基于优化灰色模型的湖南省粮食产量预测方法改进研究

常见的粮食产量预测方法主要包括时间序列法、回归分析法、神经网络、灰色模型等方法,由于粮食产量数据呈现出的非线性特征,非线性灰色模型GM（1,N）在粮食产量预测方面具有更好的适应性,但由于模型自身存在一些缺陷,使得预测精度不高。为提高预测结果的准确性,采用灰色关联分析,应用优化灰色模型OGM（1,N）进行计算,并将结果与GM（1,N）模型预测结果进行比较,发现OGM（1,N）模型预测结果精度较GM（1,N）模型预测结果精度提高了一个数量级,表明OGM（1,N）模型在粮食产量预测方面有更高的准确性。最后根据预测结果的分析讨论,对湖南省粮食增产问题提出了一些建议。     

收费公路权益转让价格的灰色预测

分析了采用收益现值法评估收费公路权益转让价格时,影响评估结果精确度的主要因素净现金流量以及灰色预测GM（1,1）模型的小样本、贫信息特点。通过灰色预测GM（1,1）模型在收费公路权益转让价格评估的实证分析,证明灰色预测结果具有较高的预测精度和可信度,是收费公路权益转让价格评估过程中较为理想的预测方法。     

基于灰色径向基函数网络的铁路投资规模组合预测

铁路固定资产投资是铁路建设不断发展的有力保证,为准确地预测铁路固定资产投资规模大小及其变化趋势,将GM（1,1）预测模型与径向基函数神经网络有效地结合起来,充分发挥灰色系统的贫乏数据建模和神经网络特有的高度非线性映射能力的双重优势,构建了一种新型的串联非线性组合预测模型。然后,以我国铁路1998—2007年的投资规模实际数据为基础,对“十一五”后半期的铁路固定资产投资规模进行了预测,并分析了预测结果的合理性。研究表明,该组合模型优于任何单一灰色预测模型,能很好地反映铁路固定资产投资规模的变化规律,在小样本、贫信息的奈件下,仍然能得到较合理精准的预测结果。     

我国猪肉价格的影响因素是时变的吗？——基于动态模型平均的分析与预测

猪肉价格的超常波动给人民生活与相关产业发展均带来了不利影响。为有效识别猪肉价格影响因素并对猪肉价格进行科学的预测,从猪肉价格影响因素的时变特征入手,提出一套基于动态模型平均理论的猪肉价格影响因素与预测分析框架。 检测猪肉供给、猪肉需求、我国经济环境和国际市场等四个方面11个价格影响因素,研究并识别猪肉价格影响因素的时变特征,进而构建猪肉价格预测模型,并通过预测误差指标和Diebold Mariano检验比较其与基准模型的预测能力。研究发现：我国猪肉价格影响因素存在显著的时变特征,且因素间差异明显;自2009年以来,猪肉价格的决定机制更为复杂,影响因素更为多元;基于动态模型平均的猪肉价格预测模型的预测表现明显优于基准模型。政府部门在制定生猪市场调控政策时,需充分考虑到供给、需求、我国经济环境、国际贸易对猪肉价格的影响,并且可以借助准确的猪肉价格预测信息以增强调控政策的主动性、前瞻性和科学性。     

一种改进的灰色BP神经网络光伏出力预测方法

光伏出力的准确预测对于光伏发电系统的大规模应用具有重要意义。针对光伏出力预测描述自然规律困难及传统灰色模型预测精度不高等问题,提出了一种基于改进的灰色BP神经网络光伏出力预测方法。利用模糊c均值聚类(FCM)的方法将数据分类,选择与预测日最为接近的一类作为样本,利用灰色GM(1,1)预测模型得到预测数据。将灰色模型预测结果与相对应的日最高、最低温度作为BP神经网络的输入,以对应的实测数据为输出训练得到最终的预测模型。采用江苏某光伏电站的实测数据验证,结果表明该模型在预测精度上有一定的提升。     

基于GM—Markov模型的旅游客源预测——以中国入境旅游客源为例

灰色马尔可夫模型（GM-Markov）预测兼有灰色预测和马尔可夫链预测的优点，并能对较短的时间序列数据进行建模计算。文章尝试将该模型应用于旅游客源市场的预测分析中，对1985年以来的入境旅游人数进行了实证分析，结果表明GM-Markov模型的预测精度较高，在旅游客源市场预测中有较强的适用性。     

基于等维灰数递补动态模型的人口老龄化趋势预测

运用灰色系统中的等维灰数递补动态模型,根据人口普查中得到的老年人口占总人口的比例等数据建立了动态GM（1,1）模型.对今后几年老年人口占总人口的比率进行灰色预测,并对预测精度进行验证,结果显示拟和程度较高.     

基于灰色关联度的GM(1,1)-BP神经网络组合模型研究

改革开放以来,我国居民消费水平保持较快发展态势,准确预测未来居民消费水平能更好地掌握国民经济发展趋势,为政府相关部门制定战略规划和产业政策提供参考。为此,基于灰色关联度建立了GM(1,1)-BP神经网络组合模型,对2000—2016年居民消费水平进行模拟,并对比分析GM(1,1)模型、BP神经网络模型、灰色组合模型模型的预测误差。仿真结果表明,基于灰色关联度的GM(1,1)-BP神经网络组合模型能进一步提高预测准确性。     

基于自相关理论的GM(1,1)和GM(1,N)联合预测

通过引入自相关分析，将GM（1，1）与GM（1，N）两者的优点有机结合，运用GM（1，1）预测模型所需的数据量，达到GM（1，N）预测模型所具有的预测精度，减少灰色模型的预测误差。     

畜产品价格定量预测方法评析

通过文献研究,本文归纳出定量预测畜产品价格的方法模型主要有回归模型、Box-Jenkins方法和VAR模型以及神经网络模型。没有明确的证据显示某一种方法或模型一定优于另一种方法或模型。在畜产品价格预测中,如果需要得到较为精确的预测结果,可供借鉴的做法是采用两种以上的方法或模型进行比较,或者进行组合。