改进灰导数的GM(1,1)幂模型

为了提高灰色GM(1,1)幂模型的拟合精度,讨论了灰色GM(1,1)幂模型灰导数的白化问题.以白化微分方程为基础,利用梯形公式白化灰导数,得到了改进的GM(1,1)幂模型.实例分析结果表明改进的GM(1,1)幂模型具有更高的预测和拟合精度.     

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...     

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.     

基于粒子群优化的分数阶PFGM(1,1)模型在建筑物沉降预测中的应用

针对传统的灰色预测模型对建筑物沉降预测精度不高、拟合数据较差的问题,在传统的GM(1,1)模型基础上提出了分数阶建模的思想,采用粒子群优化算法求解最优分数阶次,建立基于粒子群优化的分数阶PFGM(1,1)模型.实例计算表明,分数阶FGM(1,1)模型可以提高建筑物沉降的预测精度,通过粒子群优化算法选取最优阶次可以进一步提高预测精度和误差检验等级.由此可见,基于粒子群优化的分数阶PFGM(1,1)模型对建筑物的沉降控制有着重要的指导作用.     

含有压缩因子的粒子群优化灰色模型在智能电网中的应用

针对智能电网对用电量预测的需求和电力系统的负荷特性,在分析了灰色模型GM(1,1)的局限性以及基本粒子群算法在优化GM(1,1)背景值时所出现的不足的基础上,构建了具有压缩因子K的粒子群算法,以此来改进灰色模型的背景值,提出了含有压缩因子的粒子群优化灰色模型KPSO-GM,并把它用于智能电网中用电量预测。实例证明,该算法具有较高的预测精度,有利于提高智能电网的质量。     

基于MFO算法的GOM(1,1,t~α)模型构建与应用

含有时间幂次项的灰色GM(1,1,t~α)模型相对传统的GM(1,1)模型能更好的反映序列随时间变化的趋势.构建了基于非齐次指数离散函数的GOM(1,1,t~α)模型,并运用MFO算法对时间项幂指数进行最优搜索.通过实例验证,该优化模型具有良好的拟合精度与预测精度.     

基于无偏灰色PSOMarkov优化模型的加油站便利店零售销量预测方法研究

加油站便利店是一种新兴的零售业态,准确地预测其零售销量具有重要意义.以往的销量预测模型多为单一模型,提出了一种基于粒子群优化的无偏灰色PSOMarkov预测方法.首先,基于灰色系统理论建立了无偏GM(1,1)预测模型,消除了常规GM(1,1)预测模型的固有偏差.其次,利用Markov理论对无偏GM(1,1)预测模型的相对残差进行了修正,模型能较好地体现数据的波动特征.最后,利用改进的粒子群优化算法白化无偏GM(1,1)-Markov预测模型灰区间的参数,得到无偏灰色PSO-Markov预测模型.通过云南昆明市红瓦副加油站便利店的零售销量案例表明,模型能提高预测模型的精度.模型可用于加油站便利店的商品销售预测,并为企业的经营决策提供依据.     

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.     

基于混沌粒子群优化算法的灰色GM(1,1)模型在地下水埋深预测中的应用

将混沌优化算法与粒子群优化算法相结合,形成新的混沌粒子群优化算法.利用混沌运动的遍历性,避免陷入局部最优.同时,粒子群算法能加快混沌优化算法的收敛速度,使搜索效率得到提高.用混沌粒子群优化算法优化灰色GM(1,1)模型中的参数,通过横向和纵向比较,优化效果良好,模型预测精度得到了提高.运用该模型对三江平原地下水埋深进行动态预测,预测结果可为有关决策部门提供参考.     

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.     

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.     

动态的最佳维数GM(1,1)幂模型在基尼系数预测中的应用

针对传统灰色GM(1,1)预测模型维数确定困难、适用范围小和预测精度不高等局限性,提出了一种能处理复杂序列的动态的最佳维数GM(1,1)幂模型.最后以2003-2013年居民收入基尼系数为研究样本做预测分析,同时建立了传统GM(1,1)模型、经典GM(1,1)幂模型作为对比,结果表明:动态的最佳维数GM(1,1)幂模型的平均相对误差为0.08%,显著低于传统GM(1,1)模型的1.04%和经典GM(1,1)幂模型的0.85%.     

对白化方程优化的一类新信息灰色GM(1,1)模型研究

通过对一类灰色GM(1,1)模型中的白化方程进行优化,同时利用灰色系统理论中的新信息原理,得到了一种改进的灰色GM(1,1)模型.最后,实例分析结果表明,该改进模型具有更高的预测精度和实用性.     

一类GM(1,1)模型白化方程的优化

利用灰色模型的指数特性,对一类灰作用量优化的GM(1,1)模型,通过积分构建合适的背景值,并把白化方程中灰作用量b_1+b_2t改进为(b_1+0.5b_2)+b_2t,同时采用灰色系统理论的新信息原理,进而得到优化的GM(1,1)灰色模型.实例计算表明改进模型具有良好的模拟预测精度,特别对于指数序列模拟和预测精度几乎达到100%,对指数序列来讲是一种比较优秀的拟合和预测模型.     

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.     

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.     

基于数据变换的优化GM(1,1)模型

本文研究了提高灰色GM(1,1)模型预测精度的问题.利用复合函数变换对原始数据序列经过一定处理的基础上同时优化模型的背景值和初始值的方法,获得了比改进单个模型条件更高预测精度的GM(1,1)模型,推广了灰色预测模型的适用范围.     

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.     

基于复化Simpson公式的GM(1,1)模型背景值优化

针对传统灰色模型GM(1,1)存在的模型精度不高的问题,提出了复化Simpson公式结合动态序列模型的联合方法.给定误差限,利用给出的计算背景值算法,对GM(1,1)模型的背景值进行优化.实例表明,基于复化Simpson公式的背景值优化算法所建立的GM(1,1)模型,可以有效地提高模型的预测精度和适用性.