自适应灰色欧拉模型的优化及其应用

灰色预测模型已经在很多领域获得成功的应用,但是该方法的模型性能还可以进一步提高.为此,提出了一种新的灰色欧拉模型GEM(1,1)和OSGEM(1,1),给出了参数的最小二乘法计算公式,并以微分方程为推理过程,得到了GEM(1,1)模型和OSGEM(1,1)模型的时间响应序列.利用2002-2015年的数据建立预测模型,...     

灰色-马尔柯夫模型的改进及其参数计算方法

提出了一种改进的灰色-马尔柯夫预测模型,同时给出了状态划分和模型参数计算的方法,应用实例表明了提出的模型和方法是有效的.     

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     

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.     

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.     

GM(1,1)模型的理论缺陷及其基于时间响应函数的优化分析

分析了GM(1,1)预测模型存在的理论缺陷和禁区,指出在形成预测模型时规定X^(1)(1)为已知条件是不合理的,应根据实际情况选用其他数据.构建了基于时间响应函数的优化模型,按照变化系数阀值,界定了优化模型的有效区.经过数值模拟,发现优化的GM(1,1)模型优于传统GM(1,1)模型,因此,提出的新的优化模型,为提高GM(1,1)模型预测精度提供了新的途径.     

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.     

基于Gauss公式的GM(1,1)模型的背景值构造新方法与应用

分析了GM(1,1)模型中的背景值,改进了相关文献的方法,提出用数值积分中的G auss公式重构模型中的背景值,可以有效地提高模型的预测精度和适用性,并将此方法应用到我国城市内分泌、营养和代谢疾病及免疫病致死人数占死亡总人数的百分比的有效预测,理论分析和应用实例表明了文章所提的方法的有效性.     

基于后验差检验的灰色模型GM(1,1)优化组合方法

首先用含待定系数λ的代数式构造灰色模型GM(1,1)的背景值,然后由最小二乘法优化初始条件,最后在后验差检验的标准下,提出一种邻域收缩法求待定系数λ的值,获得了优化的新模型.实例证明新模型预测精度更高,预测应用范围更广.     

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.     

优化白化方程的GM(1,1)模型

通过对GM(1,1)模型的原始形式的分析,得到与之等价的差分方程,然后把差分方程连续化得到微分方程,并定义为GM(1,1)模型的白化方程,最后通过实例验证了新模型的有效性.     

非等间距GM(1,1)模型的改进与应用

将累积法引入非等间距GM(1,1)模型,得到累积法非等间距GM(1,1)模型.为了减少模型的滞后误差,引入一种可优化的背景值构造方法,将其代入累积法非等间距GM(1,1)模型的离散化方程,推导出可作为预测值计算公式的递推式,用来取代传统的白化响应式.结果分析表明累积法在非等间距模型中的应用效果良好,模型的拟合与预测精度都很高.     

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.     

灰色GM(1,1,k,k2)模型背景值及时间响应函数优化

本文提出了一种新的带有时间幂次项的灰色GM(1,1,k,k²)模型,给出了其灰微分方程和白化微分方程基本形式。基于最小二乘法获得了该模型参数估计值,并推导了该模型时间响应函数。鉴于GM(1,1,k,k²)模型灰微分方程与白化微分方程之间存在跳跃关系,首先对灰微分方程的背景值进行了优化,并推导了优化后的背景值计算公式。为了克服初始值的影响,根据误差平方和最小,进一步优化了GM(1,1,k,k²)模型时间响应函数。最后,该优化后的GM(1,1,k,k²)模型被应用于软土地基沉降预测,获得了较好的模拟预测效果,说明模型是可行的。     

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.     

基于等间距化的非等间距灰色GM(1,1)模型及优化

针对现有非等间距GM(1,1)模型存在的不足,借鉴分段线性插值将非等间距序列等间距化的思想,以非等间距的方法建立了一种新的非等间距GM(1,1)模型,模型不需计算插值数据,可直接利用原始数据建模.然后通过赋予原始数据下标序列变换系数,利用平均模拟相对误差最小的原则确定各参数,建立优化后的非等间距GM(1,1)模型.最后通过算例测试和应用实例表明提出模型的有效性和可行性.     

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.