GM（1，1）模型的样条插值函数的残差拟合

本文用样条函数对GM(1，1)模型的残差序列进行插值拟合，然后作用于二阶线性微分方程，并以此修正原模型，得到一种新的预测模型的数值解．     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

基于改进灰色verhulst模型的稠油产量预测

稠油油田开发是一个复杂的过程,在地下信息较少的情况下可以将其视为灰色系统.以辽河油田某稠油研究区为例,基于Verhulst模型建模理论对该区2005-2011年的年产油量建模发现后期预测误差呈增大趋势.在Verhulst模型的基础上结合G(1,1)灰色建模理论建立了残差修正年产油量Verhulst模型,模型精度由原来的96.0994%提高到97.6763%.2012-2014年的年产油量预测结果显示残差修正模型的预测精度达到了99.2281%,且关联度检验结果显著提高.将模型预测结果与数值模拟预测结果进行了对比,结果表明残差修正的Verhulst模型是一种快速、简洁、精准的预测方法,在一定的条件下使用残差修正Verhulst模型,不仅可以预测稠油油田近期的年产油量,还可对研究区后期开发方案调整等问题提供决策依据.     

基于残差修正的GM(1,1)模型在水质预测中的应用研究

将基于残差修正的GM(1,1)模型应用到永定河流域官厅水库出口断面的水质预测中,对常规污染物COD,DO,NH_3-N的浓度值进行趋势预测并对预测结果进行后验差检验.结果表明,与传统的GM(1,1)模型相比,残差修正的GM(1,1)模型能够有效提高预测精度.     

灰色Verhulst模型的样条插值函数的残差修正

本用样条函数对灰色Verhulst模型的残差序列进行插值拟合，然后作用于二阶线性微分方程，并以此修正原模型，得到一种新的预测模型的数值解，提高了拟合的精确度。     

基于上凸序列的GM(1,1)模型及其优化

针对GM(1,1)模型对上凸序列建模时会出现误差较大的情况进行了研究.首先分析了GM(1,1)对上凸序列建模时的残差变化规律,然后通过分析得出了残差变化规律的精确描述,同时证明了残差序列的几个性质定理.基于残差序列的性质定理提出了基于上凸序列建模的残差修正GM(1,1)模型.将新模型与多种改进的GM(1,1)模型进行对比,实证结果表明新模型具有很高的模拟预测精度,并且适用于一切上凸序列的建模.     

GSM（m,1）（m=1,2）模型的数值解

本用样条函数对GM（m,1)(m=1,2)模型的残差序列进行行值似合,得到GSM（m,1)(m=1,2)模型的数值解。     

基于残差修正GM(1,1)模型的火灾事故预测

为掌握火灾发生、发展的规律,针对火灾事故的特点,根据灰色理论,建立了我国火灾起数及死亡人数的GM(1,1)预测模型.由于火灾起数的波动性较大,运用残差变化规律,对所建立的GM(1,1)预测模型进行了修正,得到残差修正GM(1,1)预测模型,应用该模型对火灾起数进行预测,使预测精度达到了一级.预测结果可以为消防安全管理部门的决策提供科学的依据.     

ARMA模型在哈尔滨气温预测中的应用

将时间序列分析引入到气温时间序列预测的研究中,深入分析气温样本数据,并对其建立ARMA模型.采用最佳准则函数法确定模型的阶数,并利用自相关函数对模型的残差进行了检验.通过条件期望预测和适时修正预测方法求得预测值,与真实值的比较得到适时修正预测精确度比条件期望预测的精确度高.     

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用．在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法．通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响．在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度．经算例验证,该算法预测精度达到1级,且高于类似算法．     

灰色系统理论在河北省城镇居民人均年收入预测中的应用

运用灰色系统理论,对河北省城镇居民人均年收入建立了GM(1,1)预测模型,并进行了预测.由计算结果表明该预测模型具有较好的预测精度.     

基于成本粘性的盈利预测及其精度检验

本文以2007-2009年沪深2652家A股上市公司为样本,验证了成本粘性的存在性,并以2008年的相关财务数据为基础构建盈利预测模型,对2009年的公司盈利进行预测,通过与当年各公司的实际利润相比较,发现基于成本粘性的盈利预测模型具有更高的预测能力,其预测精度显著高于其他常用预测模型,表明将诸如成本习性等管理会计的工具引入财务会计研究领域具有重大意义,可以提高会计信息的决策相关性。     

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.     

基于Lasso和支持向量机的组合预测及其应用

针对Lasso方法与支持向量机两者的联系与各自的优势,给出了基于Lasso与支持向量机的串联型、并联型和嵌入型三种组合预测,并将它们运用到我国粮食价格预测中.实证结果表明,与单一预测方法的预测结果相比,基于Lasso方法与支持向量机的串联型组合预测和嵌入型组合预测具有更高的预测精度.     

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CSO-SVR的气膜钢筋混凝土储仓主体结构施工成本预测研究

为了较准确的预测气膜钢筋混凝土储仓主体结构施工成本,提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR,利用CSO算法对SVR进行寻优得到全局最优解,从而得到具有最佳参数的支持向量回归机模型,通过气膜钢筋混凝土储仓主体结构施工成本数据预测仿真,结果显示:CSO-SVR模型预测精度高于PSO-SVR,GA-SVR,SVR,BPNN等方法,是预测气膜钢筋混凝土储仓主体结构施工成本的有效工具.     

基于组合预测模型的广东省第三产业产值预测

首先分析了影响广东省第三产业发展的主要因素,指出由于上述因素相互制约、相互影响,导致第三产业的发展呈现出高度的非线性特征,并使得单一的预测模型在预测效果和泛化能力方面难以胜任.在此基础上,提出了基于神经网络集成的组合预测模型,对广东省第三产业的发展进行预测,阐述了算法的基本原理和数据处理流程,实证分析表明:基于神经网络集成的组合预测模型要比单一预测模型的预测精度高.     

一种基于在线训练的交通信息实时预测快速算法

对于实时交通信息预测,预测精度与预测时间效率始终是一对难以解决的矛盾.重点研究如何提高预测时间效率问题.以精确在线支持向量回归算法(AOSVR)为基础,提出了基于云模型的sigmoid核函数简化计算方法,建立了改进的AOSVR交通信息实时预测模型.该模型应用于实际的交通流实时预测,预测结果表明,由于简化了计算,以损失较小回归精度的代价,显著提高AOSVR模型预测效率.     

基于残差修正的非等时距GM(1,1)模型及其应用

针对很多预测案例中历史数据序列非等时距的特点,构建了非等时距的GM(1,1)预测模型,将序列的时间间隔作为乘子嵌入模型中,同时通过动态采用最新分量作为初始值、动态优化背景值和累积残差修正等方法,解决了非等时距预测模型长期预测精度不易控制的难题.将该模型应用于某发动机油液监测数据预测中,预测效果较好.     

中国博士后发展灰色预测模型及其应用

对灰色模型做了进一步的研究,拓广了灰色模型,建立了一个新的、预测精度较高的新灰色预测模型——"对数函数——幂函数变换"模型,并利用此模型对我国博士后研究人员增量做出精度较高的灰色预测.