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.     

非线性灰色Bernoulli模型的改进及应用

非线性灰色Bernoulli模型是灰色预测模型的一类拓展,在捕捉序列非线性趋势性能上表现良好,但仍然存在许多改进的空间.在传统的非线性灰色Bernoulli模型的基础上提出一种改进的方法,结合优化初始值,采用Guass-Newton算法求解最优模型参数以及滚动建模机制三个方面对模型进行改进.数值结果表明,优化初始值能够提高模型的预测精度,Guass-Newton算法寻求最优参数以及滚动建模机制能进一步减少预测误差的产生.因此,改进的模型能够有效地提高非线性灰色Bernoulli模型的预测性能.     

基于Riccati方程的灰色多变量时滞MDRGM(1,N,α)预测模型

针对Riccati方程中含有多变量时滞效应的灰色系统建模问题,提出一种多变量时滞MDRGM(1,N,α)预测模型及其求解方法,给出了参数估计计算过程及近似响应式.在此基础上,通过数据仿真及不同模型间的对比分析验证了模型的有效性、准确性.结果表明:新构建的预测模型在预测具“S”型特征的时间序列数据时具有一定的应用价值.     

基于RLS算法的多项式预测模型及其应用研究

为了提高经济领域统计数据的预测精度,代数多项式预测模型的建模方法应运而生.该方法使用代数多项式模型拟合给定的经济统计数据,并使用递推最小二乘法(RLS)对多项式拟合模型的加权系数进行递推计算以获得最优模型参数,然后通过获得的最优多项式模型计算未来预测数据.文章以实际统计的经济数据为例进行了仿真计算,研究结果表明,该方法不仅能实现统计数据的高精度拟合,而且具有很好的预测能力,在经济领域具有广阔的应用前景.     

基于三角模糊数序列的灰色预测模型

以GM(1,1)模型为代表的灰色预测模型是以精确数序列为基础,难以满足实际需要.为了使灰色模型适应于模糊数序列,具体给出了一种基于三角模糊数序列的建模方法,这种方法也可以实现对二元区间模糊数和梯形模糊数序列的建模.首先由三角模糊数序列得出三个含有等量信息的精确数序列:重心序列、隶属函数的覆盖面积序列和中界点序列,对这三个序列分别建模后,再导出原始三角模糊数序列的三个界点的预测模型.这种建模方法既保持了模糊数的整体性又提高了建模序列的光滑度,提高了预测精度.最后进行了多组随机三角模糊数序列的数据模拟,验证了模型的有效性.     

基于蚁群算法的灰色组合预测模型

分别利用灰色GM(1,1)模型、GM(1,1)优化模型和新息GM(1,1)模型建立三个单项预测模型,进一步建立了组合灰色预测模型,组合模型的权系数利用蚁群算法确定.最后给出了一个我国人口数量组合预测模型,计算结果表明,基于蚁群算法的灰色组合预测模型的拟合和预测精度要优于传统组合预测模型.     

基于粒子群算法的非等距GOM（1，1）模型

等间距灰色GOM（1,1）模型是一种基于反向累加生成的灰色预测模型．为了拓广适用范围,提高GOM（1,1）模型的拟合和预测精度,给出了非等间距灰色GOM（1,1）模型的建模方法,并利用粒子群优化算法对非等间距灰色GOM（1,1）模型的参数进行优化．最后,利用一个仿真实例,表明基于粒子群优化算法的灰色GOM（1,1）模型...     

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.     

化肥需要量灰色预测模型参数的四阶求法

针对文[1]化肥需要量灰色预测模型误差较大且预测结果与定性分析矛盾的问题，本文提出和应用了确定Verhulst模型参数的四阶方法．并重新合理配置建模数据而得一预测模型．计算表明新模型与实际值的拟合精度提高近十倍，而且预测结果与定性分析完全一致．     

基于区间灰数的离散Verhulst直接模型

灰色预测模型既有的研究成果,主要是围绕"实数"为建模对象的经典灰色预测模型,而对于以区间灰数为预测对象的探讨相对比较缺乏.针对传统Verhulst模型建模对象仅局限于实数序列这一缺陷,对Verhulst模型进行了拓展.对此,文章分析了传统Verhulst模型不足,提出了离散Verhulst直接模型;然后,构建了基于核和信息域的离散Verhulst直接模型,使区间灰数信息无偏的转换成实数信息,同时有效避免了原有的根据"灰度不减公理"按照取大准则确定预测值得灰度或信息域的计算性误差.最后,通过实例分析表明提出的新模型的有效性和实用性.     

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明, CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.     

化肥需要量灰色预测模型参数的四阶求法

针对文［１］化肥需要量灰色预测模型误差较大且预测结果与定性分析矛盾的问题，本文提出和应用了确定Ｖｅｒｈｕｌｓｔ模型参数的四阶方法，并重新合理配置建模数据而得一预测模型．计算表明新模型与实际值的拟合精度提高近十倍，而且预测结果与定性分析完全一致．     

基于灰色马尔科夫模型的平顶山市空气污染物浓度预测

选用平顶山市2005—2009年各空气污染物浓度作为原始数据序列,建立灰色马尔科夫预测模型,对未来10年的污染因子浓度进行预测.模型检验结果表明:均方差比值和小误差概率均为一级;运用灰色关联分析法计算各污染物原始数据序列与预测数据序列之间的关联度,定量描述灰色马尔科夫预测模型对于空气质量预测的精确度,平均精度达到99.9%,表明灰色马尔科夫预测模型对于空气质量预测有很高的实用性.     

基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

Lotka-Volterra模型参数的灰色估计法及其应用

基于灰色直接建模法,提出了估计Lotka-Volterra模型参数的一种方法,较好的反映了相互影响的两个变量之间的互惠、竞争等关系,为定性预测分析提供了实证支持,并得到了定量预测的结果.实例说明本模型的有效性和适用性.并证明了数乘交换不影响原始序列的模拟精度,为解决灰色预测模型的病态性提供了思路.     

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.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

基于小波变换和改进萤火虫算法优化极限学习机的短期负荷预测

提出了一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法.通过小波分解和重构,对原始负荷序列进行降噪;在模型训练阶段利用改进的萤火虫算法优化极限学习机参数,获得各序列的最优模型;针对各子序列分别预测叠加得到最终预测值.通过在两种时间尺度的数据序列上进行数值计算,与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比,模型预测效果更优.     

基于初始条件优化的非等间距多变量灰色预测模型研究

为了进一步提高非等间距多变量灰色预测模型MGM(1,m)的预测精确度,根据新信息优先原理,本文提出了一种初始值末点优化的非等间距多变量灰色预测模型。通过对模型初始点的优化,给出了优化模型的计算公式和时间响应函数,从而使模型更符合灰色预测建模时新信息优先的原则。最后,通过算例验证了所提出模型的实用性,同时表明优化后的模型可以提高模型的模拟、预测精度。     

基于改进灰色马尔科夫模型的年降水量预测

通过结合灰色预测和马尔科夫理论的特点,利用新信息优先的思想,提出一种改进的灰色马尔科夫预测模型,首先对序列进行滑动平均处理,然后用无偏GM(1,1)模型拟合系统的发展变化趋势,并以此为基础进行马尔科夫预测,在每一步预测中,不断推陈出新,更新原始数据.实验结果表明,与一般的灰色预测模型相比,其预测准确度尤其是中长期预测准确度得到了较大提高.