同时优化权值和初始值的PGM(1,1)模型

文章分析了GM(1,1)模型的缺陷;指出了PGM(1,1)模型中存在权值P使模型可以避免该缺陷的发生,并且在该权值P下PGM(1,1)模型满足白指数律;提出了以模式搜索法求解最佳权值p.文章在采用模式搜索法优化权值p以后,对初始值也进行了优化,实例结果证明了优化后的PGM(1,1)模型提高了预测精度.     

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。     

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。     

基于加权组合和最小二乘法改进的GM(2,1)模型

文章通过分析指出了GM(2,1)模型存在灰微分方程与白化方程无法匹配以及默认经过初始值点的缺陷;利用权值p1、p2对一阶灰导数和背景值进行加权组合,建立了GM(2,1)模型的一种改进形式--GM(2,1,p1,p2模型,利用最小二乘法确定系统最终参数.实例验证结果表明,改进GM(2,1)模型具有更高的预测精度.     

基于反向变换和遗传算法的GM（1，1）模型优化

文章根据灰色模型建模特点,对原始数据利用反向变换生成新数据序列,建立了GM（1,1）预测模型;GM（1,1）模型中的背景值和初值对模型的预测精度均有影响,进而以平均相对误差达到最小为准则,提出了基于遗传算法求解最佳背景值和最佳初值修正项的方法。     

基于IOWA算子的优化灰色组合模型及其应用

为了提高灰色模型在实际应用中的预测精度,文章对经典GM(1,1)模型进行了改进优化.首先从初始值、背景值和灰色微分方程三个方面优化经典GM(1,1)模型,然后运用诱导有序加权平均(IOWA)算子对三个优化模型进行组合赋权,建立基于IOWA算子的优化灰色组合模型,最后将该组合模型应用到江西省农村电力中长期负荷预测中.结果表明,所提出的组合模型比经典模型和单项优化模型具有更高的预测精度.     

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.     

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.     

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。     

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。     

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。     

基于最小一乘准则的GM（1，1）模型边值分析

针对边值修正灰色GM（1,1）模型的边值修正项求解采用最小二乘准则,而模型检验采用最小一乘准则,提出基于最小一乘准则的边值修正项求解,从而在一定程度上统一了边值修正项求解和模型精度检验的准则,并得到了最小一乘准则确定边值修正项的灰色GM（1,1）模型．实例表明,最小一乘准则确定边值修正项比最小二乘准则确定边值修正项得到的灰色GM（1,1）模型具有更高的精度。     

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。     

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AM残差修正的GM(1,1)模型的用水量预测

一个城市的总用水量预测是该城市防洪防灾的重要依据,文章以灰色预测理论为基础,运用AM(简单滑动平均)残差来修正GM(1,1)模型,对北京市年总用水量进行预测,并与传统的GM(1,1)模型预测结果进行比较.结果表明:修正的GM(1,1)模型比传统的预测精度大大提高,具有可行性与实用性,该模型对未来城市总用水量预测具有重要的理论和实践意义.     

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。     

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.     

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度.而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案.针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性.     

直接离散GM(1,1)模型参数估计的最小一乘法

研究表明直接离散GM(1,1)模型对严格服从非齐次指数规律的原始数据进行建模,所得到的模型具有完全相同的指数规律,而当数据为近似非齐次指数规律时,直接离散GM(1,1)模型拟合效果较差.主要原因是直接离散GM(1,1)模型采用最小二乘法估计参数,稳健性不好造成的.针对这一情况,文章提出利用最小一乘法估计直接离散GM(1,1)模型参数改进上述不足.对比实验表明,采用最小一乘法估计参数得到的直接离散GM(1,1)模型具有很好的精度和稳健性,使得直接离散GM(1,1)模型的适用范围得到进一步扩大.