残差灰色预测模型的改进与应用

灰色预测是近年来应用比较广泛的一种预测方法,灰色模型简称GM(GrayModel)模型,是以灰色模块为基础,以微分拟合法而建立的模型.灰色GM(1,1)预测模型具有要求样本数据少、原理简单、运算方便、短期预测精度高、可检验等优点,已广泛应用于经济、生物、生态和环境等领域.     

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。     

基于灰色PGM(1,N)模型的人口发展预测

为提高我国人口预测模型的预测精度,文章分析了GM(1,1)和PGM(1,N)预测模型的特点,并分别利用GM(1,1)和PGM(1,N)模型对我国人口的变化情况进行了预测,发现灰色PGM(1,N)预测模型有更高的精度和可靠性,更适合于我国人口的预测。     

RGM-EGARCH模型及其对深圳股市的实证

GM-EGARCH模型是一种将灰色预测模型(GM(1,1)模型)与EGARCH模型相结合的新型混合波动率模型.针对GM(1,1)模型在其适用务件上的局限性,文章利用残差灰色预测模型(RGM(1,1)模型)对GM(1,1)模型的预测结果进行改进,再将RGM(1,1)模型与GARCH模型相结合,构建RGM-EGARCH模型来修正随机误差项.通过对深证综合指数的实证分析,比较了RGM-EGARCH模型、GM-EGARcH模型和EGARCH模型的样本外短期预测效果.实证结果表明,在三种模型中,RGM-EGARCH模型具有最好的波动率预测效果.     

基于改进的灰色GM(1,1)模型的人口预测

一个国家或地区的人口准确预测是制定相应的宏观政策和规划的重要依据。本文以灰色预测理论为基础,运用改进的GM(1,1)模型,以辽宁省为例,对人口进行预测,并与传统的GM(1,1)模型预测结果进行比较。结果表明:改进的GM(1,1)预测模型预测精度大大提高,具有可行性和实用性,可用与对未来人口规模进行预测。     

阶段型分数阶累加GM(1,1)模型在煤矿安全事故预测中的应用

煤矿灾害事故具有明显的灰色特征,为有效的对煤矿灾害发生趋势进行预测,文章在煤矿事故千人负伤率预测的基础上引入分数阶累加理论,建立了阶段型分数阶累加GM(1,1)预测模型,并对同煤集团千人负伤率进行了预测,结果表明该模型预测精度明显高于灰色GM(1,1)模型预测精度,从而说明阶段型分数阶累加GM(1,1)模型能有效的预测煤矿事故伤亡发展规律.     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

股价预测的GM(1,1)模型

本文应用灰色系统理论,对股票价格变化建立GM(1,1)预测模型,并进行了实证分析.结果表明,把股票价格动态变化过程看作一个灰色系统,利用所建立的模型可较好地预测股票价格的短期发展变化趋势;同时通过与用ARIMA模型预测的拟合比较,表明在对股票价格作短期预测时,用GM(1,1)模型进行预测比用ARIMA模型进行预测具有更高的精确度.     

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.     

自然灾害经济损失及相关因素灰色关联分析

应用灰色系统理论中关联分析方法和GM(1,1)预测模型,对自然灾害经济损失与其相关影响因素之间进行了灰色关联分析,并对自然灾害经济损失和各个影响因素进行了GM(1,1)预测,进而在预测值基础上进行了趋势关联分析,从而可以发现自然灾害经济损失与其相关影响因素之间发展变化的规律,为制定相应政策和做出科学决策提供依据.     

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.     

基于灰色系统理论的两种房价预测方法比较

文章以灰色系统理论作为理论基础,分别构建了GM(1,1)模型和融入灰色理论的一元线性回归模型对房价进行预测。通过对上海浦东新区房市做实证分析发现:GM(1,1)模型的拟合程度和预测精度均优于灰色一元线性回归模型,并且GM(1,1)模型更加适应样本数据较少的情况。     

灰色马尔可夫链组合预测方法的应用

文章提出了一种新的组合预测方法.将灰色Verhulst-马尔可夫链预测模型和灰色GM(1,1)-马尔可夫预测模型按照残差方程加权组合来预测事物中长期发展趋势;并以国外发达国家高速公路网规模成熟发展为案例验证对其中长期预测的精度.文章还将此预测模型应用于广东省公路客运量以预测其未来5～10年的发展趋势.     

灰色·马尔柯夫模型在棉花产量预测中的应用

传统的灰色模型GM(1,1)主要适用于预测时间短,数据资料少,波动不大的系统对象,其预测趋势都是一条较为平滑的曲线,对于随机波动性较大的数据序列拟合较差,预测精度较低.而在马尔柯夫链理论中,转移概率pii可以反映随机因素的影响程度,因此适用于预测随机波动大的动态过程.这恰恰可以弥补灰色预测的局限.但马氏链预测对象要求具有马氏链和平稳过程等均值的特点,而客观世界中的预测问题大量是随时间变化或呈某种变化趋势的非平稳过程.如若采用灰色GM(1,1)模型对预测问题的时序数据进行拟合,找出其变化趋势,则可以弥补马氏链预测的局限.因此将GM(1,1)模型与马尔柯夫预测模型有机地结合,既可优势互补,又克服了两者的不足.     

灰色波形预测模型的改进及应用

文章针对波动幅度不规则的时间序列提出了一种灰色波形预测模型改进的方法,即应用分位数法选取非等间隔的等高线,并有选择地对等高时刻序列进行GM(1,1)建模.最后,本文选取了目前世界上使用最广泛的航运运价指数——波罗的海干散货运价指数(Baltic Dry Index,BDI)进行实证分析.通过对波罗的海干散货运价指数月数据的建模与预测表明,改进的灰色波形预测方法比传统的灰色波形预测方法在预测精度和运算效率方面具有明显的优势.     

基于ARMA-GM-BP组合预测模型及应用

文章介绍了ARMA、GM(1,1)模型并建立了ARMA-GM-BP组合预测模型;通过对中国2005～2013年(DP的预测和检验,表明该组合预测模型的拟合及测试效果比单独利用ARMA、GM(1,1)模型的效果有很大改善;最后运用ARMA-GM-BP组合预测模型,对中国2014年、2015年的GDP作出了预测.     

基于等维新息递补GM(1,1)幂模型的GDP预测

针对灰色模型在GDP预测中精度较低的问题,文章提出一种基于等维新息递补GM(1,1)幂模型的预测方法.为反映数据的非线性特征,在GM(1,1)模型的基础上引进拓展的非线性GM(1,1)幂模型;进一步利用最新信息优先的原则,建立等维新息递补灰色幂模型.将改进的模型应用到我国“十三五”时期GDP的预测中,验证了此模型在拟合和预测上的优势.     

基于模糊集理论和灰色理论的铁路客运量预测模型

本文基于模糊集理论,在模糊时间序列分析的基础上建立铁路客运量模糊时间序列预测模型,并与灰色理论GM(1,1)、修正GM(1,1)和Markvo三个模型进行了标杆对比.     

基于改进背景值算法的优化GM(1,1)模型及其应用

研究表明,GM(1,1)模型的背景值构造方法是影响其建模精度的一个重要因数。文章研究了已有的相关文献中关于背景值的构造方法,进而提出了一种新的背景值构造方法,其具有更好的适应性。同时,为了进一步提高灰色GM(1,1)模型的模拟及预测精度,利用拟合值和原始值平方和误差最小对预测模型的初始值进行了优化。文章改进的优化GM(1,1)模型既适用于对低增长指数的数据也适用于对高增长指数的数据进行GM(1,1)预测实例建模结果展示了其具有更高的精度和适应性。