一种改进的近似非齐次指数增长离散灰色预测方法

近似非齐次指数增长离散灰色模型DGM(1,1)解决了原模型的固有偏差问题,但在解决现实中有阶跃扰动、大波动变化的初始序列的时候预测结果依然存在明显的偏差.文章在近似非齐次指数增长离散灰色模型中引入残差,构建偏差修正序列,并以其为初始序列重构预测模型,分情况对预测结果进行修正.通过算例进行比较分析,验证了改进模型的精确性和实用性.     

一种适用于非齐次指数增长序列的直接型离散灰色模型

基于灰色模型的背景值表达式及非齐次指数增长序列的形式1,得到了一种一次累加序列与原始序列的关系,给出了系数确定方法,获得了适用于非齐次指数增长序列的直接型离散灰色模型,并给出了系数确定的方法。实例研究表明：本优化模型不仅具有可操作性,而且精度高,效果好。     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.     

近似非齐次指数序列的非等间距IANGM(1,1,k)模型构造

针对近似非齐次指数的非等间距数据序列在建模过程中存在灰色微分方程和白化微分方程不匹配、建模后需要对白化微分方程解的时间响应式作累减还原问题,提出利用原始序列与其对应的1-IAGO构建灰色微分方程和白化微分方程相匹配的IANGM(1,1,k)模型新方法,该方法利用模型白化微分方程得到的时间响应函数是关于原始序列的表达式,无需累减还原就可以直接进行模拟预测。通过实例验证了新方法对递增和递减的近似非齐次指数的非等间距序列均具有非常好的模拟和短期预测效果,新方法进一步拓宽了灰色预测模型的适用范围。     

基于改进累减还原方法的DGM(1,1)IIR模型及其应用

DGM(1,1)模型的齐次指数变化规律是造成其难以有效模拟随机波动序列的主要原因,而以模拟值作为累减参数的还原方式则是导致其模拟性能不稳定的重要因素.文章对DGM(1,1)模型的设计缺陷进行了分析,在此基础上提出了基于改进累减还原方法的DGM(1,1)IIR模型,最后应用该模型对北京市PM2.5进行了模拟和预测,并与传统DGM(1,1)模型进行了比较和分析,结果显示DGM(1,1)IIR模型具有更加良好的模拟及预测性能.     

参数部分可变条件下双重DGM(1,1)模型建模方法

DGM(1,1)模型参数值的恒定性造成了其模型结构的静态不变性,并进一步导致了其难以有效模拟复杂系统的中长期动态演化规律.文章通过建立DGM(1,1)1模型模拟部分参数的动态规律与发展趋势,实现模型参数与外部系统的适应性动态同步变化,在此基础上构建部分参数可变条件下的动态DGM(1,1)11预测模型.实证表明模拟精度明显优于传统的DGM(1,1)模型及经典GM(1,1)模型.     

CM（1，1）模型预测盐城市人口的发展

城市人口的发展关系着其经济、社会、环境的发展以及资源的利用,因此准确地预测未来人口的发展趋势,制定合理的人口规划和人口布局方案具有重大的理论意义和现实意义。本文以盐城市人口为例,应用GM（1,1）模型对该市2001—2007年人口进行建模,预测未来五年内人口发展趋势,为市政府制定社会经济发展战略计划提供参考依据。     

无偏GM（1,1）幂模型及其应用

针对GM（1,1）幂模型灰微分方程与白化方程无法匹配的缺陷,以灰微分方程的重构为基础,建立无偏GM（1,1）幂模型。该方法使得差分方程的参数与其在微分方程中对应的参数具有更好的一致性。将无偏GM（1,1）幂模型应用到旅游客源预测中,实例应用结果显示无偏GM（1,1）幂模型预测精度高于GM（1,1）模型。     

DGM（1，1）模型的改进与高校毕业生的供求预测

一、序言高等教育人才总需求是指各部门、单位和厂商等对高等学校应届毕业生的总体需求。近年来我国大学毕业生就业问题凸现,引起了社会各方面的广泛关注,2005年大学毕业生的就业问题更为突出。事实上,社会对大学毕业生的需求所反映出的主要问题是高等教育办学规模和专业结构的     

利用非齐次指数函数构造GM(1,1)模型背景值的新方法

文章以灰色GM(1,1)模型背景值的优化为研究目的,讨论了传统背景值构造方法适用于低增长指数序列、对高增长指数序列拟合产生滞后误差的原因,提出了利用非齐次指数函数x(1)(t):A.eBt+C在区间[k-1,k]上与横坐标轴所围实际面积来构造背景值的新方法,并对其合理性进行了证明;在不同发展系数a条件下,比较了背景值构造方法对模拟和预测精度的影响,给出了新背景值条件下GM(1,1)模型的适用范围;大量的数据模拟和模型比较表明,新背景值构造方法提高了背景值的精确性及灰预测模型的拟合精度和预测精度.     

改进的初值和背景值优化的MGM(1,m)模型及应用

针对传统的MGM(1,m)模型存在模拟精度和预测精度不高的问题,文章给出了改进的初值和背景值优化的MGM(1,m)模型。在模型初值的选取上,选取使得模拟值的平均相对误差达到最小的向量X⁽(1))(i)作为初值;在模型背景值的构造上,提出结合辛普森3/8公式的动态序列模型来求解背景值的方法。最后以两组指数型数据序列为例建立了传统MGM(1,2)模型及改进后的模型,并进行数据模拟和预测。结果表明,改进后的MGM(1,m)模型的模拟精度和预测精度均有显著地提高,从而验证了模型的有效性和可行性。     

On Small Sample Properties of the Wald,LR and LM Tests in a Linear Model with AR(1) Errors

When the error terms are autocorrelated, the conventional t-tests for individual regression coefficients mislead us to over-rejection of the null hypothesis. We examine, by Monte Carlo experiments, the small sample properties of the unrestricted estimator of ρ and of the estimator of ρ restricted by the null hypothesis. We compare the small sample properties of the Wald, likelihood ratio and Lagrange multiplier test statistics for individual regression coefficients. It is shown that when the null hypothesis is true, the unrestricted estimator of ρ is biased. It is also shown that the Lagrange multiplier test using the maximum likelihood estimator of ρ performs better than the Wald and likelihood ratio tests.