无偏GM(1,1)幂模型其及应用

基于GM(1,1)幂模型的模拟误差分析,本文提出了无偏GM(1,1)幂模型及其参数优化方法.从理论上证明了无偏GM(1,1)幂模型对传统GM(1,1)幂模型及其本身的时间响应函数所表达的曲线进行模拟和预测具有重合性,其参数优化方法可以准确识别原始数据所蕴含的参数特性,完全消除了GM(1,1)幂模型自身固有的偏差.其建模过程避免了传统方法由差分方程向微分方程的跳跃导致的误差,应用范围覆盖了无偏GM(1,1)模型和离散灰色模型.数值模拟和实例分析表明,无偏GM(1,1)幂模型使得传统模型的模拟与预测精度得到了显著的改善.     

基于新改进GM(1,1)模型的中国企业债券融资发展预测

我国企业债券市场明显滞后于整个资本市场的发展,加快发展企业债券市场的呼声日高。但是去除企业债券发展的束缚是一个渐进的过程。在此背景下,本文对我国企业债券融资发展进行定量预测。考虑到影响我国企业债券发展的因素较多且不确定,笔者采用灰色系统GM(1,1)模型进行预测。GM(1,1)模型是有偏差的灰指数模型,其精度取决于背景值的构造形式和初始条件的选取。已有的研究文献均是从一个侧面单独改进GM(1,1)模型,这里,笔者提出一种同时优化背景值和初始条件的新GM(1,1)模型。笔者发现新优化GM(1,1)模型比单独优化背景值或单独优化初始条件有更高的模拟精度。在此基础上,利用新改进GM(1,1)模型对我国2010年之前的企业债券余额进行了预测。     

提高灰色GM(1,1)模型精度的微粒群方法

改变背景值插值系数和边值是提高灰色GM(1,1)模型精度的途径之一。对于满足灰色GM(1,1)建模条件的序列,利用微粒群算法,给出了通过优化背景值插值系数和边值提高灰色GM(1,1)精度的新方法。给出了计算实例。计算表明,应用此方法可以提高灰色GM(1,1)模型的精度。     

非等间距GM(1,1)模型背景值的优化

基于背景值是影响灰色建模精度的重要因素之一,本文对非等间距GM(1,1)模型中的背景值构造进行了研究,根据灰色模型的指数特性和积分特点,利用非齐次指数函数来拟合一次累加生成序列,提出了一种重构非等间距GM(1,1)模型背景值的方法。实例表明利用优化的背景值计算公式建立的非等间距GM(1,1)模型显著地改善了模拟和预测精度。该背景值不仅适合于非等间距建模,也适合于等间距建模,具有精度高、适用性强的特点。     

基于GM(1,1)模型的Kano质量要素分类动态预测方法

针对目前缺乏对Kano模型质量要素的分类结果进行动态预测研究的问题,结合灰色系统理论在处理不规则数据方面的优势,提出基于GM(1,1)模型的Kano质量要素分类动态预测方法。针对传统Kano模型分类结果过于主观的缺点,设计模糊Kano模型实现质量要素的客观化分类;结合GM(1,1)模型能处理少数据、贫信息,具有高预测精度的优点,利用GM(1,1)模型研究Kano质量要素分类动态预测问题;最后通过在快递业的实证验证模型的可行性和有效性。     

基于Simpson公式改进的FAGM(1,1)模型及其应用研究

本文分析了传统FAGM（1,1）模型建模过程中存在的误差,提出了一种基于Simpson公式改进的FAGM（1,1）模型。首先,基于分数阶累加生成算子和分数阶累减生成算子建立分数阶FAGM（1,1）模型。其次,利用Simpson积分公式对FAGM（1,1）模型的背景值进行改进,建立SFAGM（1,1）模型。进一步,应用遗传算法确定SFAGM（1,1）模型的最优阶数以提高模型的预测精度。最后,以中国人均GDP为例,对比分析GM（1,1）模型、Simpson改进的GM（1,1）模型（SGM（1,1））、FAGM（1,1）模型、SFAGM（1,1）模型的模拟结果,并对"十三五"时期的人均GDP进行预测,其结果表明SFAGM（1,1）模型比GM（1,1）、SGM（1,1）、FAGM（1,1）在人均GDP的预测方面有更高的精度,"十三五"期间人均GDP年平均增长率为10.64%,到2020年达到83146.97元,是2010年人均GDP的2.69倍,以2010年的人均GDP为基准,到2020年将能够实现翻一番的目标。     

基于改进灰色理论的城市物流量预测——以浙江龙泉为例

市域物流量受多方面因素影响,很多因素我们无法确切掌握,具有灰色系统的特征.本文使用改进的GM(1,1)模型对龙泉市物流量进行测算,通过残差检验与后验差检验证明了模型具有较高精度,研究了改进的GM(1,1)模型适用范围.通过与移动平均法、指数平滑法、标准GM(1,1)模型对比,证明了改进的GM(1,1)模型的优越性.对浙江省龙泉市2008-2012年的物流量进行动态预测,为政府部门制订物流规划提供了参考依据.     

GM(1,1)模型背景值的优化

背景值是影响GM(1,1)模型精度的关键因素之一。当前背景值优化的改进模型均取得较好的效果,但优化后的背景值公式多数比较繁琐,并且部分优化模型不适用于高增长型序列。本文根据模型的指数性质以及积分特点,分析背景值的构造原理,利用黎曼积分的核心思想,提出以不规则梯形面积取代传统梯形面积构造法,对传统GM(1,1)模型背景值进行优化。通过实验验证了新模型具有白指数律重合性,不仅适用于低增长指数序列,亦适用于高增长指数序列,并且优化公式简单,具有较高的实用性与可靠性。     

基于区间灰作用量的GM(1,1)均值差分模型解的非唯一性研究

GM(1,1)是结构信息不完全的灰色预测模型，但当前其模拟及预测结果的实数形式不满足灰色理论解的非唯一性原理。文章从GM(1,1)网络模型出发，分析了灰作用量的背景与内涵，还原了影响因素不确定条件下灰作用量的区间灰数形式，构建了具有非唯一解的新型GM(1,1)均值差分模型。新模型具有更加完善的体系结构，同时能实现对传统 GM(1,1)均值差分模型的完全兼容。应用新模型对我国电力能源消费量进行建模，结果显示其建模结果的合理性优于传统 GM(1,1)模型。本研究成果对丰富灰色预测模型理论框架、完善灰色预测模型结构体系具有积极意义。     

具有灰指数律数据序列的建模方法研究

通过对灰色系统理论建模机理的分析,建立了对于具有灰指数律的数据序列的EGM模型,通过模拟、试验验证了该模型对于具有灰指数律数据序列的模拟值与预测精度都高于GM(1,1)模型,表明了该模型对具有灰指数律数据序列的有效性与适用性.     

基于二次插值的GM(1,1)模型预测方法的改进

从理论上分析了GM(1,1)模型中背景值的计算,指出文[11]利用Newton-Cotes公式构造模型背景值的方法是不可靠的,提出用二次插值构造模型中的背景值,同时用最小二乘法对预测公式中的初值进行改进,并用改进的方法进行了短期预测.其理论分析及仿真结果均表明本文所提出的方法有效可靠,为提高预测精度提供了新的途径.     

基于驱动因素控制的线性时变参数DLDGM(1,N)模型

针对传统GM(1,N)模型未考虑参数随时间变化的动态特征及未明确驱动因素作用机制的问题,首先引入线性时变参数以及驱动因素控制函数,构建基于驱动因素控制的线性时变参数DLDGM(1,N)模型,论证DGM(1,1)、NDGM(1,1)、TDGM(1,1)、DGM(1,N)、DCDGM(1,N)模型均是该模型在不同参数取值下的特殊形式;然后基于白化信息充分和匮乏的两种情况,给出驱动因素控制参数的识别方法;最后应用所提模型对河南省粮食产量进行预测,验证模型的有效性和实用性。     

Applications of extension grey prediction model for power system forecasting

Although the grey forecasting model has been successfully adopted in various fields and demonstrated promising results, the literatures show its performance could be further improved. For this purpose, this paper proves that the growth rate of the simulated value of the grey model GM(1,1) is a fixed value. If the growth rates of the primary sequence are equate, the fitted value deriving from GM(1,1) is the same as the primary sequence, otherwise greater error would occur. In order to overcome shortcoming of the fixed growth rates, extend the traditional GM(1,1) model by introducing linear time-varying terms, which can predict more accurately on non geometric sequences, termed EGM(1,1). Finally, compared with the other improved grey model and ARIMA model, experimental results indicate that the proposed model obviously can improve the prediction accuracy.