基于灰色关联度组合模型的能源消费预测研究

为了准确预测未来几年我国能源消费总量,基于灰色关联度建立了我国能源消费组合预测模型,并与传统GM(1,1)模型进行对比分析。结果表明:组合模型能有效降低平均相对误差,提高预测精度,非常适用于我国能源消费预测。     

基于正弦变换和背景值优化的灰色GM(1,1)模型研究

对传统GM(1,1)模型进行误差分析,基于正弦变换和误差最小化原理对初始条件和背景值进行改进,建立了优化GM(1,1)模型。为了比较与传统GM(1,1)模型的优劣,选取2005—2015年我国水产品总产量数据,基于传统GM(1,1)模型和优化GM(1,1)模型分别对水产品总产量进行预测。实证研究表明:优化GM(1,1)模型在预测相对误差方面有明显改善,极大地提高了灰色模型的预测精度。     

基于背景值优化的GM(1,1)国内旅游消费预测模型

针对传统灰色GM(1,1)模型的背景值大于实际背景值的情况,根据差分插值原理对模型背景值进行优化。选取2006—2015年我国国内旅游消费数据,在对原始数据作对数处理的基础上,基于背景值优化GM(1,1)模型,对我国国内旅游消费水平进行预测。与传统GM(1,1)模型进行对比,结果表明:基于背景值优化的GM(1,1)模型能大幅减小预测误差,提高模型精度,非常适用于国内旅游消费中短期预测。     

应用优化GM(1,1)模型的农民消费水平预测研究

为了使传统灰色GM(1,1)模型的背景值和灰度值更加协调,对原始数据序列和模型背景值进行优化。基于优化的灰色GM(1,1)模型,选取2000—2014年我国农民消费水平数据,预测未来几年我国农民消费水平。结果表明:优化GM(1,1)模型的背景值能减小预测误差,提高预测准确精度,非常适合进行中短期预测;同时,未来几年我国农民消费水平将继续保持稳步增长,到2020年我国农民消费水平将达到19 303元,这将有利于实现我国经济稳步增长。     

基于残差灰色模型的天然气消费预测研究

随着全国各地"煤改气"如火如荼地进行,天然气消费量持续增加,科学准确地预测天然气消费量显得尤为重要。在传统GM(1,1)模型的基础上,建立灰色残差GM(1,1)模型,对我国天然气消费进行预测,并对比分析了残差GM(1,1)模型和传统GM(1,1)模型的预测精度。结果表明:残差GM(1,1)模型进一步提高了预测精度,适用于天然气消费预测研究。     

基于VAR和GM组合模型的电力消费预测

组合预测模型较单一模型具有更准确的预测精度,利用中国电力消费1978年~2007年的年度数据,将VAR模型与灰色预测的GM（1,1）、无偏GM（1,1）两种模型有机组合,建立灰色VAR组合预测模型,对2008年~2015年的电力消费量进行预测。结果表明,该模型平均相对误差为4.88%,拟合精度较高,具有较好的应用价值。     

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。     

湖南省农业经济发展的灰色系统分析——基于农业现代化物质技术手段视角

运用灰色系统理论中的灰色关联分析和灰色GM(1,1)模型,分析农业现代化的物质技术指标对湖南省农业经济发展的影响.结果表明,农业化学化对农业经济发展的影响最大,其次是电气化、水利化,机械化;利用GM(1,1)模型对这些因素未来的发展走向进行预测,能动态地反映湖南省农业经济的发展趋势,并在此基础上提出促进湖南省农业经济发展的相关建议.     

中国工业碳排放及其影响因素灰色预测分析——基于STIRPAT模型

基于STIRPAT模型,将中国工业碳排放的影响因素确定为人口规模、人均工业产值和工业技术水平。以1997年至2010年中国工业碳排放相关数据为研究样本,采用灰色预测GM(1,1)模型预测了工业碳排放、人口规模、人均工业产值和工业技术水平2011-2020年的未来值,为控制未来工业碳排放量提供数据参考。结果表明,从灰色预测的增速和总量综合来看,人均工业产值对工业碳排放影响最大。同时GM(1,1)对工业碳排放及其影响因素的预测精度较高。     

高等教育规模波动与经济波动协调性的实证分析——基于GER与人均国内生产总值的考察

利用灰色关联等维代谢模型（GM（1,1））对我国扩招十年来高等教育规模波动与经济波动的协调关系进行回归分析,以高等教育毛入学率与人均国内生产总值为具体分析单元,建构高等教育规模波动与经济波动的灰色协整预测模型,精度检验显示所建GM（1,1）模型拟合值与实际值、预测值与规划值误差较小,灰色关联度较高,符合灰色建模理论,可以为我国经济和高等教育发展规划提供科学预测和理论诠释。     

灰色系统理论及其在旅游预测中的应用——以广西桂林为例

论文简要介绍了灰色系统理论及GM(1,1)灰色预测模型,针对旅游系统的特点,结合旅游预测研究的目的,将灰色预测模型GM(1,1)运用于区域旅游预测中,并以广西桂林为算例进行预测,获得较好的预测效果。     

税收增长预测的灰色理论模型研究

税收是国家财政收入的重要来源,准确的税收预测结果对于制定各项经济政策具有非常重要的意义。文章在传统GM(1,1)模型的基础上,通过改变背景值,提出了用于中国税收预测的改进GM(1,1)模型。实例分析采用中国1994-2008年共15年的税收数据,预测结果表明:灰色预测可以较好地模拟出税收总量的变化趋势,而改进的GM(1,1)模型比传统的GM(1,1)模型所得到的预测结果更加合理。并且,整个预测过程思路简洁,易于编程实现,在当前中国税收政策变化力度加大、受国内外经济波动影响颇深的情形下,依然不失为一种有效的税收预测方法。     

含线性时变参数的反向累加离散灰色预测模型

为了增强灰色预测模型对各种特征数据的适应性,在现有反向累加灰色模型研究的基础上,提出了一种含线性时变参数的反向累加离散灰色预测模型,并给出了可用于预测的模型时间响应式和还原式。通过数值模拟和对广东省电力消费量的预测分析,结果显示:新模型比传统GM(1,1)模型、反向累加GOM(1,1)模型和反向累加离散DGOM(1,1)模型具有更高的建模精度。     

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。     

苹果产量的神经网络预测模型

在介绍神经网络预测方法的基础上 ,采用 BP神经网络技术对我国未来若干年的苹果产量进行预测 ,并将其结果与灰色系统 GM(1,1)的预测结果进行比较分析 ,表明该方法预测效果比传统的预测方法好 ,可以用来对水果等经济作物的产量进行中短期预测。     

基于GM(1,1)模型对房地产投资额的预测研究——来自四川省成都市的经验证据

针对房地产开发投资额样本数据少、受各种因素影响具有不确定性的特点,运用灰色理论中应用最为广泛的GM(1,1)模型,以2004年以来成都房地产开发投资额的年统计数据为样本,对成都2009年的房地产开发投资额进行拟合。实证分析过程中通过弱化缓冲序列算子的作用,调整了样本数据的增长速度,实证结果表明GM(1,1)模型在房地产开发投资额预测方面精度较好,能够用该GM(1,1)模型对成都未来的房地产开发投资额进行预测分析,为政府、投资者、消费者的决策提供参考意见。     

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。     

CM(1,1)模型在高校辅修教学管理中的应用

本文用灰色系统的GM( 1,1)模型对辅修招生人数进行预测 ,使辅修的教学组织与管理更符合实际 ,决策更科学     

基于灰色预测模型GM(1,1)的人力资源需求预测研究

文章使用灰色预测模型GM(1,1)对A企业人员数量进行预测,通过对A企业人员数据累加处理后的标准光滑性检验和验证准指数规律,发现A企业人员数据满足GM(1,1)预测模型,应用MATLAB软件进行数学计算,建立A企业人力资源需求预测模型,预测结果与精度检验表明模型符合二级精度,可以做中长期预测。     

灰色神经网络模型在猪肉价格预测中的应用

本文针对猪肉价格波动的特点，利用灰色神经网络模型（CGNN）对猪肉价格进行预测。CGNN模型是对同一已知时间序列，采用不同的GM（1，1）改进模型得到的预测结果使用神经网络进行组合，将每个灰色预测结果“串联”起来，融入神经网络之中，发挥每个灰色预测模型的优点，从而得到更为精确的预测值的方法。