基于欧拉法的非等间距GM(1,1)预测模型参数估计

文章提出了一种新的非等间距GM(1,1)模型参数估计方法,该方法不再构造非等间距序列背景值,而是基于欧拉公式直接求解模型参数来建立预测模型,为非等间距GM(1,1)模型参数求解提供了一条新的思路和解决方法。实例应用表明,利用该方法建立的非等间距GM(1,1)模型显著改善了模拟和预测精度,具有精度高、适用性强等特点。     

非等间距GM(1,1)模型在股票预测中的优化

文章根据灰色系统建模方法和原理,在GM(1,1)建模思想上给出了一种逐步优化的非等间距GM(1,1)模型,该模型是在背景值优化和向前差商和后向差商的加权平均值代替灰导数基础上,应用累积法来估计模型参数,并基于一次累加序列与其模拟值之间误差平方和最小的准则,确定时间响应函数中的常数值,以此来优化非等间距GM(1,1)模型,实例表明该模型具有较高的精度。     

一种新的非等间隔灰色预测模型

文章分析得出传统非等间隔GM(1,1)模型模拟序列并非GM(1,1)模型的指数序列,因此导致其应用范围不及GM(1,1)模型。建立模拟序列为指数序列的非等间隔GM(1,1)模型,线性组合背景值的建立使得模型满足无偏性。以实例数据验证了新的非等间隔灰色预测模型对非等间隔近似指数序列拟合具有更高的精度,拓广了灰色理论的应用范围。     

基于非等间距序列的累积法及其应用

文章提出了基于非等间距序列的累积法.给出了非等间距序列的各阶累积和,使累积法能引入基于非等间距序列建模的参数估计中.将此法应用于非等间距GM(1,1)模型,得到了其新的参数估计公式,又直接由模型的定义型推得其预测值计算公式.结果分析表明,累积法在非等间距模型中的应用效果良好,改进后的累积法非等间距GM(1,1)模型的拟合与预测精度都很高.     

基于数据变换和背景值优化的GM(1,1)模型

文章为了提高GM(1,1)模型的预测精度,提出一种基于数据变换和背景值优化的GM(1,1)模型.考虑通过弱化缓冲算子得到原始数据序列的缓冲序列,并对缓冲序列进行对数变换,而后对GM(1,1)模型的背景值进行优化.实例结果表明新建GM(1,1)模型降低了误差,提高了预测精度.     

时序系数GM(1,1)模型及其应用

基于GM(1,1)模型误差产生的原因分析,提出了用时序系数对等间距时序进行修正,建立时序系数GM(1,1)模型,克服了时序残差模型求得的时序残差序列可能不满足非负性的缺点,简化了建摸过程。通过实例分析表明,时序系数GM(1,1)模型适应于有较大波动的原始数据序列的分析建模,实例验证表明了所建模型的实用性与可靠性。     

利用非齐次指数函数构造GM(1,1)模型背景值的新方法

文章以灰色GM(1,1)模型背景值的优化为研究目的,讨论了传统背景值构造方法适用于低增长指数序列、对高增长指数序列拟合产生滞后误差的原因,提出了利用非齐次指数函数x(1)(t):A.eBt+C在区间[k-1,k]上与横坐标轴所围实际面积来构造背景值的新方法,并对其合理性进行了证明;在不同发展系数a条件下,比较了背景值构造方法对模拟和预测精度的影响,给出了新背景值条件下GM(1,1)模型的适用范围;大量的数据模拟和模型比较表明,新背景值构造方法提高了背景值的精确性及灰预测模型的拟合精度和预测精度.     

改进的GM(1,1)模型及其应用

为提高GM(1,1)模型的预测精度,针对GM(1,1)模型的特点,提出了将遗传算法与LS-SVM算法融合对GM(1,1)模型中的参数估计方法进行改进.该方法首先根据GM(1,1)灰色差分方程的特点,构造以背景值序列和原始序列为训练样本的灰色LS-SVM模型,将GM(1,1)模型参数的估计问题转化为灰色LS-SVM模型参数的估计问题,然后利用遗传算法对LS-SVM自身的参数进行寻优预处理,再对经过优化参数的灰色LS-SVM,依据LS-SVM算法求解回归参数,进而得到GM(1,1)模型的参数估计.将改进的GM(1,1)模型用于实际的经济预测问题,并与传统的预测方法进行比较,结果表明,方法是可行的且有效的.     

分数阶反向累加GM(1,1)模型及其性质

针对正向序列累加GM(1,1)模型都不满足新信息优先原理的问题,文章从理论上证明了一阶反向累加GM(1,1)模型不能较好地满足新信息优先原理.针对一阶反向累加GM(1,1)模型的不足(只适用于递减序列,没有利用最新消息),提出了分数阶反向累加GM(1,1)模型,将反向序列累加的适用范围扩展到递增序列,充分挖掘了新信息.实例说明分数阶反向累加GM(1,1)模型具有较强的预测能力.     

遗传算法优化的GM(1,1)模型研究

为提高GM(1,1)模型预测精度,文章分析了模型中背景值构造与预测结果误差的关系,并总结了背景值改进研究的相关成果。采用权值序列替换原模型背景值构造公式中的单一权值,建立了GA-GM(1,1)预测模型,利用遗传算法迭代寻优获得的一组最优权值序列来构造背景值,以提高模型精度。用两组数据进行GA-GM(1,1)模型与GM(1,1)模型的对比实验,结果表明GA-GM(1,1)具有更小的预测误差,验证了该模型的有效性。     

累积法GM(1,1)模型的改进与应用

为了提高GM(1,1)模型的精度和适用范围,文章同时在两方面对累积法GM(1,1)模型进行了改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式进行预测计算.分析结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用于高增长序列,拓广了GM(1,1)模型的适用范围.     

基于滑动平均和粒子群优化的GM(1,1)日前电价预测方法

在对美国PIM电力市场日前电价的变动规律综合分析的基础上,提出了一种基于粒子群优化(PSO)和灰色GM(1,1)模型的日前电价预测方法.该方法首先采用滑动平均法对原始电价序列进行处理,然后对处理后的电价序列建立等维新息GM(1,1)模型,并利用PSO最小化加权平均绝对百分比误差(MAPE),进一步优化GM(1,1)模型的灰色背景值.对PJM电力市场2007年7月到9月的历史数据的算例研究表明,相对于传统GM(1,1)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.     

基于BP神经网络与修正GM(1,1)模型的能源消费组合预测

随着我国经济社会的进一步发展,能源需求逐步增大,且消费量的增长与多种因素相关.能源消费预测存在与多因素的关联.文章在基础GM(1,1)模型框架下,以重新累积生成累加后序列预测值的方式进行GM(1,1)的无偏化修正,并按照加权平均背景值重设进行pGM(1,1)模型修正;并以各种非线性参变量间的映射纳入组合BP神经网络的能源消费预测.结果证实,无偏GM(1,1)、pGM(1,1)模型有效降低了GM(1,1)的预测平均相对误差,再与BP神经网络组合预测,形成了较好的能源消费预测精度.     

居民消费价格指数的GM(1,1)模型预测

影响居民消费价格指数(CPI)的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,CPI变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过创建CPI的GM(1,1)模型,并对该模型可用性进行了验证;在验证通过的情况下进行了CPI的模拟及预测.事实证明,使用GM(1,1)模型来预测CPI未来的走势,且具有较高的预测精度.     

灰色预测方法的应用

影响二手船价格的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,二手船价格变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过建立基于灰色预测理论的二手船价格的GM(1,1)模型,并利用该模型进行了二手船价格走势的模拟及预测.事实证明,GM(1,1)模型适合用来预测二手船价格未来的走势,且经过检验,具有较高的预测精度.     

基于背景值构造方法的GM(1,1)模型优化

背景值构造方法是影响GM(1,1)模型精度和适应性的重要因素之一.在已有背景值构造方法的基础上,文章重构了一种精确的、优化的背景值构造公式.使用这种新型背景值构造方法的GM(1,1)模型不仅拟舍、预测精度高,并且对于高、低指数增长序列建模同时适用.示例数据的拟合和预测结果充分显示出新型背景值构造方法的有效性和优越性.     

基于新陈代谢GM(1,1)模型的我国人口城市化水平分析

一、灰色预测模型 (一)GM(1,1)模型 GM(1,1)模型可以弱化原始序列X(0)的随机性和波动性,为灰色模型提供更加有效的信息,所揭示的原始序列呈指数变化规律.     

改进的 GM(1,1)模型及其预测精度分析

文章分析了现有灰色GM(1,1)模型的缺陷,根据最小二乘原理,提出了以GM(1,1)的一次累加生成建模序列所有分量的拟合误差平方和最小为约束条件,以求得新灰色GM(1,1)预测模型的最优初始值;对原GM(1,1)模型进行了改进,构建了新的GM(1,1)模型,并与现有的GM(1,1)模型进行了预测精度的比较。仿真分析结果表明了新改进预测模型的有效性。     

基于时间序列的GM(1,1)预测模型及应用

GM(1,1)是较常用的时间序列预测模型.文章在借鉴运用时间序列和GM(1.1)预测模型的理论基础上,实证研究了京津冀地区国际旅游人次数的发展趋势.笔者根据2000-2008年京津冀国际旅游人次数的原始时间序列数据,通过GM(1,1)模型对各因素进行关联度分析,并对原始数据进行生成处理,形成有较强规律性的新数据序列,然后建立相应的微分方程模型,预测了2009-2013年京津冀国际旅游人次数的未来发展趋势,也再次验证了GM(1,1)预测模型是建模精度等级为二级的合格模型.     

灰色GM(1,1)幂模型初始条件的组合优化

针对GM(1,1)幂模型求解初始条件的优化问题,提出一种基于原始序列新旧信息的线性组合优化方法.在模拟误差平方和最小化的目标下,构建初始条件组合权重的优化模型,给出最优组合权重的解析式.最后以中国高中升学率的数据为例,验证了此优化模型的有效性和优越性.结果表明初始条件优化方法能够有效地平衡新旧信息的权重,并提高GM(1,1)幂模型的模拟和预测精度.