据缺损导致信息挖掘失真以及如何处理数据中所包含的大量"噪音"等问题,并认为对那些波动较大的数据应采取连续平滑的方法改造原始数据;对于那些有奇异值的原始数据可采用插值法替代它,试验和案例应用印证了改进的模型可以提高预测精度.     

灰色GM(1,1,

将灰色理论用于人体药物代谢动力学的研究,建立了一种新的灰色模型GM(1,1,     

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.     

应用PSO-改进GM(1,1)模型预测油田产量

准确预测油田产量对油田开发调整部署有重要意义.依据油田产量变化特征与油田产量数据丰富的特点,引入产量变化系数修正传统灰色模型,并运用中心差商改进了传统灰导数离散过程,减小灰导数离散误差,再结合PSO算法,最终建立了PSO-改进GM(1,1)模型.运用PSO-改进GM(1,1)模型进行油田产量预测,对比传统灰色模型与PSO-改进GM(1,1)模型的产量预测结果可知,与传统灰色模型预测结果相比,应用PSO-改进GM(1,1)模型进行油田产量预测具有更高的准确性.     

改进的GM(1,1)幂模型的构建与应用

在构建GM(1,1)幂模型中,经常利用一阶非齐次线性方程的常数变易法求得GM(1,1)幂模型白化方程的解,再利用白化方程,在灰色系统信息覆盖原理下经过离散化处理推导出参数γ的计算公式,并利用最小二乘法求解参数a,b.但是在求解过程中由于离散化的处理,造成了时间响应预测函数精度的下降。为了弥补精度下降的缺陷,对于预测模型利用PSO算法进行了系数修正.案例对比研究发现,传统的GM(1,1)预测效果最差,改进的GM(1,1)幂模型预测效果最好.     

火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.