面向灾害应急物资需求的灰色异构数据预测建模方法

多源信息集结对提高自然灾害环境下统计数据可信度具有重要作用,但信息渠道的多源性极易导致集结信息数据类型不一致、不兼容,形成灰色异构数据序列。本文应用灰色系统建模技术对灰色异构数据预测建模方法展开研究,首先,基于"核"和"灰度"对灰色异构数据进行规范化处理;然后,建立灰色异构数据"核"序列的DGM(1,1)模型,并以"核"为基础,根据灰度不减公理,以灰色异构数据序列中最大灰度值所对应的信息域作为预测结果之信息域,推导并构建了灰色异构数据预测模型;最后,将该模型应用于某地震帐篷需求量的预测。本文研究成果将传统灰色模拟及预测模型建模对象从"同质数据"拓展至"异构数据",对丰富与完善灰色模拟及预测模型理论体系,提高自然灾害救援效率具有积极意义。     

优化离散灰色幂模型及其应用

考虑已有的灰色预测模型主要能对指数型发展系统或幂函数型发展系统进行模拟预测,本文构建了一种不仅能够模拟指数型和幂函数型的发展系统,并且能够体现出二者之间的相互作用关系的离散灰色幂模型;并针对初始条件对离散灰色幂模型模拟精度的影响,首先给出了离散灰色幂模型的建模步骤,然后以平均相对误差最小化为目标、参数之间的关系为约束条件,构建了离散灰色幂模型初始条件的优化模型,实现对离散灰色幂模型初始条件的优化。结果表明,优化的离散灰色幂模型使得平均相对误差在理论上达到了最小化,其模拟精度和预测精度都高于传统模型。最后,通过中国网络购物人数数据预测和仿真数据分析,说明了本文优化方法的有效性和适用性。     

基于自忆性原理的多变量MGM(1,m)耦合系统模型构建及应用

针对小样本条件下具有相互制约关系的多变量系统,本文提出了一种新颖的多变量MGM(1,m)自忆性耦合系统模型,用来统一描述系统各变量间关系并且提高其建模精度。该模型通过有机耦合动力系统自忆性原理与传统MGM(1,m)模型,综合了两者各自的优势。系统的自忆性方程包含多个时次初始场而不仅是单个时次初始场,从而克服了传统灰色预测模型对初值比较敏感的弱点。对基坑变形预测的实例研究结果表明,所构建模型能够充分利用系统的多个历史时次资料,可以紧密捕捉系统演化趋势,模拟预测精度显著高于传统多变量MGM(1,m)模型。研究结果表明,新模型丰富和完善了灰色预测理论,值得推广应用于其他类似的多变量系统。     

基于灰色参数组合优化新模型的生活垃圾清运量预测研究

准确的生活垃圾清运量预测是环保部门制定生活垃圾处置政策措施的重要依据。为此,文章首先在新结构多变量灰色预测模型基础上,对自变量驱动项、累加阶数、背景值系数进行组合优化,推导并构建了适用于生活垃圾清运量预测的新型多变量灰色系统模型。然后,应用该模型对江苏省垃圾清运量进行实例分析,结果显示该模型综合误差仅为0.996%,其性能优于同类其他多变量灰色预测模型(1.933%、4.894%)。最后,应用该模型对江苏省未来清运量进行了预测,并提出了相关的对策和建议。本研究成果为环保部门制订相关政策措施提供了参考依据,同时为生活垃圾清运量预测提供了一种有效的建模方法。     

基于GRA和PCA的BP神经网络应用研究

运用BP神经网络方法对复杂系统建模的过程中，经常遇到指标多、历史数据不足而降低网络泛化能力的情况。为了提高神经网络的泛化能力，本文从简化网络规模的角度出发，运用灰色关联分析法和主成分分析法对原始数据集做降维预处理，达到减少神经网络输入节点个数的目的。将由此建立的预测模型应用于我国粮食产量的预测，与一般的BP神经网络模型和基于主成分的BP神经网络模型相比，该预测模型明显简化了网络结构，提高了预测效率，同时较大地提高了预测精度。     

基于关联网络的“人-机”双拣选系统仓储商品选择方法

“人-机”双拣选系统，兼具机器人移动货架系统“货到人”拣选模式和传统“人到货”拣选模式的双重优势，为解决大型网上超市面临的一单多品订单拣选难题提供了前所未有的机遇，然而，却面临着两个拣选区域分别存储哪些商品的决策难题。以最小化拣选成本为目标，针对双拣选系统选品面临的商品关联关系复杂、解空间巨大等挑战，本文提出一种基于关联网络的三阶段迭代搜索选品方法进行高效求解。该方法基于历史订单数据，按照“关联网络构建→关联网络转化(搜索树)→关联网络搜索(蒙特卡洛树搜索)”三个阶段巧妙地将选品难题转化为状态空间搜索问题，从而将商品网络划分为对应双拣选区域的商品集合方案。利用国内某大型网上超市的实际数据，将所提方法与普遍应用的几种方法进行对比，结果验证了所提方法的高效性和实用性。该方法可为网上超市等企业采用“人-机”双拣选系统解决多品订单履行难题提供理论指导和决策支持。     

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。     

基于非参多元Expectile模型的原油价格风险测度研究—宏观不确定性视角

当下政治经济环境存在诸多不确定性，原油价格随着不确定性的增加而大幅波动，因此在当前不确定性环境中建立一个有效的风险预测模型具有重要的实际意义。本文基于非参多元Expectile模型，选取2010年1月5日至2020年1月6日的美国西德克萨斯原油价格的日度数据，构建同时包含地缘政治风险、经济政策不确定性等六个宏观不确定性变量的原油价格风险预测模型。此外，引入APARCH模型和基于蒙特卡罗方法的GARCH模型，比较以上三个模型预测能力。最后，基于预测的VaR值计算调整的Sharpe比率。结论表明，整体上，非参多元Expectile模型能较好处理多个宏观变量包含的信息，具有更高的预测能力。在不确定性事件叠加发生的时期预测表现依然优于其他模型，减少了不确定性增加导致原油市场波动幅度增加带来的风险，具有更强的稳定性。因此，在经济转型的关键时期，本研究可为政策制定者和监管当局面临不确定性上升环境下建立有效的原油价格风险预测模型提供参考，制定应对政策防范化解风险，同时也为投资者在当前复杂的国际形势下提供预测参考，尽量规避损失同时获取收益。     

制造业多价值链协同数据空间产品知识属性与销量预测关联性研究

制造业领域多价值链协同数据空间知识引擎在本体建模的过程中，通常会出现由于产品知识不完备所导致的部门间知识管理与知识共享效率低下的问题。因而，需要系统地分析本体、属性与特征之间的关联与约束关系，提出结合产品生产、销售、供应、服务等多价值链数据协同的智能本体构建模型。制造业多价值链协同数据知识引擎本体的构建，是知识引擎应用场景的关键环节之一。针对数据空间中特征关联性挖掘的需求，本文构建了基于轻量梯度提升机、极度梯度提升与随机森林的树集成销量预测模型，并提出了以销量预测任务为中心的制造业多价值链协同数据空间的特征关联分析方法。对企业网上销售平台的销售数据进行预测实验。在树集成销量预测模型实验结果基础上，计算SHAP值，分析各项特征与预测结果之间关联性，并在消融实验中验证了SHAP值获得的特征关联性对树集成销量模型的影响。本文提出的树集成销量预测模型与SHAP值的特征关联度分析法为制造业知识引擎的建模过程的本体与属性的自动化筛选提供了可靠的理论与数据支撑。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

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.     

基于误差校正的灰色神经网络股票收益率预测

在股票市场中,准确的股票收益率预测是市场交易各方共同关心的重要问题。由于影响股票市场的因素十分复杂,仅靠建立单一的股票收益率预测模型来提高预测精度是非常困难的。本文对当前股票收益率预测方法存在的不足进行了阐述,并提出了以误差校正来提高股票收益率预测精度的新思路。首先,利用训练样本构建灰色神经网络模型,然后对股票收益率进行初步预测;其次,引入EGRACH模型来挖掘和分析预测误差序列的内部信息,并对该序列后续点进行预测;最后,利用误差预测结果对股票收益率的初始预测值进行校正。文章以上证综合指数数据为例进行分析,结果显示,与校正前的预测精度相比,校正后的预测精度提高了9.3%,表明EGRACH的误差校正过程是有效的,也验证了该方法的可行性。     

基于初始条件优化的GM(1,1)幂模型及其应用

针对GM（1,1）幂模型幂指数和初始条件优化问题,提出了一种基于初始条件和幂指数协同优化的方法。根据新信息优先原理,通过引入权重信息控制函数优化初始条件,表现新旧信息在初始条件构建中作用大小的变化规律,最大限度提取小样本序列中的有效信息,反应新旧信息共同对系统趋势变化的影响;以平均相对误差最小化为目标,参数间约束关系作为条件,构建非线性优化模型,实现GM（1,1）幂模型的幂指数和初始条件协同优化。最后,通过我国网络购物用户规模预测实例研究表明,优化的模型实现模型平均相对误差在理论上的最小化,其建模效果要优于其他对比模型,并将其用于2016-2020年网购用户规模预测,表明本文模型的实用性和有效性。     

Using a Grey model optimized by Differential Evolution algorithm to forecast the per capita annual net income of rural households in China

China is a major developing country where farmers account for over 57% of the population. Thus, promoting a rural economy is crucial if the Chinese government is to improve the quality of life of the nation as a whole. To frame scientific and effective rural policy or economic plans, it is useful and necessary for the government to predict the income of rural households. However, making such a prediction is challenging because rural households income is influenced by many factors, such as natural disasters. Based on the Grey Theory and the Differential Evolution (DE) algorithm, this study first developed a high-precision hybrid model, DE-GM(1,1) to forecast the per capita annual net income of rural households in China. By applying the DE algorithm to the optimization of the parameter λ, which was generally set equal to 0.5 in GM(1,1), we obtained more accurate forecasting results. Furthermore, the DE-Rolling-GM(1,1) was constructed by introducing the Rolling Mechanism. By analyzing the historical data of per capita annual net income of rural households in China from 1991 to 2008, we found that DE-Rolling-GM(1,1) can significantly improve the prediction precision when compared to traditional models.     

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“拆分-填充-分解-集成”的我国线上零售额预测研究

线上零售额的准确预测是政府制定零售政策和发展规划的依据,也是电商和物流企业确定发展战略的基础。由于我国线上零售额数据具有样本量小、波动性大、受节日影响大、存在缺失值等特征,准确预测变得十分困难。为解决这个问题,本文提出了一种“拆分-填充-分解-集成”的预测框架。具体而言,首先将数据集拆分为实物零售数据与非实物零售数据两部分。其次,分别根据实物零售与非实物零售数据不同的缺失特征对样条插值法做了改进,提出了基于“样条插值-二分调整”的分解填充法以及基于“分段线性函数拟合-样条插值”的分解填充法,对两组数据进行缺失值填充。继而基于两组数据的不同特征,分别提出“乘法分解-ARIMA-移动平均”以及“STL分解-BP神经网络-灰色波形”的预测方法对两组数据进行预测。最后将两组预测结果集成,得到我国线上零售额的预测值。实证结果表明,本文提出的预测框架能较好地捕捉我国线上零售额数据的特征,具有很高的预测精度,且较传统的缺失值填充和预测方法在性能上表现更好。本文提出的“拆分-填充-分解-集成”预测框架,丰富了现有的缺失值填充与预测方法,并为预测实践提供了解决方案。     

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。     

估计灰色Verhulst模型参数的LS-SVM方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘法，这种基于大样本理论的经验风险最小化方法无法保证小样本预测下模型的推广性能.为提高灰色Verhulst模型的预测精度，本文提出了基于LS-SVM算法估计模型参数的方法.首先根据Verhulst灰色差分方程的特点，通过构造以背景值序列和原始序列为训练样本的LS-SVM模型，将一维样本空间里的Verhulst模型转化为一个二维特征空间里的LS-SVM模型，进而将Verhulst模型的灰参数的估计问题转化为一个LS-SVM模型的回归系数估计问题.然后通过核函数构造法，结合模型特点合理构造了LS-SVM模型的核函数，基于LS-SVM算法求解回归系数，进而得到Verhulst模型的参数估计.实验结果表明该方法是可行的有效的，可保证Verhulst模型具有良好推广性，相比于传统参数估计方法本文预测精度更高.