新陈代谢离散灰色预测MDGM(1,1)模型及其应用

在离散灰色预测DGM(1,1)模型的基础上,提出了新陈代谢离散灰色预测M DGM(1,1)模型,即:对原始数据序列采用新陈代谢的方式逐次建立相应的DGM(1,1)模型,并把该模型用于江西省旅游收入的中长期预测,最后进行了精度检验.结果表明:新陈代谢离散灰色预测M DGM(1,1)模型预测精度较高,可作为中长期预测的工具.     

基于随机振荡序列的DGM(1,1)模型的建模及应用

考虑直接用非单调、波动性强的随机振荡序列建模预测效果不理想的问题,通过进一步挖掘平移变换和几何平均变换的性质,证明了平移变换和几何平均变换的随机振荡序列更加符合DGM(1,1)模型建模条件,构建了基于随机振荡序列的DGM(1,1)模型建模步骤.运用算例验证了模型的有效性,且提高了DGM(1,1)模型的预测精度,扩大了DGM(1,1)模型的应用范围.     

GM(1,1)模型适用域讨论及模型的改进

在已有灰色系统理论的基础上,讨论了GM(1,1)模型的适用域,明确界定了GM(1,1)模型的有效区域和禁区,并提出了GM(1,1)模型的一种改进形式——离散灰色预测DGM(1,1)模型.通过对我国经济增长的实证分析说明了该模型的有效性和可靠性.研究结果表明,提出的DGM(1,1)模型可作为灰色预测的一种精确模型,因此,为我国经济增长预测提供了一种新的方法,对当前我国经济的理性增长具有重要的指导意义.     

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.     

基于线性多步法的GM(1,1)模型优化及应用

为提高灰色GM(1,1)模型的模拟效果和预测精度,采用线性多步法中四阶Adams显式公式和隐式公式来优化GM(1,1)模型,改进模型的参数辨识,讨论所建立优化模型的适用范围、模拟效果和预测精度,并与最小二乘作为参数辨识的传统GM(1,1)模型进行比较.实例表明,基于线性多步法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.     

新息累积非等间距GM(1,1)模型研究

为提高非等间距GM(1,1)模型的模拟效果和预测精度,在传统的累积非等间距GM(1,1)模型中结合了新息思想,对新息累积非等间距GM(1,1)模型的初始条件进行改进,并对参数的有效区间进行了讨论.仿真实例表明了改进后模型的有效性和高效性.     

GM(1,1)的改进及其在经济发展预测中的应用

针对传统GM(1,1)在模型参数绝对值较大时参数求解精度较差的问题,采用免疫进化算法对其参数求解方法进行改进,然后将改进后的GM(1,1)应用到四川省的经济发展指标预测,并和采用传统GM(1,1)所得的预测结果进行了对照.结果表明,采用免疫进化算法对GM(1,1)参数求解方法的改进是有效的,改进后的GM(1,1)对四川省的经济发展指标预测结果比传统GM(1,1)的预测结果有明显改进。     

基于神经网络的灰色预测模型及其在中国粮食总产量预测中的应用

在单变量灰色预测模型中,不同模型的建模机理是影响因变量模拟和预测结果的重要因素之一.为了充分挖掘不同模型的优点,提出了基于神经网络的灰色耦合预测技术.设计了详细的建模步骤,开发了用于构建新模型的算法,介绍了模型的评估标准,并通过数值示例对模型的性能进行了测试.最后,新模型被用于预测中国的粮食产量.新模型的平均相对误差为1.29%,而GM(1,1),GEM(1,1)和DGM(1,1)的平均相对误差分别为6.74%,2.35%和6.75%.结果表明,新灰色耦合模型具有良好的预测效果,验证了灰色耦合结构有效性.     

对背景值优化的新GM(1,1)模型

为了提高灰色GM(1,1)模型的模拟及预测精度,考虑对模型的初始条件x(1)(n)增加扰动因素β,把x(1)(n)+β作为模型的新初始条件,并对模型的背景值进行优化,从而得到了一种改进的GM(1,1)模型.还通过实例验证了新建模型比原有模型提高了拟合的效果及预测的精度.     

优化的非等距GM(1,1)模型在基坑周边地表沉降预测中的应用

由于影响基坑沉降的因素较多,并且在实际工作中监测数据存在非等距的情况,通过传统的非等距GM(1,1)模型的建模原理分析了其预测精度低的原因,同时指出背景值是影响非等距GM(1,1)模型精度的关键因素之一.在此基础上,提出运用Newton插值法和Newton-Cotes求积公式优化背景值,结合工程实例,表明优化后的非等距GM(1,1)模型在沉降预测中的有效性.     

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.     

基于残差GM(1,1)模型的强(弱)化缓冲算子还原模型

残差GM(1,1)模型预测效果相对于GM(1,1)模型较好,但是其要求残差尾段符号一致的自身缺陷常常存在,在实际工作中难以运用,需要解决其自身缺陷,故本篇提出新的模型,即基于残差尾段的强(弱)化缓冲算子还原模型.在残差GM(1,1)模型的基础上,以残差尾段序列作为原始数据,判断其是否满足灰色建模条件,如满足,则直接建模;如不满足,需要对其进行序列算子强(弱)化处理,进行GM(1,1)建模,之后进行强(弱)化缓冲算子还原.以实例为证,最终结果表明强(弱)化缓冲算子还原模型的预测精度稍有提高,且解决了自身缺陷和允许序列不符合灰色建模(诱发缺陷)的情况出现.     

基于区间灰数DGM(1,1)模型的客运交通量预测

科学的预测客运交通量对于我国交通运输业发展具有重要的现实意义.为了提高客运量预测的精度,本文应用区间灰数DGM(1,1)模型对1995—2002年全国客运交通量进行模拟和预测,得到了预测精度较高的结果,这为客运交通量的预测提供了一种简单而可靠的新途径.     

基于新陈代谢GM(1,1)模型的中国煤炭消费量预测分析

运用灰色系统理论,以中国2002-2012年的中国煤炭消费量建立了GM(1,1)和新陈代谢GM(1,1)预测模型.使用相对误差和残差平方和对两个模型的精度进行检验,对比表明,新陈代谢模型精度高于常规的GM(1,1)模型.使用平均弱化缓冲算子来表示能源政策对煤炭消费量的冲击,应用处理后的新陈代谢GM(1,1)模型对2015-2017年的煤炭消费量进行了预测.     

基于机场货运预测的GM(1,1)建模过程问题分析

运用灰色系统GM(1,1)模型进行预测时,模拟精度和预测精度是关注的焦点.对原始数据构造缓冲算子和进行完整的前期检验,运用等维灰数递补的动态建模方法,针对误差建立残差修正模型,都可以提高预测的可信度.通过归纳建模各阶段可能出现的典型问题以及解决方法,以期对建立优化模型有所帮助.最后建立GM(1,1)模型预测天津滨海机场货邮吞吐量.     

大连水产品冷链物流需求影响因素分析及其预测

提出了一种基于GM(1,1)和BP神经网络的组合预测模型.首先对传统GM(1,1)模型的背景值进行改进,再利用改进的GM(1,1)模型和BP神经网络模型各自的优势分别预测冷链物流需求量的线性主体部分和非线性残差部分,然后将二者进行加和,并通过MATLAB对大连水产品冷链物流需求量进行仿真预测.结果表明,与单一的预测模型相比,该组合模型具有更高的预测精度,使预测结果更接近实际情况.     

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.     

NpGM(1,1)模型及其在新疆生产建设兵团城镇化水平预测中的应用

根据灰色系统理论的差异信息原理和新信息优先原理,从背景值和初始条件两个方面对GM(1,1)模型进行了改进,提出了更加符合灰色系统理论的特点的NpGM(1,1)模型.通过实例分析,发现NpGM(1,1)模型的模拟精度和预测精度都优于GM(1,1)模型.同时,利用NpGM(1,1)模型预测结果,提出了新疆生产建设兵团已进入城镇化的中前期发展阶段.     

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.     

基于分数阶GM(1,1)与BP神经网络的电力负荷预测

传统的灰色GM(1,1)和BP神经网络模型存在对原始序列依赖高,收敛速度慢等缺点.将分数阶累加的思想引入GM(1,1)模型,再用逐层训练算法改进传统的BP神经网络.基于我国2010-2014年的电力数据,构建分数阶GM(1,1)与BP神经网络组合模型,预测2015年和2016年的总发电量.实证结果表明,该组合模型比GM(1,1)模型,分数阶GM(1,1)模型以及GM(1,1)与BP神经网络组合模型具有更好的数据拟合效果,更高的预测精度.